语音辨识基础知识
近 年 来 ， 由 于 电 脑 在 软 件 上 的 长 足 进 步 ， 类 似 电 视 影 集 霹 雳 游 侠 中 李 麦 克 与 霹
雳 车 伙 计 之 间 能 够 使 用 人 类 语 言 和 电 脑 沟 通 的 情 节 已 不 再 是 梦 想 ， 语 音 辨 识 科
技 这 一 两 年 来 已 慢 慢 从 实 验 室 里 的 研 究 走 入 到 我 们 的 生 活 之 中 。 声 硕 科 技 通 过
台 湾 大 学 李 琳 山 教 授 在 中 文 语 音 辨 识 方 面 研 究 成 果 ， 专 注 于 语 音 辨 识 技 术 的 商
品 化 ， 目 前 是 华 人 地 区 唯 一 掌 握 中 文 语 音 辨 识 核 心 并 推 出 产 品 的 公 司 。
什 么 是 语 音 辨 识
语 音 辩 识 最 基 本 的 定 义 ， 就 是 “ 电 脑 能 听 懂 人 类 说 话 的 语 句 或 命 令 ， 而 做 出 相
对 应 的 工 作 ” 。 也 就 是 说 ， 如 果 电 脑 配 置 有 “ 语 音 辨 识 ” 的 程 序 组 ， 那 么 当 你
的 声 音 通 过 一 个 转 换 装 置 输 入 电 脑 内 部 、 并 以 数 位 方 式 储 存 后 ， 语 音 辨 识 程 序
便 开 始 以 你 输 入 的 声 音 样 本 与 事 先 储 存 好 的 声 音 样 本 进 行 对 比 工 作 。 声 音 对 比
工 作 完 成 之 后 ， 电 脑 就 会 输 入 一 个 它 认 为 最 “ 象 ” 的 声 音 样 本 序 号 ， 就 可 以 知
道 你 刚 才 念 的 声 音 是 什 么 意 义 ， 进 而 执 行 此 命 令 。 说 起 来 简 单 ， 但 要 真 正 建 立
辨 识 率 高 的 语 音 辨 识 程 序 组 ， 却 是 非 常 困 难 而 专 业 的 ， 世 界 各 地 的 学 者 们 也 还
在 努 力 研 究 最 好 的 方 式 。 例 如 ， “ 声 音 样 本 ” 要 如 何 建 立 呢 ？ 简 单 来 说 ， 如 果
要 辨 识 10 个 字 ， 那 就 是 先 把 这 10 个 字 的 声 音 念 入 电 脑 中 ， 存 成 10 个 参 考 样 本
， 辨 识 时 ， 只 要 把 本 次 所 念 的 声 音 （ 测 试 样 本 ） 与 事 先 存 好 的 10 个 参 考 样 本 一
一 对 比 ， 找 出 与 测 试 样 本 最 象 的 样 本 ， 即 可 把 测 试 样 本 辨 识 出 来 ； 问 题 是 ， 每
个 使 用 者 念 入 电 脑 的 语 音 长 度 、 音 调 、 频 率 都 不 一 样 ； 甚 至 同 一 个 人 ， 尽 管 每
次 都 念 相 同 的 声 音 ， 但 波 形 却 也 不 尽 相 同 ， 如 果 在 一 个 有 杂 音 的 环 境 中 ， 那 情
况 就 更 糟 了 。 因 此 ， 专 家 学 者 们 研 究 出 许 多 破 解 这 个 问 题 的 方 法 ， 如 傅 立 叶 转
换 、 倒 频 谱 参 数 等 ， 使 目 前 的 语 音 辨 识 系 统 已 达 到 一 个 可 接 受 的 程 度 ， 并 且 辨
识 度 愈 来 愈 高 。
语 音 辨 识 技 术 的 应 用 层 面
-
电 脑 软 件 是 目 前 最 被 视 广 为 应 用 的 方 向 。 例 如 ： 语 音 命 令 、 语 音 输 入 , 对
话 系 统 、 查 询 系 统 、 教 学 软 件 、 游 戏 软 件 等 。
-
消 费 性 电 子 产 品
-- 例 如 ： 电 子 记 事 本 、 声 控 玩 具 、 语 音 拔 号 功 能 的 手 机 等 。
-
工 业 产 品
-- 例 如 ： 车 用 移 动 电 话 、 车 用 导 航 系 统 等 。
-
电 话 系 统 -- 例 如 ： 语 音 辨 识 总 机 服 务 、 语 音 拔 号 、 语 音 订 票 订 位 等 。
SpeechDirect SDK
声 硕 科 技 在 1999 年 初 开 发 了 "SpeechDirect SDK" 语 音 辨 识 应 用 软 件 开 发 工 具
， 利 用 这 套 开 发 工 具 , 电 脑 软 件 开 发 厂 商 可 以 开 发 出 各 式 各 样 的 语 音 相 关 应 用
软 件 。 “ SpeechDirect SDK ” 语 音 辨 识 应 用 软 件 开 发 工 具 可 以 提 供 电 脑 软 件 厂
商 一 个 简 单 易 用 的 语 音 辨 识 程 序 界 面 ， 开 发 关 于 语 音 控 制 、 自 然 语 音 资 料 库 搜
寻 、 及 中 文 连 续 语 音 输 入 等 等 的 应 用 。 其 内 含 的 中 文 语 音 辨 识 引 擎 可 以 支 援 单
