1=SimSun构成及其所涉及的识别基元选取特征参数提取模式识别方法等关键技术，指出了目前汉语语音识别技术研究所面临及对策。
　　90年代中期以来的成熟阶段。该阶段在国家863智能计算机主专家组每至年举行次语音识别技术在细化模型的设计参数提取和优化以及系统的适应能力上取得了些关键性的突破，汉语语音识别技术进步成熟，并开始向市场提供应用产品。目前，我国对大词汇量连续语音识别系统的研究已经接近国外*高水平，其典型代是清华大学开发的连续语音识别系统该系统对汉字的识别率达到98.7，拼音自选识别率达到79.4，句子识别率约为62.5.
　　下面，根据该领域的研究成果，对汉语语音识别系统的构成和所涉及的关键技术，以及所面临的主要问进行探讨。
　　2汉语语音识别系统的基本构成及工作原理汉语语音识别与其它语言的语音识别样，实质上属于种模式识别，其系统的构成1所其中，预处理部分包括语音信号的采样反混叠滤波自动增益控制，去除声门激励和口唇辐射的影响以及设备环境引起的噪声影响等等，并涉及语音识别基元的选择和端点检测等关键性问；特征提取部分的作用是从语音信号波形中提取组或几组语音输入识别输出能够描述语音信号特征的参数，如平均能量过零数或平均过零数，共振峰倒谱线性预测系数，以及音长音调声调等超音段信息函数等等，特征提取是模式识别的关键；训练部分和模式库部分是个不可分割的整体，训练是建立模式库的必备过程，在识别之前进行，通常是让不同类型的讲话人多次重复相同的语音发音，系统从这些原始的语音样本中去除冗余，保留关键数据并按定规则对数据加以分类，从而形成作为语音识别判断标准的语意等。模式库的内容除现场训练提取以外，通常还包括建立在以往或经验基础上的语音专家知识库信息；模式匹配部分是整个系统的核心，其作用是根据语音和不同的层面按照相应的准则求取待测语音特征参数和语音信息与模式库中相应模板之间的测度。从而形成系统认为*佳的识别输出。
　　3汉语语音识别中的关键技术3.1语音识别基元的选取作为人类唯的会意文字，汉语有着与其它语言孑然不同的特色以字为*小语音单位，而且每个汉字的发音对应于个音节，在常用的6000多个汉字中，全部汉字音节只有1281个，如果不考虑声调声阴平阳平上声去声，真正独立的汉语无调单音节字只有412个。由于音节不仅是听觉上能够自然辨别出来的*小语音单位，也是音义结合择，音节无疑*佳方案，这也是汉语孤立词和小词汇量汉语语音识别系统研究直沿用的方法。
　　作为大词汇连续汉语语音识别系统，由于字与字和词与词之间没有明显的停顿，沿用全音节作为语音识别基元的传统方法，其识别率受到很大限制。因此，为了更好地描述汉语连续语音中的细节，提高识别率，作为语音识别的基元需要选择比音节更小的声母韵母等半音节基元共61个和按不同韵头共6种3，6进行分类细化后的声母韵母基元共161个。
　　语音特征参数的提取语音特征参数的提取，是模式识别成败的关键。在汉语语音识别系统中，主要采用以下种特征提取方法基于牡蛊撞问，0，分析法。该方法的典型代是以基于，土或心181迭代算法求解维纳霍夫方程获得预测系数为基础进而得到的，的倒谱参数。
　　基于厘61系数的肘61频标倒谱系数肘0分析法。该方法以基于FFT的频谱余弦变换为基础，根据厘61曲线将语音信号频谱分为若干个频带，每个频带的能量经，变换对应组厘，问，基于现代处理技术的小波变换系数分析法。该方法将语音信号与个在时域和频域均具有良好局部化性质的小波函数族进行积分小波变换，从而把信号分解成组位于不同频率和时段内的分量，即选择小波函数为某类平滑函数的阶导数，则经小波变换后的局部*大值反映信号的尖锐变化即声门闭着点，而局部*小值则反映信号的缓慢变化，从而获得反映基音周期的小波语音特征参数。
