语音识别

　　语音技术涉及到语音编码、语音合成、语音识别、语音技术应用等多个技术领域。本文讨论的不是语音编码的标准问题，而是对语音合成与识别领域的技术标准做一个研究与探讨。 　　语音技术涉及到语音编码、语音合成、语音识别、语音技术应用等多个技术领域。目前，关于语音编码，国际标准化组织ISO和国际电信联盟ITU上已经制订了一系列的技术标准，分别应用在有线通信、移动通信、数字音响等领域。但是，关于语音合成与识别技术的标准还没有一个统一的规范，ISO和ITU在这些领域也没有颁布技术标准和规范。虽然有些标准化组织、研究机构和大公司提出了各自的技术规范草案，但是没有得到广泛的承认和支持。国际上，许多跨国公司，如IBM、Microsoft、AT&T、Naunce、Sun System等对语音技术的研究已经持续了多年，对制定语音技术领域的标准非常关心并积极参与，希望能把各自公司的研究成果纳入到技术规范和标准中去，以期在激烈的竞争中处于技术的制高点。现在，与互联网有关的语音技术应用领域，相关的国际语音标准发展迅速，形成了VoiceXML和SALT两大语音标准阵营，并各自都获得了广泛的支持。但是，对语音合成与识别的核心技术，如系统框架、接口规范等还没有统一的标准。本文不讨论语音编码的标准问题，而是对语音合成与识别领域的技术标准做一个初步的探讨。 　　 　　语音技术标准的三个层面 　　 　　虽然目前国际上还没有统一的、得到广泛承认和支持的语音合成与识别领域的技术标准，但是，这方面的研究工作发展迅速，近几年推出了许多研究成果，特别是W3C组织积极推动并发布了多个语音技术应用方面的规范或标准。例如， W3C发布了Voice Browser(语音浏览器)标准的草案。在这个标准中，Voice Browser标准(草案)定义了几种支持语音输入和输出的链接语言。这些链接语言使语音设备可以跨越各种硬件和软件平台,特别是设计了关于对话、语音识别语法、语音合成、自然语言语义和搜集可重复使用的对话组件的链接语言。这些链接语言和组件就构成了未来语音界面框架。现在，这个标准组中的参加成员有AT&T、Cisco、Hitachi、HP、IBM、Intel、 Lucent、Microsoft、Motorola、Nokia、Nortel、Sun和Unisys等公司。由于语音识别与合成技术还处在迅速发展阶段，制订出一套合适的技术标准很不容易。关于语音技术(除了语音编码)有关标准的制定工作主要集中在三个层面。 　　语音技术应用: 在这个层面上，主要规定在应用开发中如何使用语音合成与识别技术，即应用程序与语音合成/识别引擎之间的通信协议/语言，许多跨国公司积极参加了这个层面的规范与标准的起草、制订工作，例如，如IBM、AT&T、Naunce、Microsoft、Sun System等，推动并且形成了VoiceXML和SALT两大语音标准阵营。从开发者的角度看，这些标准都是面向应用系统开发用的。万维网联盟W3C主持了VoiceXML的起草和制定工作，并从2000年开始陆续发布了VoiceXML的多个版本，其中包括了语音识别语法规范和语音合成标记语言等。这些标准不仅使应用程序可以移植，而且还能够使语法相关联。VoiceXML 2.0是一种标记语言，用于建立话音界面，相当于带语音功能的HTML。现在已经有数百个大的厂商开发了基于VoiceXML的应用程序。SALT表示语音应用标记语言，它是在现有的标记语言，如在HTML、XHTML的基础上，增加了对语音和多媒体功能的支持而形成的。对语音应用，它主要关注的是如何通过电话得到语音服务。2002年，SALT联盟论坛发布了SALT技术规范的草案，并且把它提交给了W3C，希望能成为技术标准。参加和支持SALT技术规范的大公司包括: Cisco Systems Inc., Comverse Inc., Intel Corp., Microsoft Corp., Philips Speech Processing 以及 SpeechWorks International Inc.等。 　　语音识别/合成系统性能评测标准: 美国国家技术与标准研究所(NIST)主持了这个方面的工作。从20世纪90年代中期开始，NIST就开始组织语音识别/合成系统的性能评测工作。由于语音识别/合成系统的实现技术各种各样，对它们的评测实际上是相当困难的。20世纪90年代初期的时候，语音识别/合成系统大量推出，但往往出现下面的情况: 某个系统在推出时，声称该系统有很高的性能，但实际应用的时候其性能与宣传的差别很大。因此，NIST认为应制定出一套评价语音识别/合成系统的技术标准，让所有的语音识别/合成系统在这套评测标准下进行评估，以得到客观的性能评价指标。在该领域，NIST陆续制定了评价语音识别/合成系统的词错误率WER的计算规范，语言模型的复杂度的计算规范，训练和测试语料的选取，系统响应时间标准，合成语音自然度的评价规范，测试程序的规范等。近年来，NIST又制定了针对其它语种(如，汉语，日语等)的评价标准。NIST的评价标准迅速得到了语音识别/合成领域开发者的支持，越来越多的大公司积极参加NIST组织的评测活动，同时也推动了语音识别/合成技术的发展。国内的“863”智能人机接口专家组也开展了类似的工作，陆续制定了针对汉语语音识别与合成系统性能的评价规范。 　　语音识别/合成引擎及其开发接口: 在这个层面上还没有一个技术标准或规范被广泛承认和采纳。ISO、ITU、NIST、W3C等标准化组织都没有在该方面推出技术标准或规范。实际上，这方面的工作涉及到许多语音识别/合成系统的具体实现问题，而系统的实现方法千变万化，难以用一个统一的规范和标准来规范。虽然没有语音识别/合成引擎及其开发接口的统一的标准和规范，但一些开发厂商和研究机构还是制定了各自的规范，在各自的语音系统中得到了实现，并随着语音识别/合成系统的推出而发布。 　　IBM在其推出的语音识别与合成引擎ViaVoice中规定了开发接口，提供了几百个开发接口函数。Microsoft推出了基于它的语音识别与合成引擎开发语音应用的接口Speech SDK, 在其中也提供了类似的开发接口函数。但是，IBM和Microsoft的语音识别与合成引擎的实现细节没有公开，也没有提供这方面的技术规范。另外，美国的CMU大学、英国剑桥大学电子工程系的HTK开发组都发布了开放式的语音识别与合成引擎的源码以及相应的开发工具，它们的语音识别与合成引擎的实现方法纷纷被众多的开发者所借鉴，从而形成了业界很有影响的开发规范，但是，这些规范也不是标准。目前，有许多语音识别与合成引擎，但是没有提供实现的技术规范，因此，这些系统的实现和提供的接口只是遵守各自特殊的规定，没有规范化并得到广泛的应用。 　　 　　中文语音技术标准现状 　　 　　制订中文语音技术的有关标准，对促进中文语音技术应用、推动中文语音产业发展、增强民族软件核心竞争力均具有非常重要的意义。