词 辨 识 （ ISR,Isolated Speech Recognition ） 、 关 健 词 辨 识 （ KWS,Keyword-Spotting
） 、 甚 至 连 续 语 音 辨 识 （ CSR,Continuous speech recognition ） 。 此 外 还 支
援 电 脑 合 成 语 音 的 功 能 （ TTS ， Text-To-Speech ） 可 将 文 字 转 为 语 音 ， 使 电 脑
不 仅 能 够 听 得 懂 人 说 的 话 而 已 ， 更 可 以 用 人 的 语 言 与 人 类 沟 通 。 声 硕 科 技 的 语
音 辨 识 引 擎 在 语 音 控 制 方 面 （ 包 括 单 词 辨 识 及 关 键 词 辨 识 ） ， 不 需 要 口 音 训 练
即 可 使 用 ， 可 避 免 因 口 音 训 练 而 带 给 使 用 者 的 不 便 。
“SpeechDirect” 语 音 引 擎 主 要 包 含 下 列 功 能 ：
-
语 音 命 令 控 制 （ Voice Command & Control ） 功 能 。
-
关 键 词 辨 识 （ Keyword-Spotting ） 功 能 。
-
文 字 转 语 音 （ Text-To-Speech,TTS ） 功 能 。
-
连 续 语 音 辨 识 （ Continuous Speech Recognition,CSR ） 功 能 。
在 语 音 辨 识 率 方 面 ， 使 用 语 音 命 令 功 能 的 辨 识 率 大 概 在 90%--95% 之 间 ， 下 表
显 示 语 音 命 令 的 个 数 与 辨 识 率 之 间 的 关 系 。
|
语 音 命 令 个 数
|
辨 识 率
|
|
50
|
95.1%
|
|
100
|
93.8%
|
|
200
|
93%
|
|
300
|
92.3%
|
|
500
|
90.1%
|
“SpeechDirect” 语 音 辨 识 引 擎 的 特 色 有 ：
-
支 援 单 词 语 音 辨 识 （ ISR,Isolatod Speech Recognition ） 和 关 键 词 辨 识
（ KWS,Key word-Spotting ） 功 能 。 这 两 种 模 式 可 用 来 发 展 语 音 命 令 和 语
音 查 询 等 应 用 。
-
支 援 连 续 语 音 辨 识 （ CSR,Continuous Speech Recognition ） 功 能 。 此 模
式 可 用 来 发 展 语 音 听 写 输 入 （ voice dictation ） 方 面 的 应 用 。
-
支 援 文 字 转 语 音 （ TTS,Text-To-Speech ） 功 能 。 利 用 此 功 能 可 用 语 音 来
告 知 使 用 者 相 关 讯 息 以 发 展 更 互 动 性 的 软 件 。
-
支 援 使 用 特 定 说 话 者 的 声 音 模 型 和 资 源 设 定 值 ， 所 以 语 音 引 擎 可 以 根 据 个
别 说 话 者 的 声 音 差 异 来 调 整 辨 识 参 数 设 定 。
-
无 语 音 资 料 记 忆 体 大 小 限 制 ， 使 用 者 可 持 续 作 语 音 辨 识 而 不 用 担 心 语 音 资
料 过 多 造 成 记 忆 体 爆 满 。
-
使 用 者 可 动 态 地 在 程 序 中 改 变 所 使 用 的 语 音 模 型 及 词 库 而 达 到 最 大 的 方 便
性 与 弹 性 。
-
使 用 者 可 在 程 序 中 动 态 地 增 加 或 删 除 词 汇 ， 进 而 定 义 新 词 或 自 己 专 属 的 词
汇 。
-
使 用 callback 的 方 式 来 通 知 应 用 程 式 辨 识 结 果 以 使 辨 识 更 有 效 率 。
-
在 同 一 应 用 程 序 中 可 使 用 好 几 个 辨 识 引 擎 物 件 ， 例 如 有 多 条 电 话 线 的 情 况
之 下 ， 可 对 多 个 来 源 的 声 音 同 时 进 行 辨 识 。
-
采 用 不 同 的 执 行 绪 （ thread ） 来 执 行 不 同 的 工 作 以 增 进 辨 识 的 效 率 。
-
使 用 Ｃ ++ 物 件 模 型 程 序 界 面 （ Ｃ ++ object model programming interface
） 的 设 计 方 式 ， 以 物 件 导 向 程 序 设 计 （ object-oriented programming ）
的 方 式 使 程 序 发 展 及 维 护 更 为 容 易 。
-
