基于matlab的語(yǔ)音識(shí)別系統(tǒng)的設(shè)計(jì)本科畢業(yè)設(shè)計(jì)-全文預(yù)覽

　　

【正文】 基本理論和數(shù)學(xué)描述HMM是一個(gè)雙重的隨機(jī)過(guò)程，它具有一個(gè)有限狀態(tài)的馬爾可夫鏈和與每個(gè)狀態(tài)相聯(lián)系的一套隨機(jī)概率函數(shù)。通常HMM對(duì)應(yīng)了具有一定語(yǔ)音學(xué)含義的單元，通常是音素。分類(lèi)網(wǎng)絡(luò)具有簡(jiǎn)單直觀、在本質(zhì)上是區(qū)分性的、在設(shè)計(jì)上是模塊化的、可以方便地組合成更大的系統(tǒng)、具有完善的數(shù)學(xué)解釋等優(yōu)點(diǎn)，所以可以很容易地集成到HMM的統(tǒng)計(jì)識(shí)別框架中。第二種方法是分類(lèi)網(wǎng)絡(luò)。所以混合模型在系統(tǒng)框架上保持了傳統(tǒng)HMM的框架，而局部功能模塊如：概率估計(jì)、上下文關(guān)聯(lián)等則通過(guò)ANN實(shí)現(xiàn)，這樣有機(jī)地將HMM和ANN的各自?xún)?yōu)勢(shì)統(tǒng)一在一個(gè)系統(tǒng)之中．又彌補(bǔ)了各自的不足。(3) 分類(lèi)神經(jīng)網(wǎng)絡(luò)的輸出端可以逼近任意形式的概率分布函數(shù)，它能很好地掌握蘊(yùn)含在訓(xùn)練數(shù)據(jù)中的概率分布特性，所以能夠較真實(shí)地描述語(yǔ)音信號(hào)的概率分布特性。而且在系統(tǒng)體系上又保持了HMM的框架，所以混合HMM/ANN模型是HMM和ANN兩種模型的有機(jī)結(jié)合，具有明確的數(shù)學(xué)和物理意義。這個(gè)方法的缺點(diǎn)是必須先對(duì)語(yǔ)音進(jìn)行分段，神經(jīng)網(wǎng)絡(luò)才能對(duì)分出的各個(gè)音段進(jìn)行計(jì)算。ANN和HMM可以以不同的方式進(jìn)行結(jié)合，如ANN直接實(shí)現(xiàn)HMM，兩者在幀層面上的結(jié)合，語(yǔ)音層面上的結(jié)合，音段層面的結(jié)合和子層面上的結(jié)合等方式，而HMM和ANN混合模型的結(jié)合，即能優(yōu)化HMM模型，又能充分利用每一種技術(shù)的長(zhǎng)處：HMM的時(shí)間建模和ANN的聲學(xué)建模，特別是用神經(jīng)網(wǎng)絡(luò)計(jì)算HMM狀態(tài)的觀測(cè)概率。段長(zhǎng)分布函數(shù)的引入澄清了經(jīng)典HMM語(yǔ)音識(shí)別模的許多矛盾，DDBHMM比國(guó)際上流行的HMM語(yǔ)音識(shí)別模型有更好的識(shí)別性能和更低的計(jì)算復(fù)雜度(訓(xùn)練算法比較流行的Baum算法復(fù)雜度低兩個(gè)數(shù)量級(jí))。這在實(shí)際工作中占有很大的工作量。因此，HMM語(yǔ)音識(shí)別模型與算法是迄今為止最為完美的一個(gè)語(yǔ)音識(shí)別模型，從中也可看出好的理論體系對(duì)研究工作所起的重要的指導(dǎo)作用。這種隱含馬爾可夫模型的算法是將語(yǔ)音看成是一連串特定狀態(tài)，這種狀態(tài)是不能被直接觀測(cè)到的(如這種狀態(tài)可以是語(yǔ)音的某個(gè)音素的特征)，而是以某種隱含的關(guān)系與語(yǔ)音的觀測(cè)量(或特征)相關(guān)聯(lián)。