　　在以上语音特征参数的提取方法中，添，方法比方法的识别效果稍好些，而且，符合人们的听觉特性，在有信道噪声和频谱失真的情况下具有较好的稳健性，其不足之处是厘0方法中多次用到，故算法的复杂程度远大于方法。因此，在安静的环境下，目前，比较成熟和*常用的语音特征提取方法还是，方法。在条件不好的环境下，则宜选用0，悍椒ā6，ū浠环ㄔ，是种新兴的理论工具，要获得较高的识别率还有许多问有待研究，但与经典的方法相比，小波变换法有着计算量小复杂程度低识别效果好等许多优点，研究前景十分乐观，是研究发展的个方向。
　　3.3模式识别模式识别以距离测度为准则，对于传统的语音识别系统是个按定测度算法实现被识别特征参数与模式库中的模板进行*优模式匹配的过程。而对基于人工神经网络ANN的新型语言识别系统，其模式识别过程则有所不同首先其模式库是分布过程中通过自学习建立类似于传统语言识别系统中模式库的参数系统，但这些参数以分布方式存在于不同网络层的节点之中；其次是通过模拟人类联想过程逐层将有关参数与被识别特征进行匹配距离计算和比较，*终形成*佳匹配的识别结果。
　　在汉语语音识别系统中常用的识别技术有以下几种动态时间规整0丁贾技术0丁1是采用种*优化的算法动态规整法，通过将待识别语音信号的时间轴进行不均匀地扭曲和弯曲，使其特征与模板特征对齐，并在两者之间不断的进行两个矢量距离*小的匹配路径计算，从而获得两个矢量匹配时累积距离*小的规整函数。这是个将时间规整和距离测度有机结合在起的非线性规整技术，保证了待识别特征与模板特征之间*大的声学相似特性和*小的时差失真，是成功解决模式匹配问*早和*常用的方法。
　　0丁1法的不足之处是运算量大对语音信号的端点检测数过大和未能充分利用语音信号的时序动态信息等等。因此，主要用于孤立词小词汇等相对简单的汉语语音识别系统。
　　隐马尔柯夫模型HMM技术只肘法与0胃法不同，首先，其模式库不是预先存贮好的模式样本，而是通过反复的训练过程，用迭代算法如如1贾；算法等形成套与训练输出信号吻合概率*大的*佳1模型参数=17，入，8，其中，71为初始状态概率分布；人为状态转移概率分布；8为某状态下系统输出的概率分布。这些参数均为反映训练中语音的随机过程的统计特性下的数字参数，不是模式特征参数本身。其次，在识别过程中，采用基于种在*佳状态序列基础上的整体约束*佳准则算法1.1算法，计算待识别语音序列与1模型参数之间的似然概率77达到*大值所对应的*佳状态序列作为识别输出。这其中也是个反映待识别序列与模型参数状态序列*大关联的随机过程的统计过程，因此，方法可以看成个数字上的双重随机过程，这种机制合理地模仿了人类语言活动研究结果明，HMM方法虽然在训练过程中的处理比，胃方法要复杂，但识别过程则远比，了以方法简单，在孤立词和小词汇的汉语识别中，识别率要高于07方法，而且解决了01识无法实现的连续语音识别的应用问。因此，在汉语语音识别中，方法不仅可用于孤立词识别系统中，而且在连续语音识别说话识别等方面也得到广泛的应用，是目前汉语语音识别技术的主流。
　　根据随机函数的不同特点，HMM模型分为离散服，0匪，连续服，和半连续，触SCHMM以及基于段长分布的HMMDDBHMM等类型。其中CHMM的识别率虽高，但计算量大，其典型就是86的语音识别系统；01识别率略低些，但计算量*小，迅厘公司的3，中文语音识别系统，就是该技术的成功典范；501的识别率和计算量则居中，其典型产品就是美国著名典HMM方法的修正，计算量虽大，但识别率*高。
