語音芯片里語音識別系統(tǒng)被應用在更多需要代替人工服務或者識別指令的機器人中，實現(xiàn)更多的人機交互，在生活中帶來更多的便利。語音識別系統(tǒng)的分類和結(jié)構(gòu)跟otp語音芯片系統(tǒng)比起來也有所不同。
語音芯片識別系統(tǒng)的分類和結(jié)構(gòu)
一、語音識別系統(tǒng)分類
語音系統(tǒng)的分類有多種方法，但最常見的是根據(jù)識別對象來看，它的識別任務大概就分為了三類：孤立詞識別、關(guān)鍵詞識別還有連續(xù)語音識別。
二、語音識別系統(tǒng)的結(jié)構(gòu)
1. 語音識別系統(tǒng)的結(jié)構(gòu)包括語音信號的采樣和預處理部分、特征參數(shù)提取部分、語音識別核心部分以及語音識別后處理部分。
2. 所謂語音識別的過程，其實就是模式識別匹配，首先要根據(jù)人的語音特點建立語音模型，對輸入的語音信號進行分析，并抽取所需的特征，在此基礎(chǔ)上建立語音識別所需的模式。
3. 在識別的過程中要根據(jù)語音識別的整體模型，將輸入的語音信號的特征與已經(jīng)存在的語音模式進行比較，根據(jù)一定的搜索和匹配策略，找出一系列最優(yōu)的與輸入的語音相匹配的模式。
語音識別技術(shù)，也被稱為自動語音識別Automatic Speech Recognition，(ASR)，其目標是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入。語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳奈谋净蛎畹母呒夹g(shù)。語音識別技術(shù)主要包括特征提取技術(shù)、模式匹配準則及模型訓練技術(shù)三個方面。語音識別技術(shù)車聯(lián)網(wǎng)也得到了充分的引用，例如在翼卡車聯(lián)網(wǎng)中，只需按一鍵通客服人員口述即可設置目的地直接導航，安全、便捷。
語音識別技術(shù)，也被稱為自動語音識別Automatic Speech Recognition，(ASR)，(迅 捷ocr文字識別軟件)其目標是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。與說話人識別及說話人確認不同，后者嘗試識別或確認發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。
主 要 分 類
根據(jù)識別的對象不同，語音識別任務大體可分為3類，即孤立詞識別(isolated word recognition)，關(guān)鍵詞識別(或稱關(guān)鍵詞檢出，keyword spotting)和連續(xù)語音識別。其中，孤立詞識別 的任務是識別事先已知的孤立的詞，如“開機”、“關(guān)機”等;連續(xù)語音識別的任務則是識別任意的連續(xù)語音，如一個句子或一段話;連續(xù)語音流中的關(guān)鍵詞檢測針對的是連續(xù)語音，但它并不識別全部文字，而只是檢測已知的若干關(guān)鍵詞在何處出現(xiàn)，如在一段話中檢測“計算機”、“世界”這兩個詞。
根據(jù)針對的發(fā)音人，可以把語音識別技術(shù)分為特定人語音識別和非特定人語音識別，前者只能識別一個或幾個人的語音，而后者則可以被任何人使用。顯然，非特定人語音識別系統(tǒng)更符合實際需要，但它要比針對特定人的識別困難得多。
另外，根據(jù)語音設備和通道，可以分為桌面(PC)語音識別、電話語音識別和嵌入式設備(手機、PDA等)語音識別。不同的采集通道會使人的發(fā)音的聲學特性發(fā)生變形，因此需要構(gòu)造各自的識別系統(tǒng)。
識 別 方 法
語音識別方法主要是模式匹配法。在訓練階段，用戶將詞匯表中的每一詞依次說一遍，并且將其特征矢量作為模板存入模板庫。在識別階段，將輸入語音的特征矢量依次與模板庫中的每個模板進行相似度比較，將相似度最高者作為識別結(jié)果輸出。
存 在 問 題
1、口音和噪聲
語音識別中最明顯的一個缺陷就是對口音和背景噪聲的處理。
2、語義錯誤
通常語音識別系統(tǒng)的實際目標并不是誤字率。我們更關(guān)心的是語義錯誤率，就是被誤解的那部分話語。
3、單通道和多人會話
一個好的會話語音識別器必須能夠根據(jù)誰在說話對音頻進行劃分，還應該能弄清重疊的會話(聲源分離)。
4、其他領(lǐng)域變化
如：來自聲環(huán)境變化的混響、硬件造成的偽影、音頻的編解碼器和壓縮偽影、采樣率的變化、會話者的年齡不同。
5、上下文相關(guān)聯(lián)判斷識別
人類聊天容易基于上下文做判斷。機器目前很難做到。
和自然語言識別的區(qū)別
語音識別是自然語言識別的一個方向。
廣義的“自然語言處理”包含了“語音”，或者說“語音”也是“自然語言”的一種。狹義的“自然語言處理”是指處理及理解文本，簡單的理解就是：語音識別的結(jié)果成了自然語言處理的原材料來源之一，自然語言處理的結(jié)果又成了語音生成的原材料。
它是區(qū)別指令式語音而命名，其基本原理都是一致。自然語音識別亮點是自然語言理解功能，即用戶可以按照個人的語言習慣，用自己慣用的語氣、慣用的詞，將需要被識別的語音任務說出來即可。自然語音識別與指令式語音識別主要區(qū)別是詞庫大小及處理方式，指令語音所有處理都是本地進行，自然語音識別目前基本都是采用云處理方式，這樣其語音庫及處理能力是指令語音無法比擬的。
語音識別一個根本的問題是合理的選用特征。特征參數(shù)提取的目的是對語音信號進行分析處理，去掉與語音識別無關(guān)的冗余信息，獲得影響語音識別的重要信息，同時對語音信號進行壓縮。在實際應用中，語音信號的壓縮率介于10-100之間。語音信號包含了大量各種不同的信息，提取哪些信息，用哪種方式提取，需要綜合考慮各方面的因素，如成本，性能，響應時間，計算量等。非特定人語音識別系統(tǒng)一般側(cè)重提取反映語義的特征參數(shù)，盡量去除說話人的個人信息;而特定人語音識別系統(tǒng)則希望在提取反映語義的特征參數(shù)的同時，盡量也包含說話人的個人信息。
線性預測(LP)分析技術(shù)是目前應用廣泛的特征參數(shù)提取技術(shù)，許多成功的應用系統(tǒng)都采用基于LP技術(shù)提取的倒譜參數(shù)。但線性預測模型是純數(shù)學模型，沒有考慮人類聽覺系統(tǒng)對語音的處理特點。
Mel參數(shù)和基于感知線性預測(PLP)分析提取的感知線性預測倒譜，在一定程度上模擬了人耳對語音的處理特點，應用了人耳聽覺感知方面的一些研究成果。實驗證明，采用這種技術(shù)，語音識別系統(tǒng)的性能有一定提高。從目前使用的情況來看，梅爾刻度式倒頻譜參數(shù)已逐漸取代原本常用的線性預測編碼導出的倒頻譜參數(shù)，原因是它考慮了人類發(fā)聲與接收聲音的特性，具有更好的魯棒性(Robustness)。
也有研究者嘗試把小波分析技術(shù)應用于特征提取，但目前性能難以與上述技術(shù)相比，有待進一步研究。
下載文檔