国家信息产业部、“863”专家组、国家技术监督局和国家信息标准化委员会分别于2001年、2002年、2003年召开了三届语音标准研讨会，并于2003年11月由信息产业部科技司正式下文成立了“中文语音交互技术标准工作组”。 　　“中文语音交互技术标准工作组”是由国内产、学、研、用等企事业单位以及大专院校等自愿联合组织、经信息产业部科技司批准成立的、组织开展中文语音交互领域技术标准制定和研究活动的非营利性技术工作组织。该工作组的主要工作任务是研究并制定与中文语音交互技术有关的数据交换格式、系统架构与接口、系统分类与评测及数据库格式与标注等方面的标准。目前，语音合成和语音识别通用标准已正式立项为国家标准，报批稿已经完成，多个产业相关的应用技术标准也正在制定之中。 　　国家“863”智能人机接口专家组在20世纪90年代中后期邀请国内的一些研究机构和大学制订了针对汉语语音识别与合成系统的评价规范，该评价规范应用到了历届对“863”支持的汉语语音识别与合成系统的评价过程中。如果从语音识别与合成技术标准的三个层面考察，国内在该领域的研究工作主要集中在系统性能的评价规范的制订上，至今还没有正式实施的国家标准。但是，随着国内的语音应用开发地迅速发展，没有一个统一的技术规范或标准会造成许多开发重复，资源浪费。 　　例如，如果语音识别与合成引擎支持媒体资源控制协议(MRCP)， 语音应用开发者采用MRCP，IVR和语音识别与合成引擎开发厂商之间的专有用的连接器就不需要了。再如，随着语音技术和应用市场需求增大的同时，面临着复杂系统互联的问题。在系统的互联接口、内容交换数据格式等方面没有一个大家共同遵循的标准，其开发难度、维护难度和运营难度是非常巨大的; 没有一个大家共同遵循的标准，语音合成/识别引擎与电话设备、后台数据库、地理信息、无线定位等其他组成部分完成通信也是非常困难的，这些都成了阻碍语音应用大规模发展的绊脚石。因此，制订和研究汉语语音技术领域的标准已迫在眉睫。 　　 　　技术标准的主要内容 　　 　　为了适应网上语音浏览、语音信息检索、交互式语音应用的发展需求，语音识别与合成技术的标准制订工作的重点目前应该集中语音技术应用层面和语音识别/合成引擎及其开发接口上。这样的一个标准或规范必须是有代表性的，通用的，被广泛接受和采用的; 显然，制定一个这样的标准不能闭门造车，要有标准的使用机构或潜在的使用机构参与，还必须与国际上已有的类似的标准接轨，与国际上的标准化机构，如ISO、W3C、ITU等密切合作。值得注意的是，语音识别/合成的实现算法千差万别，该领域的标准或规范只能提供一个实现框架，没有必要对具体的实现算法和技术细节进行约束。另外，语音技术标准还应该与具体应用无关，与语音识别/合成引擎无关等。 　　如上所述，语音技术标准(除了语音编码)的制订工作主要集中在三个不同的层面上。这三个层面标准的内容分别是: 　　语音技术应用: 一般基于语音的应用都有如下图所示的架构(已简化)。 　　在这个层面上，语音技术标准的主要内容是: 规定语音输入、语音输出、识别结果、返回结果的格式和属性。语音输入和语音输出属于用户与语音信号处理引擎之间的交互过程，所以，这部分也包括语音用户界面的内容; 识别结果是语音信号处理引擎输出的结果，也是识别结果执行引擎的输入，识别的结果一般是文本或命令，如何将识别结果格式化是该层面的主要任务; 返回结果是识别结果执行引擎的输出，也是语音信号处理引擎的输入，经语音信号处理引擎处理后，以语音的方式返回给用户。为此，需要规定语音输出的参数格式，如韵律特征、重音特征和停顿等。制订这方面的标准内容还应该考虑汉语语言和语音结构的特殊性。现在已经发布的技术标准或规范主要是VoiceXML和SALT，它们都属于描述和规定语音技术应用的层面，都是基于标记语言的格式。 　　语音识别/合成系统性能评测标准: 在这个层面上，语音技术标准的主要内容是: 评价语音识别引擎的性能指标，主要包括: 词汇量大小、识别方式、词错误率WER、语言模型复杂度、响应时间、训练和测试语料等; 评价语音合成引擎的性能指标，主要包括: 词汇量、自然度、清晰度、测试语料等。虽然我们可以借鉴NIST在这方面的经验和标准，但是针对汉语语音识别/合成系统性能评测标准，我们不能照搬，必须考虑汉语的特点。 　　语音识别/合成引擎及其开发接口: 在这个层面上，语音技术标准的主要内容是: 规定语音识别引擎的输入/输出的格式，如输入语音的方式(已有的语音数据的输入/Mic语音输入)、语音数据的格式、语音特征向量的格式、控制参数的语义格式、输出是文本串的格式、拼音串的格式、音素串的格式等，提供给用户开发接口的函数名、入口/出口参数、功能描述等; 但是，语音识别引擎的实现细节不应该包含在此部分的标准内，如引擎应该包含哪些模块，使用什么样的语音特征向量，如何计算语音特征向量，如何建立模板，如何匹配计算等，都不应该加以约束，而允许开发者采用适当的算法实现。关于规定语音合成引擎，需要规定的是: 输入的格式，如纯文本/拼音、带有控制串的文本/拼音、控制串的语义格式描述、输出的格式、提供给用户开发接口的函数名、入口/出口参数、功能描述等; 但是，语音合成引擎的实现细节不应该包含在此部分的标准内，如引擎应该包含哪些模块，如何进行输入文本的分析，如何分词，采用什么样的合成基元和算法等，都不应该加以约束。关于这部分标准的内容，IBM和Microsoft语音识别/合成引擎开发文档提供了详细的开发接口函数的信息，而且功能基本相同，可以为制订语音识别/合成引擎开发接口提供参考。语音识别引擎开发工具包HTK详细描述了如何开发一个新的语音识别引擎，对制订该部分标准的内容也具有参考意义。 　　 　　链接:推动技术标准制订 　　 　　语音技术在网络浏览器和其他领域的的需求越来越迫切，制订语音技术标准或规范的条件工作已经基本就绪，但针对各个具体语种的工作还很多。万维网联盟W3C在制定语音技术标准或规范方面做了大量工作，从2000年开始，先后发布了一系列用于语音识别、语音合成的标记语言规范; 为了制订一种通用标准，并被广泛采用，W3C邀请了国际上的大公司，如Sun、 IBM、Intel、微软等参加工作组。除了语音识别/合成标记语言，工作组还在开发语义翻译和呼叫控制扩展标记语言两种语音标准。这些标准都是W3C语音接口框架的重要部分，目的是为网络建立语音应用软件。 　　据报道，W3C计划提出针对普通话的语音技术标准，并计划加入日语、韩语等亚洲语种。到目前为止，W3C推出的语音技术标准中最成功的是VoiceXML 2.0，支持VoiceXML 2.0的Web浏览器可以解释VoiceXML 2.0脚本并向用户呈现语音信息，同时还能接受用户的语音请求，其功能相当于语音浏览器，大大促进了语音技术在网络中的应用。

