欧美日韩在线亚洲国产人_中科信利連續語(yǔ)音識別引擎 - 國內 - CTI論壇-中國領(lǐng)先的ICT行業(yè)網(wǎng)站

　　1中科信利連續語(yǔ)音識別引擎基本原理

　　1.1 概述

　　中科信利連續語(yǔ)音識別引擎，針對連續音頻流（即來(lái)自說(shuō)話(huà)人直接錄入的語(yǔ)音，或者電話(huà)或其他音視頻領(lǐng)域的音頻信號）進(jìn)行識別，將音頻信息自動(dòng)轉化成文字。覆蓋漢語(yǔ)中絕大多數詞語(yǔ)，適用于說(shuō)普通話(huà)的任何人群。輸出的結果都是漢字，兼容數字。

　　在輸入的聲音中，檢測出可靠的語(yǔ)音，排除靜音、背景噪聲、音樂(lè )等，判斷男女，實(shí)時(shí)送入語(yǔ)音識別解碼器進(jìn)行識別。

　　識別引擎把音視頻中提取出的語(yǔ)音分成25毫秒一幀，提取有用特征，然后識別出一些類(lèi)似拼音的結果（聲學(xué)模型），再根據漢語(yǔ)字詞句之間的搭配概率（語(yǔ)言模型），綜合考慮。當然，考慮的越多（beam路徑越大），識別準確率相對提高，同時(shí)消耗的時(shí)間就增長(cháng)了；所以我們有優(yōu)化策略，及時(shí)排除不可能的結果，避免系統過(guò)慢。用戶(hù)可以通過(guò)調節這些參數來(lái)平衡識別質(zhì)量和速度，以滿(mǎn)足實(shí)際的需要。

　　最后返回的識別結果，軟件以漢語(yǔ)中基本詞語(yǔ)為單位給出了多種可能（1到十幾種）以及可能性大小供用戶(hù)參考選擇。

　　需要說(shuō)明的是，對識別正確率以及識別速度來(lái)說(shuō)，輸入語(yǔ)音（普通話(huà)）的質(zhì)量（采音過(guò)程）是很重要的。采音時(shí)應盡可能的排除噪聲和音樂(lè )、增大語(yǔ)音，識別效果就會(huì )好得多，因此建議用戶(hù)在采音的時(shí)候選用質(zhì)量較好的麥克風(fēng)。

　　另外，系統在檢測是否有語(yǔ)音信號時(shí)可能會(huì )帶來(lái)一定的時(shí)間滯后，用戶(hù)在實(shí)時(shí)錄入時(shí)在每句話(huà)結束后，需要略有停頓，這樣可以提高系統語(yǔ)音檢測的速度和精度。語(yǔ)音檢測的越好，識別引擎的識別效果會(huì )越好。

　　1.2 引擎架構和基本原理

　　下圖給出了連續語(yǔ)音識別引擎的基本架構圖：

圖1.語(yǔ)音識別引擎架構圖

　　系統流程

　　如圖1所示，首先對輸入的音頻數據進(jìn)行自動(dòng)分類(lèi)，過(guò)濾掉彩鈴、振鈴、傳真、音樂(lè )以及其他噪音，保留有效用戶(hù)語(yǔ)音數據，然后進(jìn)行自動(dòng)分段和端點(diǎn)檢測，獲取逐句的有效語(yǔ)音數據，然后將其送入特征提取和處理模塊，接著(zhù)對于提取的聲學(xué)特征進(jìn)行解碼，解碼過(guò)程利用發(fā)音字典、聲學(xué)模型、語(yǔ)言模型等信息構建WFST搜索空間，在搜索空間內尋找匹配概率最大的最優(yōu)路徑，得到識別結果。后續可采用重估模塊，增加其他知識源，進(jìn)一步提升語(yǔ)音識別系統性能。

　　核心技術(shù)特點(diǎn)

語(yǔ)音端點(diǎn)檢測

　　采用兩遍的維納濾波技術(shù)消除背景噪聲；采用垃圾語(yǔ)音混合高斯建模的方法去除垃圾語(yǔ)音（笑聲、咳嗽聲等非自然人語(yǔ)音）；采用諧波檢測技術(shù)檢測語(yǔ)音起始點(diǎn)。