基于統(tǒng)計(jì)的HMM算法可能是目前最為成功的一種語(yǔ)音識(shí)別模型和算法了。神經(jīng)網(wǎng)絡(luò)依靠連接權(quán)能夠進(jìn)行長(zhǎng)時(shí)間記憶和知識(shí)存儲(chǔ)，但對(duì)于輸入模式的瞬時(shí)響應(yīng)的短時(shí)記憶能力比較差。 基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別方法原理圖神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音進(jìn)行分類(lèi)有兩個(gè)基本方法：靜態(tài)識(shí)別和動(dòng)態(tài)識(shí)別。也就是說(shuō)，系統(tǒng)參數(shù)只在整體上有意義，是不可分的。最初是用神經(jīng)網(wǎng)絡(luò)將語(yǔ)音段分成清音和濁音兩類(lèi)，或分成鼻音、摩擦音和爆破音三類(lèi)。所有的神經(jīng)元協(xié)同工作，使整個(gè)網(wǎng)絡(luò)呈現(xiàn)出大規(guī)模的集體計(jì)算行為，系統(tǒng)的所有計(jì)算都是由這些單元完成的，而單元之間的連接權(quán)決定了網(wǎng)絡(luò)對(duì)任意輸入模式的計(jì)算響應(yīng)。人工智能的方法己不再是現(xiàn)代語(yǔ)音識(shí)別研究的主流。美國(guó)卡內(nèi)基——梅隆大學(xué)在七十年代完成的Happy系統(tǒng)是基于這個(gè)理論的最成功的語(yǔ)音識(shí)別系統(tǒng)。持這種觀點(diǎn)的專(zhuān)家認(rèn)為，用其識(shí)別語(yǔ)音有種種困難，但是人類(lèi)識(shí)別語(yǔ)音卻并不困難。也不容易將底層和頂層的各種知識(shí)用到識(shí)別算法中，因此在解決大詞匯表、連續(xù)語(yǔ)音，非特定人語(yǔ)音識(shí)別問(wèn)題時(shí)較HMM相形見(jiàn)絀。DTW是一個(gè)典型的最優(yōu)化問(wèn)題。若N=M則可以直接計(jì)算，否則要考慮將T(n)和R(m)對(duì)齊。距離函數(shù)取決于實(shí)際采用的距離度量，在DTW算法中通常采用歐氏距離。參考模板與測(cè)試模板一般采用相同類(lèi)型的特征矢量（如MFCC系數(shù)）、相同的幀長(zhǎng)、相同的窗函數(shù)和相同的幀移。所以在孤立詞語(yǔ)音識(shí)別中，DTW算法仍得到廣泛的應(yīng)用。三、語(yǔ)音識(shí)別主要算法日本學(xué)者首先將動(dòng)態(tài)規(guī)劃的概念用于解決孤立詞識(shí)別時(shí)說(shuō)話(huà)速度不均勻的難題，提出了著名的DTW算法，當(dāng)詞匯表較小以及各個(gè)詞條不易于混淆時(shí)，這個(gè)算法取得了很大成功。(2) 求出頻譜平方，即能量譜，并用M個(gè)Mel帶通濾波器進(jìn)行濾波；由于每一個(gè)頻帶中分量的作用在入耳中是疊加的，因此將每個(gè)濾波器頻帶內(nèi)的能量進(jìn)行疊加，這時(shí)第k個(gè)濾波器輸出功率譜X(k)。這是因?yàn)槿祟?lèi)在對(duì)約1000Hz以上的聲音頻率范圍的感知不遵循線(xiàn)性關(guān)系，而是遵循在對(duì)數(shù)頻率坐標(biāo)上的近似線(xiàn)性關(guān)系。