这个是完整的代码，我自己的账号发不了这么长，希望好心人帮忙注释啊，非常感谢！！！(1)端点检测部分(vad)：function [x1,x2] = vad(x)%语音信号x幅度归一化到[-1,1]x = double(x);x = x / max(abs(x));%常数设置FrameLen = 240; %帧长度为240FrameInc = 80; %帧移为80amp1 = 10; %短时能量高门限10amp2 = 2; %短时能量低门限为2zcr1 = 10; %短时过零率高门限为10zcr2 = 5; %短时过零率低门限为5maxsilence =3;%静音时间门限3*10ms= 30msminlen= 15;%最小语音时间长度15*10ms = 150msstatus= 0; %count= 0; %语音时间累计silence = 0; %静音时间累计%计算过零率tmp1= enframe(x(1:end-1), FrameLen, FrameInc);tmp2= enframe(x(2:end), FrameLen, FrameInc);signs =(tmp1.*tmp2)<0;%符号数组，用于存储相邻两个采样点符号是否相同，即是否穿越0电平diffs = (tmp1-tmp2)>0.02;%度量相邻两个采样点之间距离，如果大于门限0.02(经验值)，则1，否则0zcr = sum(signs.*diffs,2);%过零率%计算短时能量amp =sum(abs(enframe(filter([1 -0.9375], 1, x), FrameLen, FrameInc)), 2);%调整能量门限amp1 = min(amp1,max(amp)/4);amp2 = min(amp2,max(amp)/8);%开始端点检测x1 = 0;x2 = 0;for n=1:length(zcr)goto = 0;switch statuscase {0,1}% 0 =静音, 1 =可能开始if amp(n) > amp1%确信进入语音段x1 = max(n-count-1,1);status= 2;silence = 0;count= count + 1;elseif amp(n) > amp2 || ... %可能处于语音段zcr(n) > zcr2status = 1;count= count + 1;else%静音状态status= 0;count= 0;endcase 2,% 2 =语音段if amp(n) > amp2 || ...%保持在语音段zcr(n) > zcr2count = count + 1;else%语音将结束silence = silence+1;if silence < maxsilence %静音还不够长，尚未结束count= count + 1;elseif count < minlen%语音长度太短，认为是噪声status= 0;silence = 0;count= 0;else%语音结束status= 3;endendcase 3,break;endendcount = count-silence/2;x2 = x1 + count -1;subplot(311)plot(x)axis([1 length(x) -1 1])xlabel("语音信号");line([x1*FrameIncx1*FrameInc ],[-1,1],"Color","red");line([x2*FrameIncx2*FrameInc ],[-1,1],"Color","red");subplot(312)plot(amp);axis([1 length(amp) 0max(amp)])xlabel("短时能量");line([x1,x1],[min(amp),max(amp)],"Color","red");line([x2,x2],[min(amp),max(amp)],"Color","red");subplot(313)plot(zcr);axis([1 length(zcr) 0max(zcr)])xlabel("过零率");line([x1,x1],[min(zcr),max(zcr)],"Color","red");line([x2,x2],[min(zcr),max(zcr)],"Color","red");(2)MFCC部分：function ccc = mfcc(x)%归一化mel滤波器组系数bank=melbankm(24,256,8000,0,0.5,"m");%24滤波器个数，8000采样频率bank=full(bank);bank=bank/max(bank(:));% DCT系数,12*24for k=1:12n=0:23;dctcoef(k,:)=cos((2*n+1)*k*pi/(2*24));end%归一化倒谱提升窗口w = 1 + 6 * sin(pi *(1:12) ./ 12);w = w/max(w);%预加重滤波器xx=double(x);xx=filter([1-0.9375],1,xx);%语音信号分帧，xx是输入语音信号；256是帧长；80是帧移xx=enframe(xx,256,80);%计算每帧的MFCC参数for i=1:size(xx,1)y = xx(i,:);s = y" .* hamming(256);%加汉明窗t = abs(fft(s));%fft变换t = t.^2;c1=dctcoef * log(bank * t(1:129));c2 = c1.*w";m(i,:)=c2";end%差分系数dtm = zeros(size(m));for i=3:size(m,1)-2dtm(i,:) = -2*m(i-2,:) - m(i-1,:) + m(i+1,:)+ 2*m(i+2,:);enddtm = dtm / 3;%合并mfcc参数和一阶差分mfcc参数ccc = [m dtm];%去除首尾两帧，因为这两帧的一阶差分参数为0ccc =ccc(3:size(m,1)-2,:);(3)dtw计算部分：function dist = dtw2(test, ref)global x y_min y_maxglobal t rglobal D dglobal m nt = test;r = ref;n = size(t,1);m = size(r,1);d = zeros(m,1);D =ones(m,1) *realmax;D(1) = 0;%如果两个模板长度相差过多，匹配失败if (2*m-n<3) || (2*n-m<2)dist =realmax;returnend%计算匹配区域xa = round((2*m-n)/3);xb = round((2*n-m)*2/3);if xb>xa%xb>xa,按下面三个区域匹配%1:xa%xa+1:xb%xb+1:Nfor x =1:xay_max= 2*x;y_min= round(0.5*x);warpendfor x =(xa+1):xby_max= round(0.5*(x-n)+m);y_min= round(0.5*x);warpendfor x =(xb+1):ny_max= round(0.5*(x-n)+m);y_min= round(2*(x-n)+m);warpendelseif xa>xb%xa>xb,按下面三个区域匹配%0:xb%xb+1:xa%xa+1:Nfor x =1:xby_max= 2*x;y_min= round(0.5*x);warpendfor x =(xb+1):xay_max= 2*x;y_min= round(2*(x-n)+m);warpendfor x =(xa+1):ny_max= round(0.5*(x-n)+m);y_min= round(2*(x-n)+m);warpendelseif xa==xb%xa=xb,按下面两个区域匹配%0:xa%xa+1:Nfor x =1:xay_max= 2*x;y_min= round(0.5*x);warpendfor x =(xa+1):ny_max= round(0.5*(x-n)+m);y_min= round(2*(x-n)+m);warpendend%返回匹配分数dist = D(m);function warpglobal x y_min y_maxglobal t rglobal D dglobal m nd = D;for y = y_min:y_maxD1 = D(y);if y>1D2= D(y-1);elseD2 =realmax;endif y>2D3= D(y-2);elseD3 = realmax;endd(y) =sum((t(x,:)-r(y,:)).^2) + min([D1,D2,D3]);endD = d;(4)测试函数testdtw部分；disp("正在计算参考模板的参数...")for i=1:10fname = sprintf("G:\石东东\语音\%da.wav",i-1);x = wavread(fname);[x1 x2] = vad(x);m = mfcc(x);m = m(x1-2:x2-2,:);ref(i).mfcc = m;enddisp("正在计算测试模板的参数...")for i=1:10fname = sprintf("G:\石东东\语音\%db.wav",i-1);x = wavread(fname);[x1 x2] = vad(x);m = mfcc(x);m = m(x1-2:x2-2,:);test(i).mfcc = m;enddisp("正在进行模板匹配...")dist = zeros(10,10);for i=1:10for j=1:10dist(i,j) = dtw2(test(i).mfcc, ref(j).mfcc);endenddisp("正在计算匹配结果...")for i=1:10[d,j] = min(dist(i,:));fprintf("测试模板%d的识别结果为：%d ", i-1, j-1);end