　　矢量量化技术，是种用1维矢量来个原来用1个标量征的语音信号的波型帧或参数帧，然后对矢量进行整体量化的方法。在语音识别前，先在多次反复的训练中采用8算法由，8似，和0人在1980年首次提出对大量的1维矢量进行以*佳邻近准则和*小失真准则的统计划分，使其从无限的矢量空间聚类划分为个有限的区域边界，而每个区域有个中心矢量值，即码字，故共有厘个码字，各码字的下标或序号将维待处理矢量与已有的码书中的厘个区域边界进行比较，找出与该待测输入矢量距离*小的码字序号来代替其识别结果的过程。
　　由于码字的序号是矢量量化技术中存和传输保密性能，不足之处是训练过程中的计算方法复杂且计算量过大。因此，真正应用于语音识别的是改进后的有限状态矢量量化化8技术和带学习功能而且利用了状态转移函数，根据上次的状态和量化结果来确定下个量化状态，适用于与上下文有关的语音识别；12利用其自适应性的学习功能进行码书优化，即在定条件下，将错误的参考矢量移到远闻输入矢量的地方，而将正确的参考矢量移到离输入矢量更近的地方，从而提高识别率。
　　3和，2技术在孤立词和连续语音的汉语语音识别中也得到应用，但没有，了贾技术和HMM技术普遍。
　　人工神经网络ANN技术ANN是用于模拟人脑组织结构和思维过程的个前沿研究领域，基于ANN的语音识别系统通常由神经元训练算法及网络结构等大要素构成。
　　ANN采用了并行处理机制非线性信息处理机制和信息分布存贮机制等多方面的现代信息技术成果，因此，具有高速的信息处理能力，并且有着较强的适应和自动调节能力，在训练过程中能不断调整自身优化的需求，在模式识别中有着速度快识别率高等显著特点，近几年来直是国内外语音识别系统研究的方向和热点。
　　目前用于汉语语音识别研究的ANN主要有基于反向传播4算法的多层感知机心1神经网和基于冗提出的仿生人类大脑皮层信息特征区形成的生理过程特征照射30厘神经网等，其识别率已高于传统的HMM方法。而具有良好的动态时变性能和结构的时延神经网络TDNN和良好的动态时间关联特性的循环神经网络RNN，则是目前大词汇量连续汉语语音识别研究的热点。
　　3.3.5混合型模式识别技术由于汉语的特殊性和复杂性，单模式识别的识别率往往受到定的限制。为了提高识别率，将不同的识别模式结合起来构成混合型模式识别的汉语语音识别系统是目前研究的个方向，其主要应用有动态时间规正法与隐马尔柯夫模型法混合的DTWHMM模式矢量量化法与隐马尔柯夫模型法混合的VQHMM模式隐马尔柯夫模型法级联式和多层决策树式的HMMHMM模式。IBM公司的ViaVoice中文语音识别系统就是NQHMM混合模式的典范，类似的国内产品还有方正友文系统和由于独立的人工神经网普遍存在着时间规整问何与传统的方法相结合，形成优势互补的ANN与DTWANN与VQ和ANN与HMM混合的新型汉语语音识别技术，以有效解决汉语语音识别中同音字多声调不明界限不清新词不断出现等诸多与其它语言语音识别所不同的特殊难，已成为ANN法汉语语音识别系统的研究方向。
　　汉语语音识别的难点及对策我国的汉语语音识别技术的研究虽然取得了很大的突破，但与人类的识别水平相比还存在着很大识别技术面临的难点和主要问除了有着与其它语言的语音识别技术存在共性问的面，也有着由于汉语自身特点而特殊的方面，归结起来，有以下几大类型环境影响问这是各种语音识别系统普遍存在的的顽健性如何提高的共性问，包括环境噪声影响说话人距离和位置变化的影响以及说话人心理和生理变化的影响等等。有效解决这些难，实际上是各种语音识别技术研究共同面临的艰巨任务。