由于充分考慮了人耳的聽(tīng)覺(jué)特性，而且沒(méi)有任何的前提假設(shè)，MFCC參數(shù)具有良好的識(shí)別性能和抗噪聲能力，但其計(jì)算量和計(jì)算精度要求高。通過(guò)分析激勵(lì)信號(hào)的語(yǔ)音特點(diǎn)以及聲道傳輸函數(shù)的零極點(diǎn)分布情況，可知的分布范圍很寬，c(n)從低時(shí)域延伸到高時(shí)域，而主要分布于低時(shí)域中。短時(shí)功率譜實(shí)際上是短時(shí)傅立葉變換幅度的平方，它是信號(hào)x(n)的短時(shí)自相關(guān)函數(shù)的傅立葉變換，即 (213)式中Rn（k）是自相關(guān)函數(shù)。傅立葉頻譜分析的基礎(chǔ)是傅立葉變換，用傅立葉變換及其反變換可以求得傅立葉譜、自相關(guān)函數(shù)、功率譜、倒譜。可以將濾波器組的輸出經(jīng)過(guò)自適應(yīng)增量調(diào)制器變?yōu)槎M(jìn)制脈沖信號(hào)，再經(jīng)過(guò)多路開(kāi)關(guān)，變?yōu)橐淮M(jìn)制脈沖信號(hào)。濾波器可以用寬帶帶通濾波器，也可以用窄帶帶通濾波器。語(yǔ)音的感知過(guò)程與人類(lèi)聽(tīng)覺(jué)系統(tǒng)具有頻譜分析功能是緊密相關(guān)的。雙門(mén)限前端檢測(cè)算法用于有話(huà)、無(wú)話(huà)鑒別或詞語(yǔ)前端檢測(cè)，通常窗長(zhǎng)(即幀長(zhǎng))取10～15ms，幀間隔(即采樣間隔)取5～10ms，有一定的抗干擾能力，即使存在小的隨機(jī)噪聲，只要它不使信號(hào)越過(guò)正負(fù)門(mén)限所構(gòu)成的帶，就不會(huì)產(chǎn)生虛假的過(guò)零率。如果語(yǔ)音前后噪音保留過(guò)多，則會(huì)增加不同語(yǔ)音的共同成分，對(duì)識(shí)別產(chǎn)生干擾；而如果語(yǔ)音部分被切割掉，則會(huì)造成語(yǔ)音信息的丟失，若丟失的恰是區(qū)分語(yǔ)音的重要特征，則造成誤識(shí)。為此，可定義短時(shí)平均幅度差函數(shù)： (210)顯然，如果x(n)在窗口取值范圍內(nèi)具有周期性，則將出現(xiàn)極小值。平均幅度差函數(shù)能夠代替自相關(guān)函數(shù)進(jìn)行語(yǔ)音分析，是基于這樣一個(gè)事實(shí)：如果信號(hào)是完全的周期信號(hào)(設(shè)周期為Np。短時(shí)自相關(guān)函數(shù)是語(yǔ)音信號(hào)時(shí)域分析的重要參量。“0”的過(guò)零率，可為端點(diǎn)檢測(cè)提供參考。為了解決低頻的干擾，我們?cè)O(shè)立一個(gè)門(mén)限T，將過(guò)零率的含義修改為跨過(guò)正負(fù)門(mén)限的次數(shù)。對(duì)于連續(xù)語(yǔ)音信號(hào)，可以考察其時(shí)域波形通過(guò)時(shí)間軸的情況。在語(yǔ)音識(shí)別系統(tǒng)中，一股也作為特征中的一維參數(shù)來(lái)表示語(yǔ)音信號(hào)能量的大小和超音段信息。對(duì)于信號(hào)x(n)，短時(shí)能量定義為： (23)式中，h(n)=w2(n)，N為窗長(zhǎng)，En表示在信號(hào)的第n個(gè)點(diǎn)開(kāi)始加窗函數(shù)時(shí)的短時(shí)能量。通常認(rèn)為在一個(gè)語(yǔ)音幀內(nèi)，應(yīng)含有1～7個(gè)基音周期。