Deep learning实际上同时推动了很多领域的发展。一个我所知道的例子是自然语言处理NLP中词向量（Word Embedding）方法对传统语言模型的提升[1]；而且我相信，deep learning还会进一步推动更多AI领域的发展。当然，深度学习DeepLearning最为人所关注也表现最明显的，就是使语音、图像识别获得了长足的进步。其实有的同学已经回答得很漂亮了，只是我忍不住再谈谈自己的理解，抛砖引玉，大家共同讨论。本着读书人简单问题复杂化……啊呸，是论证完整化的标准，我觉得可以从以下三点递进地解决题主的疑问：1. 为什么深度学习突然间火起来了？2. 为什么深度学习会应用到语音识别和图像识别中？3. 为什么深度学习能成功地应用到语音、图像识别中，取得突破？为了让更多对深度学习感兴趣的朋友看懂，下面我尽可能地用简单的语言来阐述下我的看法（叙述中假设你已经大致知道什么是深度学习和神经网络，了解神经网络的基本原理，顺便认为你已经浏览了其他答案）：==============================我是分割线============================1.为什么深度学习突然间火起来了？谈到这个问题，如果在五六年之前，很多人肯定会说是因为Hinton在Science上的那篇论文“Reducing the dimensionality ofdata with neural networks”。虽然神经网络“号称”自己可以拟合任何函数，并且可以模拟人脑的运作形式，但是这一切都是建立在神经网络足够深足够大的基础上。没有了规模，浅层的神经网络啥都达不到。而人们发现，优化多层神经网络是一个高度非凸的问题，当网络层数太多了之后，训练就难以收敛，或者只能收敛到一个次优的局部最优解，性能反而还不如一两层的浅模型。这个严重的问题直接导致了神经网络方法的上一次衰败。在2006年Hinton的那篇文章中，他提出了利用RBM预训练的方法，即用特定结构将网络先初始化到一个差不多“好”的程度，再回到传统的训练方法（反向传播BP）。这样得到的深度网络似乎就能达到一个不错的结果，从一定程度上解决了之前网络“深不了”的问题。在这个框架下，深度学习重新得到了人们重视，一批新方法被发明出来（Denoise Autoencoder，Dropout，ReLU……），都让神经网络有了前所未有的“更深”的可能。但是我们现在再回过头来看这个问题，我们应该加入两个甚至更加关键的元素：大数据和高性能计算在如今的互联网时代，近十年来数据量的积累是爆炸式的。几年后人们发现，只要有足够多的数据，即便不做预训练，也能使深层网络得到非常好的结果。而针对卷积神经网络CNN或者LSTM来说，预训练本身也不像全连接那么好做了。一个技术不能很大地提升性能，还需要researcher辛辛苦苦想算法，需要程序员辛辛苦苦写代码，你说谁干呢……现在的语音识别或图像识别系统，如果拥有大量的训练样本，基本都是没有预训练步骤的。而高性能计算是与大数据相辅相成的，想象你有好多好多数据（百万幅图片，上万小时语音），但是计算速度跟不上，训练一个网络需要好几年（做机器学习的人应该知道这个完全没有夸张吧），那这个研究也完全不必要做了吧？这也是为什么有人认为神经网络火起来完全是因为GPU使得计算方法更快更好了。从这个意义上，GPU并行计算的发展确实极大推动了深度学习的普及。有大数据和高性能计算打下最坚实的基础，人的聪明才智是无穷无尽的。那些笃信深度学习的学者们使用了各种各样的算法激发深度学习的潜能，比如微软的残差学习[2]。否则，再多的数据也不能把传统的神经网络训练到152层啊。

