AI產(chǎn)品經(jīng)理需了解的技術(shù)知識:語音識別技術(shù)(1)
本文章主要介紹了語音識別技術(shù)語的發(fā)展、基本原理、語音特征,目的是幫助PM了解語音技術(shù)方面的知識,有助于語音類相關(guān)產(chǎn)品的設(shè)計~
一、語音識別的發(fā)展
- 20世紀(jì)50年代,語音識別的研究工作開始,這時主要探索和研究聲音和語音學(xué)的基本概念和原理。
- 20世紀(jì)60年代,可以解決不等長語音匹配問題。
- 20世紀(jì)70年代,隨著NLP技術(shù)和微電子技術(shù)的深入發(fā)展,語音識別領(lǐng)域的線性預(yù)測分析技術(shù)得到廣泛應(yīng)用,HMM等技術(shù)基本成熟。
- 20世紀(jì)80年代,語音研究其顯著特征是HMM和人工神經(jīng)網(wǎng)絡(luò)(ANN)。
從發(fā)展可以看出:語音識別技術(shù)最早依靠匹配,尋找單個音節(jié)、單個詞和標(biāo)準(zhǔn)語音模板的最大相似度進(jìn)行匹配。后來伴隨著統(tǒng)計學(xué)被引入到語音識別中,將該技術(shù)逐步從模板匹配技術(shù)轉(zhuǎn)向基于統(tǒng)計模型技術(shù)。
二、語音識別的基本原理
對于不同的語音識別過程,人們采用的識別方法和技術(shù)不同,但所用的原理大致相同,即將經(jīng)過降噪處理后的語音送入特征提取模塊,然后對語音信號特征處理后輸出識別結(jié)果。
在這個過程中,特征提取是構(gòu)建語音系統(tǒng)的關(guān)鍵,對識別結(jié)果起到了重要作用,原理見下圖:
- 預(yù)處理:過濾掉原始語音中的次要信息或噪音等,將語音信號轉(zhuǎn)化為數(shù)字信號。
- 特征提?。?/strong>提取語音特征參數(shù),形成特征矢量序列。
三、語音信號特征
實(shí)現(xiàn)語音識別,就需要語音參數(shù)來刻畫語音信息。語音原本具有短時特性,所以描述語音的單位用幀(一般為10-40ms),在音頻幀上提取的短時音頻特征,叫音頻幀特征。相對音頻幀較長的時間間隔成為音頻段,在音頻段上提取的特征叫音頻段特征。
下面列舉一些常用的音頻特征和音頻段特征:
3.1 音頻幀特征
常用的音頻幀特征分為三類:時域特征、頻域特征和聲學(xué)感知特征。
時域特征利用了音頻信號在時域上面的信息,可以理解成橫軸為時間,縱軸為音頻信號。通過過零率、短時能量、音量、自相關(guān)系數(shù)等來描述音頻信號在時間上的信息。
- 過零率是指:音頻信號由正到負(fù)、由負(fù)到正過程中,通過零的次數(shù)。應(yīng)用于語音信號分析中,濁音具有較低的過零率,清音具有較高的過零率(發(fā)音時聲帶振動的是濁音,聲帶不振動的是清音)。
- 短時能量則是:通過能量的計算方法用于監(jiān)測濁音和清音的轉(zhuǎn)換時刻。應(yīng)用與語音信號分析中,短時能量大的地方過零率低,短時能量小的地方過零率高。
頻域特征是把時域波形信號轉(zhuǎn)換到頻譜,然后進(jìn)行計算。
聲學(xué)感知特征是聲學(xué)上定義的概念,考慮了人的聽覺感知特點(diǎn),但通常計算比較復(fù)雜。
3.2 音頻段特征
音頻段特征是在音頻幀特征基礎(chǔ)上提取出來的,獲取音頻段特征的基本方法是:將音頻段對應(yīng)的音頻幀特征經(jīng)過均值、方差、標(biāo)準(zhǔn)差等統(tǒng)計學(xué)公式計算得出來的。
四、預(yù)處理模塊
原始語音信號傳入預(yù)處理模塊的目的:是為了壓縮原始語音數(shù)據(jù),提取出有代表性的特征來做后續(xù)的識別,主要分為三部分:預(yù)加重、分幀加窗、端點(diǎn)檢測。
4.1 預(yù)加重
在語音識別過程中,經(jīng)常會遇到原始語音數(shù)據(jù)因?yàn)樵胍簟⒈尘耙艋虼我畔⒌挠绊憣?dǎo)致識別效果變差。預(yù)加重的目的就是為了提高語音質(zhì)量,從含有噪聲語音的信號中,盡可能提取純凈的原始語音信號。
它的方法有很多,下面列舉三個:
(1)譜減法
首先假設(shè)噪音和期望語音信號相互獨(dú)立,然后通過估計噪音的功率,在原始語音中減去噪音功率達(dá)到去除噪音的目的。
這個方法較適用于噪音平穩(wěn)波動性小的情況。
(2)自適應(yīng)濾波法
通過獲得前一時刻的濾波器參數(shù),去自動調(diào)節(jié)現(xiàn)在時刻的濾波器參數(shù)。我的理解是:假設(shè)語音信號具有較強(qiáng)的相關(guān)性,那么取t+1時刻的濾波器參數(shù)作用于t時刻的語音信號,形成純凈的語音信號。
(3)小波去噪法
基于信號和噪聲的小波系數(shù)在各尺度的分布特性,采用閾值的方法,達(dá)到去除噪聲的目的。
4.2 分幀加窗
語音信號可假定為短時平穩(wěn)的,即在較短時間內(nèi)(如5-50ms),語音信號基本保持不變,然后把語音信號分隔為一些音頻段再加以處理。
這些短段一般是周期的,對每個短段語音進(jìn)行處理,就等效于對固定特性的這樣原始語音進(jìn)行處理。對每一幀處理的結(jié)果,就可以看作是一個新的依賴于時間的序列,且這個序列可用于描述語音信號特征。
例如:原始語音采樣序列為x(m),那么分段后的序列可以理解為x(m)乘以窗函數(shù)w(n-m)得到的。
窗函數(shù)越寬,對信號的平滑作用越明顯,反之,對信號幾乎沒有任何平滑作用。
4.3 端點(diǎn)檢測
對語音信號中的有聲片段和無聲片段進(jìn)行分割,然后再針對有聲片段的語音特征進(jìn)行識別,主要是利用語音特征參數(shù)進(jìn)行判斷。一般情況下,端點(diǎn)監(jiān)測是語音識別的第一步。
研究表明:即使是在安靜的環(huán)境中,語音識別系統(tǒng)一半以上的識別錯誤來自端點(diǎn)檢測。
本文由 @豬不會飛 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載
題圖來自Unsplash,基于CC0協(xié)議
期待大佬下一篇作品~多講講智能語音相關(guān)呀~