语音识别技术包含什么技术

语音识别技术，也被称为自动语音识别(Automatic Speech Recognition，ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。2019年8月17日，北京互联网法院发布《互联网技术司法应用白皮书》，该《白皮书》阐述了十大典型技术应用，其中包括语音识别技术。

完整的语音芯片识别系统涵盖了很多技术，成熟的语音识别技术，几乎改变了互联网和人机交互的方式，语音识别技术的发展速度也是迅速的，几乎每年都会有新的惊喜出现，那么完整的语音识别系统到底包含哪些技术呢?

完整的语音识别系统包含哪些技术

一、信号处理技术

对语音信号进行分析处理，通过静音处理、噪音处理、语音增强等方法，消除外部环境对语音的影响，去除多余信息。

二、声学特征提取技术

接收信号处理后等到的有效信号，对波形进行声学特征提取，提取关键信息和表达语言含义的特征信息。

三、声学模型处理技术

声学模型是语音识别技术中最关键的部分，它可以提取语音特征矢量序列，计算发音模板的距离，生成声学模型分数。

四、语音模型技术

语音模型对语音识别技术也非常的重要，通常采用的是统计语法的语音模型、语义和语法结构命令语言模型为主，对语法和语义进行分析，减少搜索空间，提高系统识别率。语音识别技术是将声音转化成文字的一种技术，类似于人类的耳朵，拥有听懂他人说话的内容并将其转换成可以辨识的内容的能力。

不妨设想一个场景，当你加完班回到家中，疲惫地躺在沙发上，随口一句“打开电视”，沙发前的电视按命令开启，然后一个温柔的声音问候你，“今天想看什么类型的电影?”或者主动向你推荐目前流行的一些影片。

这些都是语音识别所能够处理的场景，虽然看似科幻，但是实际上这些场景已经不再是以往人们的设想，正在悄悄地走进你我的生活。

2018 年，谷歌在开发者大会上演示了一个预约理发店的聊天机器人，语气惟妙惟肖，表现相当令人惊艳。相信很多读者都接到过人工智能的推销电话，不去仔细分辨的话，根本不知道电话那头只是一个能够做出语音处理的聊天机器人程序。

“语音转换”“人机对话”“机器人客服”是语音识别应用广泛的三部分，也是商业价值较高的一些方向。此外，还有看图说话等一些带有娱乐性质的应用。这些统统是语音识别技术的应用。

语音识别通常称为自动语音识别(Automatic Speech Recognition，ASR)，主要是将人类语音中的词汇内容转换为计算机可读的输入，一般都是可以理解的文本内容，也有可能是二进制编码或者字符序列。

语音识别是一项融合多学科知识的前沿技术，覆盖了数学与统计学、声学与语言学、计算机与人工智能等基础学科和前沿学科，是人机自然交互技术中的关键环节。但是，语音识别自诞生以来的半个多世纪，一直没有在实际应用过程得到普遍认可。一方面，语音识别技术存在缺陷，其识别精度和速度都达不到实际应用的要求;另一方面，业界对语音识别的期望过高，实际上语音识别与键盘、鼠标或触摸屏等应该是融合关系，而非替代关系。

深度学习技术自 2015 年兴起之后，已经取得了长足进步。语音识别的精度和速度取决于实际应用环境，但在安静环境、标准口音、常见词汇场景下的语音识别率已经超过95%，意味着具备了与人类相仿的语言识别能力，而这也是语音识别技术当前发展比较火热的原因。

随着技术的发展，现在口音、方言、噪声等场景下的语音识别也达到了可用状态，特别是远场语音识别已经随着智能音箱的兴起，成为全球消费电子领域应用最成功的技术之一。由于语音交互提供了更自然、更便利、更高效的沟通形式，因此语音必定成为未来主要的人机互动接口之一。

当然，当前技术还存在很多不足，如对于强噪声、超远场、强干扰、多语种、大词汇等场景下的语音识别还需要很大的提升;另外，多人语音识别和离线语音识别也是当前需要重点解决的问题。虽然语音识别还无法做到无限制领域、无限制人群的应用，但是至少从应用实践中我们看到了一些希望。当然，实际上自然语言处理并不限于上文所说的这些，随着人们对深度学习的了解，更多应用正在不停地开发出来，相信读者会亲眼见证这一切的发生。

1993~2009年，语音识别一直处于高斯混合-隐马尔科夫(GMM-HMM)时代，语音识别率提升缓慢，尤其是 2000~2009 年，语音识别率基本处于停滞状态;

2009年，随着深度学习技术，特别是循环神经网络(DNN)的兴起，语音识别框架变为循环神经网络-隐马尔科夫(DNN-HMM)，并且使得语音识别进入了神经网络深度学习时代，语音识别精准率得到了显著提升;

2015年以后，由于“端到端”技术兴起，语音识别进入了百花齐放时代，语音界都在训练更深、更复杂的网络，同时利用端到端技术进一步大幅提升了语音识别的性能，直到 2017 年，微软在 Switchboard 上达到词错误率 5.1%，从而让语音识别的准确性首次超越了人类，当然这是在一定限定条件下的实验结果，还不具有普遍代表性。

1) 高斯混合-隐马尔科夫时代

20 世纪 70 年代，语音识别主要集中在小词汇量、孤立词识别方面，使用的方法也主要是简单的模板匹配方法，即首先提取语音信号的特征构建参数模板，然后将测试语音与参考模板参数一一进行比较和匹配，取距离最近的样本所对应的词标注为该语音信号的发音。

该方法对解决孤立词识别是有效的，但对于大词汇量、非特定人的连续语音识别就无能为力。因此，进入 80 年代后，研究思路发生了重大变化，从传统的基于模板匹配的技术思路开始转向基于统计模型(HMM)的技术思路。

HMM 的理论基础在 1970 年前后就已经由 Baum 等人建立起来，随后由 CMU 的 Baker 和 IBM 的 Jelinek 等人将其应用到语音识别中。语音识别技术主要包括语音信号处理、声学模型、语言模型和解码器四大部分。其中，语音信号处理用于对原始语音数据进行预处理;声学模型利用高斯混合模型、深度神经网络等方法建立音素到声学特征的映射关系;语言模型则用于根据语法规则预测出可能的单词序列;解码器则根据声学模型和语言模型的结果，对单词序列进行后处理得到最终文本。