蜜蜂的英语是Bees hum

语音识别技术的英文缩写为ASR，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。语音识别技术常用的方法有如下四种：1、基于语言学和 声学的方法。2、随机模型法。3、利用人工神经网络的方法。4、概率语法分析。其中最主流的方法是随机模型法。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。

语音识别英文的准确率不高是发音不准。发音不准会导致系统无法去辨别，从而影响准确率的发生，因此，语音识别英文的准确率不高是发音不准。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。

打开GoodNotes，点击页面右上角的【设置】。2在列表中找到【设置】，点击打开。3在列表中找到【手写识别】，点击打开。4在列表中找到【默认语言】，点击打开。5在打开的页面中，点击【English】即可。

语音识别技术的英文缩写为ASR语音识别技术的英文缩写为ASR，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。随着数据处理技术的进步以及移动互联网的快速普及，计算机技术被广泛地运用到了社会的各个领域，随之而来的则是海量数据的产生。其中，语音数据受到了人们越来越多的重视。语音识别是一门交叉学科。近二十年来。语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内。语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科拄发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论。发声机理和听觉机理、人工智能等等。语音识别技术属于人工智能方向的一个重要分支，涉及许多学科，如信号处理、计算机科学、语言学、声学、生理学、心理学等，是人机自然交互技术中的关键环节。语音识别较语音合成而言，技术上要复杂，但应用却更加广泛。语音识别ASR的最大优势在于使得人机用户界面更加自然和容易使用。

英语语音识别如下：所谓的英语语音识别，是语音识别的一个种类，识别的对象主要是英语。这里所谓的语音识别，英文是Automatic Speech Recognition，缩写为 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。语音识别的特点：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，一方面这与语音识别的技术缺陷有关，其识别精度和速度都达不到实际应用的要求；另一方面，与业界对语音识别的期望过高有关，实际上语音识别与键盘、鼠标或触摸屏等应是融合关系，而非替代关系。

你可以试试灵犀语音助手，可以对声音进行实时翻译，应该蛮适合你的。

设置→通用→多语言环境→语音控制 选择你要的语言

英语语音识别是语音识别的一个种类，识别的对象主要是英语。这里所谓的语音识别，英文是Automatic Speech Recognition，缩写为 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。语音识别主要有以下问题：1、对自然语言的识别和理解。首先必须将连续的讲话分解为词、音素等单位，其次要建立一个理解语义的规则。2、语音信息量大。语音模式不仅对不同的说话人不同，对同一说话人也是不同的，例如，一个说话人在随意说话和认真说话时的语音信息是不同的。一个人的说话方式随着时间变化。3、语音的模糊性。说话者在讲话时，不同的词可能听起来是相似的。

对着电脑说“听写”二字即可。

打开windows设置，找到时间和语言选项，单机进入。点击语言-添加首选语言，即可添加您想要的语言。等待下载完成后，即可在语音设置中看到下载的语言。

工具：win10系统 步骤： 点击开始菜单，点击“设置”按钮，进入到win10的设置页面中。 进入到系统设置页面后，选择“语言和时间”按钮，点击进入。 进入新的界面后，选择“语音”设置按钮。 进入语音设置界面后，选择麦克风一栏下的”开始“键。 点击“开始”后，按照新弹出的对话框引导进行设置。 win10让读这个，不过借着读，也能检测麦克风和识别设备是否工作正常。设置完后，小娜就能听吩咐了。

有语音转换成文字的软件吗？只听过word有一个可以通过语音输入成文字的。

双击打开软件,选择“语音转文字”功能。然后,点击“添加文件”将需要转换的语音文件上传进来。接下来,在软件右侧【设置】中,勾选“识别英文”,以及设置输出文档格式为TXT。软件默认的输出目录为原文件,勾选“自定义”按钮可更换路径。中英文在线翻译。中英文在线翻译是一种程序。通常是指借助互联网的资源，利用实用性极强、内容动态更新的经典翻译语料库，将网络技术和语言精华完美结合。为网民提供即时响应的中文转换成英文的在线翻译或者人工翻译服务。推荐软件：百度词典、有道词典、沪江小d、爱词霸、Google翻译、火云译客。翻译器是广义的翻译概念。也可以认为是翻译机，也可以认为是在线翻译，或者是翻译聊天工具。 翻译器综合了翻译工具，翻译服务为要素的概念。至今翻译器的种类更多，功能也更五花八门，有翻译网络用语的，也有翻译火星文的，如今，翻译器又有人称之为翻译机 等。翻译器支持33种语言和方言的翻译，包括英语、中文、西班牙语、德语、俄语、法语等，并能够完成所有这些语言的交互翻译。应用的使用方法也非常简单。你只需选择你要翻译成的语言种类，轻点按钮，然后对着翻译器说话，应用会捕捉你的语音信息，将其翻译成指定语言的文本信息并用目标语言说出来。

