市场分析

科技圈热点之语音识别原理及系统分类

发布时间:2015-01-06 00:00:00 责任编辑:echolady

【导读】语音识别技术可以说是当之无愧的科技热点。很多的电子科技产品都与语音识别搭边,简而言之,语音识别技术就是将语音信号转换成文本信息或命令。语音识别技术覆盖面极其广泛,本文就这一科技热点话题为大家解析。

语音识别的基本原理

语音识别系统本质上是一种模式识别系统,包括特征提取、模式匹配、参考模式库等三个基本单元。

未知语音经过话筒变换成电信号后加在识别系统的输入端,首先经过预处理,再根据人的语音特点建立语音模型,对输入的语音信号进行分析,并抽取所需的特征,在此基础上建立语音识别所需的模板。而计算机在识别过程中要根据语音识别的模型,将计算机中存放的语音模板与输入的语音信号的特征进行比较,根据一定 的搜索和匹配策略,找出一系列最优的与输入语音匹配的模板。然后根据此模板的定义,通过查表就可以给出计算机的识别结果。显然,这种最优的结果与特征的选择、语音模型的好坏、模板是否准确都有直接的关系。

语音识别的方法

目前具有代表性的语音识别方法主要有动态时间规整技术(DTW)、隐马尔可夫模型(HMM)、矢量量化(VQ)、人工神经网络(ANN)、支持向量机(SVM)等方法。

动态时间规整算法(Dynamic Time Warping,DTW)是在非特定人语音识别中一种简单有效的方法,该算法基于动态规划的思想,解决了发音长短不一的模板匹配问题,是语音识别技术中出现较早、较常用的一种算法。在应用DTW算法进行语音识别时,就是将已经预处理和分帧过的语音测试信号和参考语音模板进行比较以获取他们之间的相似度,按照某种距离测度得出两模板间的相似程度并选择最佳路径。

隐马尔可夫模型(HMM)是语音信号处理中的一种统计模型,是由Markov链 演变来的,所以它是基于参数模型的统计识别方法。由于其模式库是通过反复训练形成的与训练输出信号吻合概率最大的最佳模型参数而不是预先储存好的模式样本,且其识别过程中运用待识别语音序列与HMM参数之间的似然概率达到最大值所对应的最佳状态序列作为识别输出,因此是较理想的语音识别模型。

矢量量化(Vector Quantization)是一种重要的信号压缩方法。与HMM相比,矢量量化主要适用于小词汇量、孤立词的语音识别中。其过程是将若干个语音信号波形或特征参数的标量数据组成一个矢量在多维空间进行整体量化。把矢量空间分成若干个小区域,每个小区域寻找一个代表矢量,量化时落入小区域的矢量就用这个代表 矢量代替。矢量量化器的设计就是从大量信号样本中训练出好的码书,从实际效果出发寻找到好的失真测度定义公式,设计出最佳的矢量量化系统,用最少的搜索和计算失真的运算量实现最大可能的平均信噪比。

在实际的应用过程中,人们还研究了多种降低复杂度的方法,包括无记忆的矢量量化、有记忆的矢量量化和模糊矢量量化方法。

人工神经网络(ANN)是20世纪80年代末期提出的一种新的语音识别方法。其本质上是一个自适应非线性动力学系统,模拟了人类神经活动的原理,具有自适应性、并行性、鲁棒性、容错性和学习特性,其强大的分类能力和输入—输出映射能力在语音识别中都很有吸引力。其方法是模拟人脑思维机制的工程模型,它与 HMM正好相反,其分类决策能力和对不确定信息的描述能力得到举世公认,但它对动态时间信号的描述能力尚不尽如人意,通常MLP分类器只能解决静态模式分 类问题,并不涉及时间序列的处理。

尽管学者们提出了许多含反馈的结构,但它们仍不足以刻画诸如语音信号这种时间序列的动态特性。由于ANN不能很好地描述 语音信号的时间动态特性,所以常把ANN与传统识别方法结合,分别利用各自优点来进行语音识别而克服HMM和ANN各自的缺点。近年来结合神经网络和隐含 马尔可夫模型的识别算法研究取得了显著进展,其识别率已经接近隐含马尔可夫模型的识别系统,进一步提高了语音识别的鲁棒性和准确率。

支持向量机(Support vector machine)是应用统计学理论的一种新的学习机模型,采用结构风险最小化原理(Structural Risk Minimization,SRM),有效克服了传统经验风险最小化方法的缺点。兼顾训练误差和泛化能力,在解决小样本、非线性及高维模式识别方面有许多优越的性能,已经被广泛地应用到模式识别领域。

语音识别系统的分类

语音识别 系统可以根据对输入语音的限制加以分类。如果从说话者与识别系统的相关性考虑,可以将识别系统分为三类:特定人语音识别系统。仅考虑对于专人的话音 进行识别;非特定人语音系统。识别的语音与人无关,通常要用大量不同人的语音数据库对识别系统进行学习;多人的识别系统。通常能识别一组人的 语音,或者成为特定组语音识别系统,该系统仅要求对要识别的那组人的语音进行训练。

如果从说话的方式考虑,也可以将识别系统分为三类:  孤立词语音识别系统。孤立词识别系统要求输入每个词后要停顿;连接词语音识别系统。连接词输入系统要求对每个词都清楚发音,一些连音现象开始出现;连续语音识别系统。连续语音输入是自然流利的连续语音输入,大量连音和变音会出现。