這種時(shí)間以來(lái)處理的基本手段，一般是用一個(gè)長(zhǎng)度有限的窗序列w(n)截取一段語(yǔ)音信號(hào)來(lái)進(jìn)行分析，并讓這個(gè)窗滑動(dòng)，以便分析任意時(shí)刻附近的信號(hào)。一般每秒的幀數(shù)為33～100，視實(shí)際情況而定。一般來(lái)說(shuō)，語(yǔ)音信號(hào)處理的幀長(zhǎng)一般取20ms(當(dāng)Fs=8kHz時(shí)，相應(yīng)每幀由160個(gè)信號(hào)樣值)。對(duì)于這種低通濾波器的特性和A/D轉(zhuǎn)換頻率，也要求與采樣時(shí)具有相同的關(guān)系。“0”的預(yù)加重處理效果A/D轉(zhuǎn)換之前還需要加一個(gè)防混疊濾波器。它一般是一階的，即：，式中u值接近于1,。預(yù)加重在防混疊濾波與A/D轉(zhuǎn)換之前進(jìn)行。研究表明:要使語(yǔ)音波形的動(dòng)態(tài)變化信噪比達(dá)到55dB的信噪比，B應(yīng)取10位以上。此時(shí)上式變?yōu)镾NR=。采樣之后要對(duì)信號(hào)進(jìn)行量化，在量化過(guò)程中不可避免的會(huì)產(chǎn)生誤差。根據(jù)采樣定理，當(dāng)采樣頻率大于信號(hào)的2倍帶寬時(shí)，在采樣過(guò)程中不會(huì)丟失信息，且從采樣信號(hào)中可以精確地重構(gòu)原始信號(hào)波形。做一個(gè)合理的假設(shè)，當(dāng)在較短的時(shí)間間隔內(nèi)表示語(yǔ)音信號(hào)時(shí)，則可以采用線(xiàn)性時(shí)不變模型。()。聲調(diào)曲線(xiàn)從一個(gè)韻母的起始端開(kāi)始，到韻母的終止端結(jié)束。漢語(yǔ)是一種聲調(diào)語(yǔ)言，相同聲母和韻母構(gòu)成的音節(jié)隨聲調(diào)的不同而具有完全不同的意義，對(duì)應(yīng)著不同的漢字。所有元音都是濁音。清音通過(guò)將口腔內(nèi)有的空氣釋放出來(lái)而發(fā)聲，發(fā)聲時(shí)喉部封閉，由于該氣流通過(guò)一個(gè)狹窄通道時(shí)在口腔中形成流，因此具有明顯的隨機(jī)噪聲的特點(diǎn)。(8)微電子技術(shù)：超大規(guī)模集成電路(VLSI)技術(shù)的發(fā)展對(duì)語(yǔ)音識(shí)別的具體應(yīng)用有很大的影響，VLSI使語(yǔ)音識(shí)別系統(tǒng)商品化成為可能。(3)統(tǒng)計(jì)學(xué)和模式識(shí)別理論；基于各種統(tǒng)計(jì)方法對(duì)模式進(jìn)行匹配，以及建立有關(guān)的統(tǒng)計(jì)模型，對(duì)語(yǔ)音特征參數(shù)進(jìn)行估值和分類(lèi)。摩爾定律所預(yù)言的硬件產(chǎn)品奇跡般的更新速度使計(jì)算機(jī)處理復(fù)雜運(yùn)算的能力突飛猛進(jìn)，也使體積龐大的語(yǔ)音庫(kù)有機(jī)會(huì)棲身于普通用戶(hù)的硬盤(pán)或其他存儲(chǔ)介質(zhì)上；技術(shù)方面，新的語(yǔ)音統(tǒng)計(jì)算法日趨成熟：市場(chǎng)需求方面，簡(jiǎn)化PDA、移動(dòng)電話(huà)和其他信息家電原本繁瑣的操作步驟的最佳途徑便是通過(guò)語(yǔ)音技術(shù)。