本文章主要介绍了语音识别技术语的发展、基本原理、语音特征，目的是帮助PM了解语音技术方面的知识，有助于语音类相关产品的设计～

一、语音识别的发展

• 20世纪50年代，语音识别的研究工作开始，这时主要探索和研究声音和语音学的基本概念和原理。
• 20世纪60年代，可以解决不等长语音匹配问题。
• 20世纪70年代，随着NLP技术和微电子技术的深入发展，语音识别领域的线性预测分析技术得到广泛应用，HMM等技术基本成熟。
• 20世纪80年代，语音研究其显著特征是HMM和人工神经网络（ANN）。

从发展可以看出：语音识别技术最早依靠匹配，寻找单个音节、单个词和标准语音模板的最大相似度进行匹配。后来伴随着统计学被引入到语音识别中，将该技术逐步从模板匹配技术转向基于统计模型技术。

二、语音识别的基本原理

对于不同的语音识别过程，人们采用的识别方法和技术不同，但所用的原理大致相同，即将经过降噪处理后的语音送入特征提取模块，然后对语音信号特征处理后输出识别结果。

在这个过程中，特征提取是构建语音系统的关键，对识别结果起到了重要作用，原理见下图：

• 预处理：过滤掉原始语音中的次要信息或噪音等，将语音信号转化为数字信号。
• 特征提取：提取语音特征参数，形成特征矢量序列。

三、语音信号特征

实现语音识别，就需要语音参数来刻画语音信息。语音原本具有短时特性，所以描述语音的单位用帧（一般为10-40ms），在音频帧上提取的短时音频特征，叫音频帧特征。相对音频帧较长的时间间隔成为音频段，在音频段上提取的特征叫音频段特征。

下面列举一些常用的音频特征和音频段特征：

3.1 音频帧特征

常用的音频帧特征分为三类：时域特征、频域特征和声学感知特征。

时域特征利用了音频信号在时域上面的信息，可以理解成横轴为时间，纵轴为音频信号。通过过零率、短时能量、音量、自相关系数等来描述音频信号在时间上的信息。

• 过零率是指：音频信号由正到负、由负到正过程中，通过零的次数。应用于语音信号分析中，浊音具有较低的过零率，清音具有较高的过零率（发音时声带振动的是浊音，声带不振动的是清音）。
• 短时能量则是：通过能量的计算方法用于监测浊音和清音的转换时刻。应用与语音信号分析中，短时能量大的地方过零率低，短时能量小的地方过零率高。

频域特征是把时域波形信号转换到频谱，然后进行计算。

声学感知特征是声学上定义的概念，考虑了人的听觉感知特点，但通常计算比较复杂。

3.2 音频段特征

音频段特征是在音频帧特征基础上提取出来的，获取音频段特征的基本方法是：将音频段对应的音频帧特征经过均值、方差、标准差等统计学公式计算得出来的。

四、预处理模块

原始语音信号传入预处理模块的目的：是为了压缩原始语音数据，提取出有代表性的特征来做后续的识别，主要分为三部分：预加重、分帧加窗、端点检测。

4.1 预加重

在语音识别过程中，经常会遇到原始语音数据因为噪音、背景音或次要信息的影响导致识别效果变差。预加重的目的就是为了提高语音质量，从含有噪声语音的信号中，尽可能提取纯净的原始语音信号。

它的方法有很多，下面列举三个：

（1）谱减法

首先假设噪音和期望语音信号相互独立，然后通过估计噪音的功率，在原始语音中减去噪音功率达到去除噪音的目的。

这个方法较适用于噪音平稳波动性小的情况。

（2）自适应滤波法

通过获得前一时刻的滤波器参数，去自动调节现在时刻的滤波器参数。我的理解是：假设语音信号具有较强的相关性，那么取t+1时刻的滤波器参数作用于t时刻的语音信号，形成纯净的语音信号。

（3）小波去噪法

基于信号和噪声的小波系数在各尺度的分布特性，采用阈值的方法，达到去除噪声的目的。

4.2 分帧加窗

语音信号可假定为短时平稳的，即在较短时间内（如5-50ms），语音信号基本保持不变，然后把语音信号分隔为一些音频段再加以处理。

这些短段一般是周期的，对每个短段语音进行处理，就等效于对固定特性的这样原始语音进行处理。对每一帧处理的结果，就可以看作是一个新的依赖于时间的序列，且这个序列可用于描述语音信号特征。

例如：原始语音采样序列为x(m)，那么分段后的序列可以理解为x(m)乘以窗函数w(n-m)得到的。

窗函数越宽，对信号的平滑作用越明显，反之，对信号几乎没有任何平滑作用。

4.3 端点检测

对语音信号中的有声片段和无声片段进行分割，然后再针对有声片段的语音特征进行识别，主要是利用语音特征参数进行判断。一般情况下，端点监测是语音识别的第一步。

研究表明：即使是在安静的环境中，语音识别系统一半以上的识别错误来自端点检测。

本文由 @猪不会飞 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议