如果从识别系统的词汇量大小考虑,也可以将识别系统分为三类:小词汇量语音识别系统。通常包括几十个词的语音识别系统;中等词汇量的语音识别系统。通常包括几百个词到上千个词的识别系统;大词汇量语音识别系统。通常包括几千到几万个词的语音识别系统。随着计算机与数字信号处理器运算能力以及识别系统精度的提高,识别系统根据词汇量大小进行分类也不断进行变化。目前是中等词汇量的识别系统,将来可能就是小词汇量的语音识别系统。这些不同的限制也确定了语音识别系统的困难度。

现如今,语音识别系统在便携设备上的应用最为广泛。从手机到智能手环、智能手表,都有语音识别系统的身影。但是,需要指出的是,寻找到语音识别的正确突破口很重要,将力量集中到最有可能取得成功的市场当中,不要盲目的投资,这样才能使得这项技术真正的得到长足的发展。

相关阅读:

家庭监护机器人有突破!语音识别系统“箭在弦上”
专家亲授:基于DSP原理的汉子语音识别系统的实现
技术达人:ARM的非特定人语音识别系统的设计

为您推荐

MathWorks 与启迪之星达成战略合作,为孵化内初创企业开放 MATLAB、Simulink 初创计划 业界新闻

MathWorks 与启迪之星达成战略合作,为孵化内初创企业开放 MATLAB、Simulink 初创计划

MathWorks 与启迪之星正式达成深度战略合作,面向启迪之星孵化网络内符合条件的硬科技初创企业,推出 MathWorks 初创计划。成立 5 年内、研发工程师少于 15 人的初创公司,可获得为期 12 个月的 MATLAB、Simulink 及百余个附加工具箱免费许可,同时享有专家技术支持、在线培训、MATLAB Central 社区资源以及联合营销机会。合作聚焦人工智能、医工交叉、光电与智能感知、新能源、新材料赛道,帮助初创团队降低算法开发、系统建模、原型验证的试错成本,推动实验室技术向商业化产品转化。

能源电路 互联技术 Central(中环)

ST25DA‑C:首款完全符合 Matter1.6 NTL 标准器件,实现 Matter NFC 完整配网 技术应用

ST25DA‑C:首款完全符合 Matter1.6 NTL 标准器件,实现 Matter NFC 完整配网

意法半导体 ST25DA‑C 是市场首款完整支持 Matter 1.6 NTL(NFC 传输层)规范的动态 NFC 标签器件。传统 Matter 方案依赖 QR 码贴纸或者 BLE 蓝牙完成配网,存在贴纸易损坏、设备必须上电才能 BLE 配网等现实痛点;Matter1.5 版本下 NFC 仅能做入网引导,完整配网依旧需要 BLE 参与。ST25DA‑C 继承 STSAFE 安全元件技术,内置加密运算能力,依靠 NFC 射频取电即可完成预配网,设备上电后直接接入 Matter 网络,实现真正的 “碰‑to‑commission 碰一碰配网”。本文对比新旧 Matter 配网方案差异,拆解 ST25DA‑C 安全能力、硬件规格与工程落地价值,为智能家居 IoT 硬件开发者提供技术参考。

AI&loT 互联技术 RF /微波 碳化硅(SiC)器件 ST(意法半导体)

贸泽赞助|2026 “创造未来” 设计大赛决赛入围名单揭晓,纽约现场演示角逐高额奖金 业界新闻

贸泽赞助|2026 “创造未来” 设计大赛决赛入围名单揭晓,纽约现场演示角逐高额奖金

贸泽电子(Mouser)持续赞助的全球知名“创造未来(Create the Future)” 设计大赛,公布 2026 年度决赛入围名单。本届赛事由 SAE Media Group 与《Tech Briefs》主办,英特尔、ADI、COMSOL 联合参与赞助,入围作品将赴纽约开展现场演示,共同角逐 25000 美元最高奖金。大赛分为航空航天国防、汽车交通、电子产品、能源动力、制造材料、医疗、机器人自动化七大赛道。本文整理全部决赛入围项目、赛事背景,一览全球工程师面向民生改善、可持续发展的创新成果。

医疗穿戴 汽车电子 MOUSER(贸泽)

埃赛力达推出 OmniCure AC7+ UV‑LED 面光源固化系统:辐照强度提升 40%,支持分段 LED 模组控制 新品速递

埃赛力达推出 OmniCure AC7+ UV‑LED 面光源固化系统:辐照强度提升 40%,支持分段 LED 模组控制

埃赛力达(Excelitas)正式发布新一代OmniCure AC7+ UV‑LED 面光源固化平台,在成熟 AC7 平台基础上实现辐照强度最高 40% 提升,峰值辐照强度超过 7.5 W/cm²,纵向均匀度优于 ±5%。产品具备 LED 模组级分段控制、RS485 组网通信、增强热管理与 VOC 防护,提供 150 mm、300 mm 两种固化宽度,向后兼容老 AC7 设备。广泛用于显示器、触摸屏、光学薄膜、医疗器械、半导体晶圆胶带加工等自动化产线,本文梳理产品升级要点、核心特性与应用场景,为工业 UV 固化选型提供参考。

通信广电 医疗穿戴 光电显示 LED驱动 Excelitas(埃赛力达)

特别推荐

更多

行业动态

更多

技术应用

更多

选型替代

更多

产品信息

更多

热门搜索

更多

欢迎登录

没有账号,

账号注册

注册成功!

3S后自动为你跳转登陆