win8系统语音识别功能的使用方法分享给大家，win8系统强大的语音控制功能给用户带来了不一样的操作体验，抛弃鼠标，跟随小编一起来体验一下语音控制的操作吧！推荐：笔记本专用win8系统下载一、启动win8系统语音识别功能必备工具：笔记本电脑、麦克风Win8语音识别程序能够支持任何类型的麦克风，甚至包括内置在用户笔记本中的扩音器。激活语音识别功能方法：打开“开始”(Start)界面，输入“语音”(Speech)，在搜索结果中，点击“Windows语音识别”(WindowsSpeechRecognition)。当你首次打开该程序时，就会进入“tutorial/introduction”模式。然后，用户根据屏幕上的提示，快速启动和运行“Windows语音识别”。这会语音识别模板就会出现在显示屏上方，点击麦克风图标，它就会变蓝，然后就可以来接受用户“语音指令”。二、语音识别功能的使用如果想要打开Windows8系统中自带计算器程序，用传统方法首先就需要打开CharmsBar超级栏，然后点击进入“开始”图标，右击，打开应用程序，再点击计算器图标。不过，要是借助语音识别功能，你只需要说，“打开计算器”就OK。几种基本语音控制操作：1)“打开计算器(或者Word,Excel,InternetExplorer等)”：无需点击鼠标就可以打开你所指定的程序，超级方便!2)“转至Word(或者Excel,InternetExplorer)”：转至你所指定的应用程序。3)“打开文件(File.Open)”：比如，你说“编辑(Edit)”，就可以打开编辑菜单，说“全选”(SelectAll)，就执行选择命令。4)“打印(取消，桌面)”：通过语音可以点击任何按钮或者对话框中的任何标签。5)“联系我们(Contactus)”：只要说出网页中的任意版块，就可以打开网页上相应连接。6)“双击回收站(Double-clickRecycleBin)”：用户可以告诉Windows去双击或者右击任何你在屏幕中所看到的图标、程序。7)“跳至标题(地址，或者正文)”：在邮件、网页、浏览器，或者对话框中，“GotoXXX”意思就是进入你所指定的板块。比如，“地址”就指地址框。8)“关闭它(Closethat)”：关闭最靠前窗口，当然也包括“最小化(Minimizethat)”，“最大化(Maximizethat)”。9)“滚动(上下，左右)”：指上下或左右滚动窗口。此外，你也可以说“向下滚动10行”，鼠标指针向下滚动10行后停止。10)“按F键(Shift+F、大写、下行箭头和放大3倍)”：借助语音指令可以按任何键。拖拉图标：当用户说“鼠标隔(Mousegrid)”时，就会在屏幕上增添一个超大3x3方格，总共有9个方格，且都进行了1-9的编号。当你说“5“时，第五个方格中又会出现尺寸更小的3x3小方格。以此推类，你可以通过这种方式不断的”细化“方格，直到在屏幕中将目标锁定。然后说“FourMark”，就可以将目标定位在第四个格中，在说“Sevenclick”就可以点击其中的第7小方格所锁定的图标。

概述：NRK10语音识别芯片为广州九芯电子自主研发的一款高性能、低成本的离线语音识别芯片，具有语音识别及播报功能，需要外挂 SPI-Flash，存储词条或者语音播内容。他具有识别率高，工业级性能、简单易用，更新词条方便等优势。广泛应用在智能家居、AI人工智能、玩具等多种领域。产品特征：u2022 工作电压：3.3V~5.5V，一般为 4.2Vu2022 休眠电流：<7uAu2022 未休眠待机电流：25~50mAu2022 唤醒方式：休眠后可以从任何GPIO、RTC、或WDT中断来唤醒，使其进入待机状态；待机状态下通过唤醒词或者词条来进入工作状态。u2022 固定词条，非特定人识别u2022 可识别 20个词条（每个词条建议三字或以上），总字数在50~60字之间。u2022 识别环境：安静无回声.u2022 识别效果：安静无回声环境，2 米内识别率可达 90%及以上，最远距离可以达到5米.u2022 识别语种：可识别 32 种语种，如英语，中文，日语，粤语等等（不可同时识别多种语种，即一个模块无法同时识别中文，英文，日语）.u2022 PWM输出，可直接驱动8欧0.5W喇叭；DAC输出，可外接功放。u2022 音频输出的内容需要放置在外挂的SPI_Flash中。.u2022 低电压复位：低于1.6V芯片进行复位u2022 内置低压差稳压器（LDO） -可在3.3V提供25ma负载电流 -可配置的输出电压：8个选项1.5v/1.7v/1.8v/2.4v/2.5v/2.7v/3v/3.3v，默认 为3.3V。u2022 工作温度：-10°C~+70°C.u2022 芯片程序与词条存储方式是OTP存储方式，u2022 一次性烧录，都存在主控芯片里面，方便试样与量产。播报的语音存储在外挂SPI FLASH。支持8M/16M/32Mbit SPI FLASH。u2022 内置UART串口，方便单片机控制与通信.u2022 内置MIC 2级偏压放大电路，以及自置AGC增益控制，以及率噪电路。u2022 封装形式有LQFP32、COB.

* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。

语音识别小程序，调用了windows的识别组件。精简了一些代码，算是比较简单易懂的一个语音识别类。开发测试环境win7，VS2008。如果有其它环境中的，欢迎补充。SRecognition.csusing System;using System.Speech.Recognition;using System.Globalization;using System.Windows.Forms;namespace NingTao{public class SRecognition{public SpeechRecognitionEngine recognizer = null;//语音识别引擎public DictationGrammar dictationGrammar = null; //自然语法public System.Windows.Forms.Control cDisplay; //显示控件 public SRecognition(string[] fg) //创建关键词语列表{CultureInfo myCIintl = new CultureInfo("zh-CN");foreach (RecognizerInfo config in SpeechRecognitionEngine.InstalledRecognizers())//获取所有语音引擎{if (config.Culture.Equals(myCIintl) && config.Id == "MS-2052-80-DESK"){recognizer = new SpeechRecognitionEngine(config);break;}//选择识别引擎}if (recognizer != null){InitializeSpeechRecognitionEngine(fg);//初始化语音识别引擎dictationGrammar = new DictationGrammar();}else{MessageBox.Show("创建语音识别失败");}}private void InitializeSpeechRecognitionEngine(string[] fg){recognizer.SetInputToDefaultAudioDevice();//选择默认的音频输入设备Grammar customGrammar = CreateCustomGrammar(fg);//根据关键字数组建立语法recognizer.UnloadAllGrammars();recognizer.LoadGrammar(customGrammar);//加载语法recognizer.SpeechRecognized += new EventHandler<SpeechRecognizedEventArgs>(recognizer_SpeechRecognized);//recognizer.SpeechHypothesized += new EventHandler <SpeechHypothesizedEventArgs>(recognizer_SpeechHypothesized);}public void BeginRec(Control tbResult)//关联窗口控件{TurnSpeechRecognitionOn();TurnDictationOn();cDisplay = tbResult;}public void over()//停止语音识别引擎{TurnSpeechRecognitionOff();}public virtual Grammar CreateCustomGrammar(string[] fg) //创造自定义语法{GrammarBuilder grammarBuilder = new GrammarBuilder();grammarBuilder.Append(new Choices(fg));return new Grammar(grammarBuilder);}private void TurnSpeechRecognitionOn()//启动语音识别函数{if (recognizer != null){recognizer.RecognizeAsync(RecognizeMode.Multiple);//识别模式为连续识别}else{MessageBox.Show("创建语音识别失败");}}private void TurnSpeechRecognitionOff()//关闭语音识别函数{if (recognizer != null){recognizer.RecognizeAsyncStop();TurnDictationOff();}else{MessageBox.Show("创建语音识别失败");}}private void recognizer_SpeechRecognized(object sender, SpeechRecognizedEventArgs e){//识别出结果完成的动作，通常把识别结果传给某一个控件string text = e.Result.Text;cDisplay.Text += text;}private void TurnDictationOn(){if (recognizer != null){recognizer.LoadGrammar(dictationGrammar);//加载自然语法}else{MessageBox.Show("创建语音识别失败");}}private void TurnDictationOff(){if (dictationGrammar != null){recognizer.UnloadGrammar(dictationGrammar);//卸载自然语法}else{MessageBox.Show("创建语音识别失败");}}}}form调用，其中2个按钮（开始，停止），1个文本框（识别结果）using System;using System.Windows.Forms;namespace NingTao{public partial class Form1 : Form{private SRecognition sr;public Form1(){InitializeComponent();string[] fg = { "东方", "西方", "南方", "北方" };sr = new SRecognition(fg);button2.Enabled = false;}private void button1_Click(object sender, EventArgs e){sr.BeginRec(textBox1);button1.Enabled = false;button2.Enabled = true;}private void button2_Click(object sender, EventArgs e){sr.over();button1.Enabled = true;button2.Enabled = false;}}}