特征提取

　　從人的聽(tīng)覺(jué)感知及發(fā)音機理等現有基礎研究成果出發(fā)，分析提取具備抗噪性、鑒別性、互補性的特征參數。

　　采用PLP/CMN/HLDA/VTLN/高斯化等穩健性特征提取和處理技術(shù)，減少信道影響，進(jìn)一步提高特征的區分性。

聲學(xué)建模：

　　采用基于深度神經(jīng)網(wǎng)絡(luò )DNN的聲學(xué)建模技術(shù)，采用業(yè)界領(lǐng)先的鑒別性模型訓練算法，大幅度提升語(yǔ)音識別系統性能。在訓練數據、特征提取等方面都充分考慮了自然環(huán)境噪聲的干擾，并且采用多條件的訓練策略，能夠顯著(zhù)提高對于噪聲的穩健性。采用大量實(shí)網(wǎng)語(yǔ)音的訓練數據庫，適應用戶(hù)自然口語(yǔ)發(fā)音特點(diǎn)和地方口音特點(diǎn)。

語(yǔ)言建模

　　充分利用網(wǎng)上業(yè)務(wù)語(yǔ)料，采用高階文法的統計語(yǔ)言模型技術(shù)。

　　積累了大量的分類(lèi)文本語(yǔ)料（1T左右），使得語(yǔ)言模型能夠很好地覆蓋各個(gè)領(lǐng)域。同時(shí)對語(yǔ)言模型存取速度進(jìn)行了大幅度優(yōu)化以滿(mǎn)足實(shí)用需求。

解碼算法

　　采用基于WFST的Cross-word靜態(tài)搜索空間構建方法，有效地單遍集成各種知識源，將聲學(xué)模型、聲學(xué)上下文、發(fā)音詞典、語(yǔ)言模型等靜態(tài)編譯成狀態(tài)網(wǎng)絡(luò )，通過(guò)充分的前向后向歸并算法優(yōu)化網(wǎng)絡(luò )。在識別率相當的情況下，比WFST開(kāi)源工具包解碼速度快5倍以上。

自學(xué)習

　　采用模型自學(xué)習技術(shù)，基于實(shí)網(wǎng)語(yǔ)音數據進(jìn)行聲學(xué)模型和語(yǔ)言模型的自適應，適應于多種地區的用戶(hù)口音。

　　1.3 引擎應用模式

　　中科信利連續語(yǔ)音識別引擎API提供兩種應用模式：

　　一種是在線(xiàn)實(shí)時(shí)錄音，檢測語(yǔ)音并進(jìn)行識別。這種方法適合用于需要實(shí)時(shí)獲得講話(huà)內容的場(chǎng)合。目前可以在各類(lèi)會(huì )議討論中進(jìn)行開(kāi)發(fā)使用。

　　另一種是離線(xiàn)讀入錄音文件進(jìn)行識別，可以充分的利用聚類(lèi)、實(shí)時(shí)自適應等技術(shù)，把語(yǔ)音的內容充分分析，進(jìn)一步提高識別準確度。這種模式適用于希望取得精確文本內容，而對時(shí)間要求不高的應用。

　　2 中科信利連續語(yǔ)音識別引擎的功能和性能

　　2.1 連續語(yǔ)音識別引擎的特點(diǎn)和性能

　　核心引擎采用中科信利具有自主知識產(chǎn)權的國際領(lǐng)先的大詞匯量連續語(yǔ)音識別技術(shù)。

　　能夠自動(dòng)將連續語(yǔ)音的內容轉成文字，支持在線(xiàn)語(yǔ)音流識別或離線(xiàn)語(yǔ)音數據識別。

　　可以實(shí)時(shí)對語(yǔ)音分段，判別類(lèi)型，可自動(dòng)分辨和過(guò)濾背景音樂(lè )、噪聲等非表義音頻段，對語(yǔ)音分男女進(jìn)行識別。

　　識別結果除了文字外，還可同時(shí)給出時(shí)間索引信息（精確到每個(gè)字），有利于進(jìn)行多媒體信息檢索；多候選信息為人工校對提供方便。

　　能夠達到較高的識別準確率

　　引擎準確率性能：

對于朗讀類(lèi)型語(yǔ)音（如：手機語(yǔ)音搜索或輸入類(lèi)語(yǔ)音、廣播電視新聞等），識別準確率在90%以上，經(jīng)過(guò)模型優(yōu)化訓練以后能達到95%。
對于自然對話(huà)類(lèi)型語(yǔ)音（如：電視訪(fǎng)談?wù)Z(yǔ)音或電話(huà)自然交談?wù)Z(yǔ)音），識別準確率為85%左右，經(jīng)過(guò)模型優(yōu)化訓練以后能夠達到90%。

　　引擎速度性能：