　　克服环境噪声影响问的方法通常有谱减法消噪技术环境规正技术噪声建模技术识别模型修正技术等等；克服说话人距离和位置变化的影响可采用多话筒跟踪拾音技术；对于克服说话人心理和生理变化引起的语音变异造成的影响，以引入模仿人类语音听觉感知机理的人工智能技术对模式识别部分进行增强和改进的方法较为有效。
　　连续语音问由于汉语中纯元音的字和词远比其它语言多，而这些字和词的发音所产生的语音波形很难找出其分界点，使得语音识别极易混淆。解决的办法是利用*优方法改善语音特征结构及参数如引入声调特征和增大不同语音在特征空间的距离等等，以减少语音的混淆程度。
　　模糊语音问由于汉语同音字多词汇丰富而引起的说话人在达不同的词语时，听起来却十分相似的特殊问，由此造成语音识别难的问也比其它语言的同类问要严重。解决这类问的对策，是在模式识别部分引入分级增强技术和语义专家知识库技术，提高系统分辨模式识别细节的能力。
　　协同发音问由于上下文环境的影响，使得相同的字或词有着不同的语音特性，这种由音段文脉所引起协同发音的变化问在汉语中较为突出，也0也1++语音识别系统。
　　是汉语语音识别中的大难。解决方法应该从汉字语音特征参数基元的细分入手，将实际语音环境中声韵组配结构与音段文脉变体的种类关系引入训练过程，从而形成能较好反映汉语发音习惯言语感知习惯和声学到语音转换规律的基元模型。
　　说话人差异问由于说话人的声带结构社会背景方言等方面差异，使得相同内容的字词和语句会产生语音特征的差异，尤其是汉语的方言问，引起的语音差异*为突出。解决方法，方面可以借助语言心理学语音学心理声学等方面的研究成果改进语音识别系统的建模；另方面，应通过对语言学和社会学的研究，将方言包含的音素学差异特征运用到语言识别系统中去，增加对区域性方言进行分别处理的机制，如南方音东北音标准音等分档处理等等。
　　能够较好的解决上述问的应用产品，有北京中自汉王科技公司开发的汉王听写系统，以及18河公司的1306 1616130巧中文电话语音系统。
　　结束语通过上述对我国汉语语音识别技术研究历程和研究方法的分析，可，我国的汉语语音识别技术经过30多年的研究和探索，已经形成套既符合汉语特点和我国国情，又能够与国际研究水平同步发展到，要达到令人满意的程度，我国汉语语音识别技术研究还有很长的路要走，在现有成果基础上要取得更大的突破，除了要加大在语言学和语音学层面上理学生理学和社会学等相关人文学科的研究成果。相信，随着国力的增强和对汉语语音识别技术研究投入的加大，我国汉语语音识别技术的研究与应用将与各相关学科及研究领域的协同发展，并将取得重大的突破。
　　胡航。语音信号处理修订版肘。哈尔滨哈尔滨工业大学出版社，2002.
　　何湘智。语音识别的研究与发展。计算机工程，20022.
　　杜利民等。汉语语音识别研究面临的些科学问姚键等。汉语语音识别实用系统研究。计算机工汉语连续语音识别中经典肘肘的实验测评1.计算机工程与应用，2003.
　　张焱等。隐马尔柯夫模型和动态时间规正统框架下的汉语全音节语音识别研究。声学学报，19986.
　　张保轩等。基于ANN的汉语数字语音识别J.山东杨华民等。基于神经网络的语音识别技术应用研究许开宇等。基于小波分析的汉语语音识别。哈尔滨工程大学学报，19964.
　　刘加。汉语大词汇量连续语音识别系统研究进展幻。电子学报，20001.
　　乔春雷等。在汉语语音识别中应用声调信息的研究。计算机工程与应用，200212.
　　赵庆卫等。汉语连续语音识别中上下文相关的识别单元音子的研究。电子学报，19996.
　　责任编辑陈学建