MFCC用于HMM的训练（和识别）过程中，因为HMM中针对每一帧语音（或者每一个音素）有特征向量，而这里采用什么特征向量根据具体情况决定，可以选用MFCC

索尼的手机有哪些语音识别技术？SonysMobilePhones:WhatAreTheirVoiceRecognitionTechnologies?Sonyisacompanythathasbeenknowntoproducetop-notchmobilephonesovertheyears.Oneofthethingsthatmaketheirmobilephonesstandoutfromtherestistheirinnovativeuseofvoicerecognitiontechnologies.Inthisarticle,wewillexplorethedifferentvoicerecognitiontechnologiesusedbySonyintheirmobilephones.1.GoogleAssistantSonymobilephonescomewithbuilt-inGoogleAssistant,whichisoneofthemostpopularvoiceassistantsglobally.GoogleAssistantcanperformvariousfunctionssuchassettingalarms,sendingtextmessages,makingphonecalls,andplayingmusic.ThisfeatureisoneoftheuniquesellingpointsofSonymobilephonesasitallowsuserstoperformtasksusingtheirvoice,whichismoreconvenientthantyping.2.FingerprintSensorSonymobilephonesalsocomewithafingerprintsensorthatusesvoicerecognitiontechnology.Thisfeatureallowsuserstounlocktheirmobilephonesusingtheirvoice.Thistechnologyisparticularlyusefulforindividualswhomayhavedifficultytypingormaybeinasituationwhereusingtheirhandsisnotpossible.3.SmartAmplifierAnothervoicerecognitiontechnologyusedbySonyintheirmobilephonesisthesmartamplifier.Thisadvancedamplifiercananalyzesoundwavesandadjustthevolume,tone,andfrequency,makingtheaudiooutputclearandcrisp.Thesmartamplifiertechnologyensuresthatuserscanheartheircallsandmusiceveninnoisyenvironments.4.Voice-to-TextSonysmobilephonesalsocomewithavoice-to-textfeaturethatallowsuserstodictatetextsusingtheirvoice.Thistechnologyusesnaturallanguageprocessing,whichmeansthatitunderstandsthecontextofconversationsandcanpredictwhatuserswanttosayaccurately.5.On-DeviceMLFinally,Sonysmobilephonescomewithon-devicemachinelearningcapabilitiesthatcanenhancetheirvoicerecognitiontechnology.Thisfeatureusesalgorithmstoanalyzetheusersvoicepatterns,whichallowsthemobilephonetolearnandrecognizetheirvoicebetterovertime.Thisensuresthatthevoicerecognitionfeaturegetsmoreaccurateandefficientastheusercontinuestousethemobilephone.Inconclusion,Sonysmobilephonescomewithfantasticvoicerecognitiontechnologiesthatmakethemstandoutfromtherest.FromGoogleAssistanttoon-devicemachinelearning,thesefeaturesenableuserstoenjoyamorepersonalizedandconvenientexperiencewhileusingtheirmobilephones.Soifyourelookingforamobilephonewithexcellentvoicerecognitiontechnology,Sonysmobilephonesareworthconsidering.

最后想提醒楼主的是，您的neospeech misaki貌似打错了。 安装语音识别系统 一、确定是否已安装语音识别引擎 1、单击“开始”，指向“设置”，依次单击

粤语的语音识别翻译如下：1、讯飞输入法粤语识别率达95%，支持粤语语音翻译普通话，讯飞输入法在业界率先推出“输入法+机器翻译”的理念，打造出“随声译”语音翻译功能，用户只用点击麦克风语音输入就能实时中英互译，或者说中文翻译成日文或韩文，带来方便友好的跨语种交流体验。2、百度语音输入法百度输入法已经可以支持粤语方言的语音输入，长按空格键启动语音输入，在语音输入窗口中点击“普”的标志，即可切换语言啦，除了可以选择粤语，还有四川、合肥、河南等多地方言哦，识别速度快且精准。3、搜狗输入法搜狗输入法非常的强大,智能服务好,还支持普通话、英语、粤语、日语和韩语等文字输入。不过通常伙伴们用的都是中英输入，粤语用的不多,且在哪开启设置知道的伙伴们也少。