使 用 者 可 以 根 据 其 应 用 程 序 的 需 求 来 调 整 辨 识 引 擎 的 参 数 以 调 整 辨 识 引 擎
的 效 能 及 准 确 率 。
-
支 援 语 音 播 放 及 存 档 的 功 能 。
-
支 援 单 词 语 音 辨 识 （ ISR,Isolatod Speech Recognition ） 和 关 键 词 辨 识
（ KWS,Key word-Spotting ） 功 能 。 这 两 种 模 式 可 用 来 发 展 语 音 命 令 和 语
音 查 询 等 应 用 。
-
支 援 连 续 语 音 辨 识 （ CSR,Continuous Speech Recognition ） 功 能 。 此 模
式 可 用 来 发 展 语 音 听 写 输 入 （ voice dictation ） 方 面 的 应 用 。
-
支 援 文 字 转 语 音 （ TTS,Text-To-Speech ） 功 能 。 利 用 此 功 能 可 用 语 音 来
告 知 使 用 者 相 关 讯 息 以 发 展 更 互 动 性 的 软 件 。
-
支 援 使 用 特 定 说 话 者 的 声 音 模 型 和 资 源 设 定 值 ， 所 以 语 音 引 擎 可 以 根 据 个
别 说 话 者 的 声 音 差 异 来 调 整 辨 识 参 数 设 定 。
-
无 语 音 资 料 记 忆 体 大 小 限 制 ， 使 用 者 可 持 续 作 语 音 辨 识 而 不 用 担 心 语 音 资
料 过 多 造 成 记 忆 体 爆 满 。
-
使 用 者 可 动 态 地 在 程 序 中 改 变 所 使 用 的 语 音 模 型 及 词 库 而 达 到 最 大 的 方 便
性 与 弹 性 。
-
使 用 者 可 在 程 序 中 动 态 地 增 加 或 删 除 词 汇 ， 进 而 定 义 新 词 或 自 己 专 属 的 词
汇 。
-
使 用 callback 的 方 式 来 通 知 应 用 程 式 辨 识 结 果 以 使 辨 识 更 有 效 率 。
-
在 同 一 应 用 程 序 中 可 使 用 好 几 个 辨 识 引 擎 物 件 ， 例 如 有 多 条 电 话 线 的 情 况
之 下 ， 可 对 多 个 来 源 的 声 音 同 时 进 行 辨 识 。
-
采 用 不 同 的 执 行 线 程 （ thread ） 来 执 行 不 同 的 工 作 以 增 进 辨 识 的 效 率 。
-
使 用 Ｃ ++ 物 件 模 型 程 序 界 面 （ Ｃ ++ object model programming interface
） 的 设 计 方 式 ， 以 物 件 导 向 程 序 设 计 （ object-oriented programming ）
的 方 式 使 程 序 发 展 及 维 护 更 为 容 易 。
-
使 用 者 可 以 根 据 其 应 用 程 序 的 需 求 来 调 整 辨 识 引 擎 的 参 数 以 调 整 辨 识 引 擎
的 效 能 及 准 确 率 。
-
支 援 语 音 播 放 及 存 档 的 功 能 。
下 图 为 语 音 识 别 引 擎 的 系 统 结 构 ：
声 硕 科 技 的 “ SpeechDirect ” 语 音 辨 识 应 用 软 件 发 展 工 具 （ SDK ） 为 一 个 包
含 最 先 进 中 文 语 音 辨 识 引 擎 的 应 用 软 件 发 展 工 具 ， 其 目 的 是 帮 助 在 微 软 视 窗 作
业 系 统 发 展 应 用 软 件 的 厂 商 ， 能 快 速 而 简 易 地 将 语 音 辨 识 功 能 加 进 他 们 的 软 件
中 。 “ SpeechDirect SDK ” 提 供 一 个 简 单 易 用 的 语 音 应 用 程 序 界 面 （ speech
API, Application Programming Interface ） 给 使 用 者 作 语 音 辨 识 上 的 应 用 ，
同 时 又 不 失 使 用 上 的 弹 性 和 扩 充 性 ， “ SpeechDirect SDK ” 的 内 容 除 了 声 硕 科
技 的 中 文 语 音 辨 识 引 擎 外 ， 还 包 括 使 用 说 明 文 件 、 范 例 程 序 、 相 关 工 具 及 语 音
资 料 库 、 教 育 训 练 和 技 术 咨 询 支 援 等 等 。
下 列 为 建 议 的 系 统 需 求 ：
声 硕 科 技 将 持 续 提 升 语 音 辨 识 的 正 确 率 ， 并 朝 电 话 语 音 辨 识 及 语 音 集 成 的 方 向
发 展 ， 此 外 ， 也 会 开 发 支 援 微 软 语 音 程 序 界 面 （ SAPI ） 的 语 音 辨 识 引 擎 ， 使 语
音 程 序 界 面 标 准 化 。
·
·
·
|