目前這種采用聲覺(jué)、視覺(jué)兩種信息融合進(jìn)行識(shí)別的研究在全球范圍內(nèi)己經(jīng)展開(kāi)，成為語(yǔ)音識(shí)別研究的重要發(fā)展方向和研究熱點(diǎn)之一。從某種意義上說(shuō)，語(yǔ)音識(shí)別是將計(jì)算機(jī)變成真正的“智能化”設(shè)備的最佳途徑。Nuance的最新版識(shí)別軟件所提供的“隨意說(shuō)(Say anything)”技術(shù)，使用戶(hù)可以以自然的語(yǔ)言說(shuō)出自己的需求。它既涉及到自然語(yǔ)言理解，又與聲學(xué)有關(guān)。這將會(huì)使識(shí)別系統(tǒng)具有很強(qiáng)的適應(yīng)性。人多的公共場(chǎng)所巨大的噪音對(duì)語(yǔ)音識(shí)別的影響自不用說(shuō)，早期即使在實(shí)驗(yàn)室環(huán)境下，敲擊鍵盤(pán)、挪動(dòng)麥克風(fēng)都會(huì)成為背景噪音。此外，該公司的系統(tǒng)優(yōu)化工具為所有系統(tǒng)提供一個(gè)實(shí)用、有效的優(yōu)化方法。也就是說(shuō)是有別于普通話(huà)的不同的語(yǔ)言，應(yīng)該用不同的聲學(xué)模型來(lái)描述。目前，技術(shù)及應(yīng)用的焦點(diǎn)主要集中在三個(gè)方面。在識(shí)別階段，語(yǔ)音喜好經(jīng)過(guò)相同的通道得到語(yǔ)音參數(shù)，生成測(cè)試模版，與參考模版進(jìn)行匹配，將匹配分?jǐn)?shù)最高的參考模版作為識(shí)別結(jié)果。對(duì)特征參數(shù)的要求是：1，提取的特征參數(shù)能有效地代表語(yǔ)音特征，具有很好的區(qū)分性。非特定人大詞表連續(xù)語(yǔ)音識(shí)別是近幾年研究的重點(diǎn)，也是研究的難點(diǎn)。顯然，連續(xù)非特定人語(yǔ)音識(shí)別的難度要大得多，因?yàn)椴粌H有說(shuō)話(huà)人口音的問(wèn)題，還有協(xié)同發(fā)音、斷字?jǐn)嗑洹⑺阉鞯葐?wèn)題，除了考慮語(yǔ)音的聲學(xué)模型外還要涉及到語(yǔ)言模型，如構(gòu)詞法、文法等。語(yǔ)音識(shí)別按說(shuō)話(huà)人的講話(huà)方式可分為孤立詞(Isolated Word)識(shí)別、連接詞(Connected Word)識(shí)別和連續(xù)語(yǔ)音(Continuous Speech)識(shí)別。研究的方向也越來(lái)越側(cè)重于口語(yǔ)對(duì)話(huà)系統(tǒng)。諸如此類(lèi)的新問(wèn)題使連續(xù)語(yǔ)音識(shí)別率的提高比非連續(xù)語(yǔ)音更加困難。每?jī)赡隄L動(dòng)一次，從1991年開(kāi)始，專(zhuān)家組每一至二年舉行一次全國(guó)性的語(yǔ)音識(shí)別系統(tǒng)測(cè)試。臺(tái)灣的一些大學(xué)和研究所也開(kāi)發(fā)出大詞匯量非特定人連續(xù)語(yǔ)音識(shí)別演示系統(tǒng)。由于中國(guó)的國(guó)際地位不斷提高，以及在經(jīng)濟(jì)和市場(chǎng)方面所處的重要地位，漢語(yǔ)語(yǔ)音識(shí)別也越來(lái)越受到重視。80年代，語(yǔ)音識(shí)別研究的重點(diǎn)之一是連接詞語(yǔ)音識(shí)別，開(kāi)發(fā)了各種連接詞語(yǔ)音識(shí)別和關(guān)鍵詞識(shí)別算法，如多級(jí)動(dòng)態(tài)規(guī)劃語(yǔ)音識(shí)別算法。