Snapdragon435的语音识别技术是什么？作为一款芯片，Snapdragon435在语音识别技术方面做出了非常卓越的贡献。它采用了高性能的数字信号处理器（DSP），能够处理高质量语音数据。同时，它还内置了高精度的语音识别引擎，能够支持多种语言的语音识别。Snapdragon435采用了机器学习算法，能够根据不同人的语音特征进行准确的语音识别。它还能够实现语音转文字功能，将用户的语音转换为文字，从而实现更方便的沟通和交流。此外，Snapdragon435还支持人机对话技术，能够实现智能语音交互功能。用户可以通过语音指令来控制手机的各种功能，比如拍照、播放音乐等。这一功能在智能家居和汽车领域也有广泛的应用。总的来说，Snapdragon435的语音识别技术为用户带来了更加智能化和便捷化的使用体验，也为智能手机行业的发展带来了新的机遇和挑战。

语音识别应该是不会发送出去的

　　语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读! 　　浅谈语音识别技术论文篇一 　　语音识别技术概述 　　作者：刘钰 马艳丽 董蓓蓓 　　摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。 　　关键词：语音识别;特征提取;模式匹配;模型训练 　　Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to face.Then,the developing prospect ion and application of the speech-identification technology are discussed in the last part. 　　Keywords:Speech identification;Character Pick-up;Mode matching;Model training 　　一、语音识别技术的理论基础 　　语音识别技术：是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生 理学 、心理学、语言学、 计算 机 科学 以及信号处理等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行 自然 语言通信。 　　不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外，还涉及到语音识别单元的选取。 　　(一) 语音识别单元的选取 　　选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种，具体选择哪一种，由具体的研究任务决定。 　　单词(句)单元广泛应用于中小词汇语音识别系统，但不适合大词汇系统，原因在于模型库太庞大，训练模型任务繁重，模型匹配算法复杂，难以满足实时性要求。 　　音节单元多见于汉语语音识别，主要因为汉语是单音节结构的语言，而 英语 是多音节，并且汉语虽然有大约1300个音节，但若不考虑声调，约有408个无调音节，数量相对较少。因此，对于中、大词汇量汉语语音识别系统来说，以音节为识别单元基本是可行的。 　　音素单元以前多见于英语语音识别的研究中，但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成，且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母，这样虽然增加了模型数目，但提高了易混淆音节的区分能力。由于协同发音的影响，音素单元不稳定，所以如何获得稳定的音素单元，还有待研究。 　　(二) 特征参数提取技术 　　语音信号中含有丰富的信息，但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作，它对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这是信息压缩的过程。 　　线性预测(LP)分析技术是目前应用广泛的特征参数提取技术，许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型，没有考虑人类听觉系统对语音的处理特点。 　　Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱，在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的一些研究成果。实验证明，采用这种技术，语音识别系统的性能有一定提高。 　　也有研究者尝试把小波分析技术应用于特征提取，但目前性能难以与上述技术相比，有待进一步研究。 　　(三)模式匹配及模型训练技术 　　模型训练是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数，而模式匹配则是根据一定准则，使未知模式与模型库中的某一个模型获得最佳匹配。 　　语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元 网络 (ANN)。 　　DTW是较早的一种模式匹配和模型训练技术，它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题，在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统，目前已被HMM模型和ANN替代。 　　HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的Markor链，另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样，语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述，而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点，HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数，简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数，简称CHMM)以及半连续隐马尔可夫模型(SCHMM，集DHMM和CHMM特点)。一般来讲，在训练数据足够的，CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法，并不断被完善，以增强HMM模型的鲁棒性。 　　人工神经元 网络 在语音识别中的 应用是现在研究的又一 热点。ANN本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的，但ANN又不个有HMM模型的动态时间归正性能。因此，现在已有人研究如何把二者的优点有机结合起来，从而提高整个模型的鲁棒性。 　　二、语音识别的困难与对策 　　目前，语音识别方面的困难主要表现在： 　　(一)语音识别系统的适应性差，主要体现在对环境依赖性强，即在某种环境下采集到的语音训练系统只能在这种环境下应用，否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应，使用不方便。 　　(二)高噪声环境下语音识别进展困难，因为此时人的发音变化很大，像声音变高，语速变慢，音调及共振峰变化等等，这就是所谓Lombard效应，必须寻找新的信号分析处理方法。 　　(三)语言学、生 理学 、心理学方面的研究成果已有不少，但如何把这些知识量化、建模并用于语音识别，还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。 　　(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次，把这方面的现有成果用于语音识别，还有一个艰难的过程。 　　(五)语音识别系统从实验室演示系统到商品的转化过程中还有许多具体问题需要解决，识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。 　　三、语音识别技术的前景和应用 　　语音识别技术 发展 到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方 经济 发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、 旅游 、银行信息，并且取得很好的结果。 　　语音识别是一门交叉学科，语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。 　　参考 文献 ： 　　[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展. 企业 专栏.通讯世界,2007.2:(总l12期) 　　[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,2005.2:19-20 　　[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界,2006.2 (总122期) 　　[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991 　　[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005 　　[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999 点击下页还有更多>>>浅谈语音识别技术论文

调用百度语言识别API的# -*- coding=utf-8 -*-import base64import urllib2import urllibimport jsonimport wavedef get_token():URL = ""_params = urllib.urlencode({"grant_type": "client_credentials","client_id": "yours",#改成你自己的"client_secret": "yours"})#改成你自己的_res = urllib2.Request(URL, _params)_response = urllib2.urlopen(_res)_data = _response.read()_data = json.loads(_data)return _data["access_token"]def wav_to_text(wav_file):try:wav_file = open(wav_file, "rb")except IOError:print u"文件错误啊，亲"returnwav_file = wave.open(wav_file)n_frames = wav_file.getnframes()frame_rate = wav_file.getframerate()if n_frames != 1 or frame_rate not in (8000, 16000):print u"不符合格式"returnaudio = wav_file.readframes(n_frames)seconds = n_frames/frame_rate+1minute = seconds/60 + 1for i in range(0, minute):sub_audio = audio[i*60*frame_rate:(i+1)*60*frame_rate]base_data = base64.b64encode(sub_audio)data = {"format": "wav","token": get_token(),"len": len(sub_audio),"rate": frame_rate,"speech": base_data,"cuid": "B8-AC-6F-2D-7A-94","channel": 1}data = json.dumps(data)res = urllib2.Request("",data,{"content-type": "application/json"})response = urllib2.urlopen(res)res_data = json.loads(response.read())print res_data["result"][0]if __name__ == "__main__":wav_to_text("demo.wav")