Bell實(shí)驗(yàn)室的L．G．Kesta目視觀察語(yǔ)譜圖進(jìn)行識(shí)別，提出了“聲紋(Voiceprint)”的概念。因此語(yǔ)音識(shí)別技術(shù)既是國(guó)際競(jìng)爭(zhēng)的一項(xiàng)重要技術(shù)，也是每一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展不可缺少的重要技術(shù)支撐。經(jīng)過(guò)統(tǒng)計(jì)，識(shí)別效果明顯達(dá)到了預(yù)期目標(biāo)。重點(diǎn)是從理論上研究隱馬爾可夫(HMM)模型算法，對(duì)經(jīng)典的HMM模型算法進(jìn)行改進(jìn)。河南理工大學(xué)畢業(yè)設(shè)計(jì)（論文）說(shuō)明書(shū)摘 要語(yǔ)音識(shí)別主要是讓機(jī)器聽(tīng)懂人說(shuō)的話(huà)，即在各種情況下，準(zhǔn)確地識(shí)別出語(yǔ)音的內(nèi)容，從而根據(jù)其信息執(zhí)行人的各種意圖。在此基礎(chǔ)上討論了語(yǔ)音識(shí)別的五種算法：動(dòng)態(tài)時(shí)間伸縮算法(Dynamic Time Warping，DTW)、基于規(guī)則的人工智能方法、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法、隱馬爾可夫(Hidden Markov Model，HMM)方法、HMM和ANN的混合模型。本文應(yīng)用隱馬爾科夫模型(HMM) 為識(shí)別算法，采用MFCC(MEL頻率倒譜系數(shù))為主要語(yǔ)音特征參數(shù)，建立了一個(gè)漢語(yǔ)數(shù)字語(yǔ)音識(shí)別系統(tǒng)，其中包括語(yǔ)音信號(hào)的預(yù)處理、特征參數(shù)的提取、識(shí)別模板的訓(xùn)練、識(shí)別匹配算法；同時(shí)，提出利用Matlab圖形用戶(hù)界面開(kāi)發(fā)環(huán)境設(shè)計(jì)語(yǔ)音識(shí)別系統(tǒng)界面，設(shè)計(jì)簡(jiǎn)單，使用方便，系統(tǒng)界面友好。以語(yǔ)音識(shí)別開(kāi)發(fā)出的產(chǎn)品應(yīng)用領(lǐng)域非常廣泛，有聲控電話(huà)交換、語(yǔ)音撥號(hào)系統(tǒng)、信息網(wǎng)絡(luò)查詢(xún)、家庭服務(wù)、賓館服務(wù)、旅行社服務(wù)系統(tǒng)、訂票系統(tǒng)、聲控智能玩具、醫(yī)療服務(wù)、銀行服務(wù)、股票查詢(xún)服務(wù)、計(jì)算機(jī)控制、工業(yè)控制、語(yǔ)音通信系統(tǒng)、軍事監(jiān)聽(tīng)、信息檢索、應(yīng)急服務(wù)、翻譯系統(tǒng)等，幾乎深入到社會(huì)的每個(gè)行業(yè)、每個(gè)方面，其應(yīng)用和經(jīng)濟(jì)社會(huì)效益前景非常廣泛。早期的工作主要集中在人耳聽(tīng)辨試驗(yàn)和探討聽(tīng)音識(shí)別的可能性方面。研究特點(diǎn)是以孤立字語(yǔ)音識(shí)別為主，通常把孤立字作為一個(gè)整體來(lái)建立模板。語(yǔ)音識(shí)別技術(shù)進(jìn)一步成熟，并開(kāi)始向市場(chǎng)提供產(chǎn)品。IBM開(kāi)發(fā)的Viavoice和Microsoft開(kāi)發(fā)的中文識(shí)別引擎代表了當(dāng)前漢語(yǔ)語(yǔ)音識(shí)別的最高水平。從1987年開(kāi)始執(zhí)行863計(jì)劃后，國(guó)家863《智能計(jì)算機(jī)主題》專(zhuān)家組為語(yǔ)音識(shí)別研究立項(xiàng)。語(yǔ)音識(shí)別發(fā)展到一定階段，世界各國(guó)都加快了語(yǔ)音識(shí)別引用系統(tǒng)的研究開(kāi)發(fā)，通常連續(xù)語(yǔ)音是含有較完整語(yǔ)法信息的連續(xù)語(yǔ)句，最接近于人的自然講話(huà)方式，從非連續(xù)語(yǔ)音到連續(xù)語(yǔ)音的研究面臨著很多完全不同的技術(shù)難點(diǎn)，非連續(xù)語(yǔ)音的識(shí)別是一些孤立的聲波片段，連續(xù)語(yǔ)音則面臨著如何切分聲波的問(wèn)題。目前在語(yǔ)音識(shí)別研究領(lǐng)域非常活躍的課題為穩(wěn)健語(yǔ)音識(shí)別、說(shuō)話(huà)人自適應(yīng)技術(shù)、大詞匯量關(guān)鍵詞識(shí)別算法、語(yǔ)音識(shí)別的可信度評(píng)測(cè)算法、基于類(lèi)的語(yǔ)言模型和自適應(yīng)語(yǔ)言模型，以及深層次的自然語(yǔ)音的理解。本文介紹了語(yǔ)音識(shí)別的基本流程、所用到的語(yǔ)音參數(shù)算法、語(yǔ)音識(shí)別的訓(xùn)練算法和識(shí)別算法做初步的探究，主要運(yùn)用了特定人孤立詞識(shí)別的DTW算法和非特定人識(shí)別的連續(xù)HMM算法的Matlab識(shí)別系統(tǒng)。連續(xù)語(yǔ)音識(shí)別是指對(duì)說(shuō)話(huà)人以日常自然的方式發(fā)音，通常特指用于語(yǔ)音錄入的聽(tīng)寫(xiě)機(jī)。實(shí)際上，非特定人語(yǔ)音識(shí)別的初始識(shí)別率往往都比較低，一般都要求用戶(hù)花一定的時(shí)間對(duì)系統(tǒng)進(jìn)行訓(xùn)練，將系統(tǒng)的參數(shù)進(jìn)行一定的自適應(yīng)調(diào)整，才能使識(shí)別率達(dá)到滿(mǎn)意的程度。語(yǔ)音信號(hào)經(jīng)預(yù)處理后，接下來(lái)很重要的一環(huán)就是特征參數(shù)提取。在訓(xùn)練階段，將特征參數(shù)進(jìn)行一定的處理之后，為每個(gè)詞條得到一個(gè)模型，保存為模版庫(kù)。然而語(yǔ)音技術(shù)本身仍在不斷進(jìn)步，為市場(chǎng)提供更新更好的應(yīng)用模式和技術(shù)。例如，中國(guó)的八大方言多屬于與普通話(huà)(北方語(yǔ)系)不同的語(yǔ)系。例如Nuance公司，作為擁有最大市場(chǎng)和最多用戶(hù)的公司，也擁有最多的用戶(hù)語(yǔ)音數(shù)據(jù)，保證了它極高的基礎(chǔ)識(shí)別率。焦點(diǎn)之二是背景噪音。研究將要解決的問(wèn)題就是如何把原始語(yǔ)音從背景噪音中分離出來(lái)，即所謂提高音質(zhì)(speech enhancement)或減噪(noise reduction)的預(yù)處理。這就是用戶(hù)說(shuō)話(huà)的自由度問(wèn)題。你也許接觸到一些語(yǔ)音軟件聲稱(chēng)是可以做到自然語(yǔ)言識(shí)別，而在這方面