异常声音探测系统设计外文文献翻译.doc

异常声音探测系统设计外文文献翻译.doc 语音识别 舒维都，罗恩科尔，韦恩沃德 麻省理工学院计算机科学实验室，剑桥，马萨诸塞州，美国 俄勒冈科学与技术学院，波特兰，俄勒冈州，美国 卡耐基梅隆大学，匹兹堡，宾夕法尼亚州，美国 一 定义问 语音识别是指音频信号的转换过程，被电话或麦克风的所捕获的一系列的消息。 所 识别的消息作为最后的结果，用于控制应用，如命令与数据录入，以及文件准备。它们也 可以作为处理输入的语言，以便进一步实现语音理解，在第一个主题涵盖。 语音识别系统可以用多个参数来描述， 一些更重要参数在图形中显示出来.一个孤立字 语音识别系统要求词与词之间短暂停顿，而连续语音识别系统对那些不自发的，或临时生 成的，言语不流利的语音，比用讲稿读出更难以识别。有些系统要求发言者登记——即用 户在使用系统前必须为系统提供演讲样本或发言底稿，而其他系统据说是独立扬声器，因 为没有必要登记。一些参数特征依赖于特定的任务。 当词汇量比较大或有较多象声词的 时候，识别起来一般比较困难。当语音由有序的词语生成时，语言模型或特定语法便会限 制词语的组合。 最简单的语言模型可以被指定为一个有限状态网络，每个语音所包含的所有允许的词 语都能顾及到。更普遍的近似自然语言的语言模型在语法方面被指定为上下文相关联。 一种普及的任务的难度测量，词汇量和语言模型相结合的语音比较复杂，大量语音的 几何意义可以按照语音模型的应用定义宽泛些(参见文章对语言模型普遍性与复杂性的详 细讨论)。最后，还有一些其他参数，可以影响语音识别系统的性能，包括环境噪声和麦 克风的类型和安置。 语音识别是一个困难的问题，主要是因为与信号相关的变异有很多来源。 首先，音 素，作为组成词语的最小的语音单位，它的声学呈现是高度依赖于他们所出现的语境的。 这些语音的变异性正好由音素的声学差异做出了验证。在词语的范围里，语境的变化会相 当富有戏剧性---使得美国英语里的 gas shortage 听起来很像 gash shortage， 而意大利语中的 devo andare 听起来会很像 devandare。 其次，声变异可能由环境变化，以及传输介质的位置和特征引起。 第三， 说话人的 不同，演讲者身体和情绪上的差异可能导致演讲速度，质量和话音质量的差异。最后，社 会语言学背景，方言的差异和声道的大小和形状更进一步促进了演讲者的差异性 。 数字图形展示了语音识别系统的主要组成部分。数字化语音信号先转换成一系列有用 的测量值或有特定速率的特征，通常每次间隔10 - 20毫秒(见第11.3章节，分别描述了模 拟信号和数字信号的处理)。然后这些测量被用来寻找最有可能的备选词汇，使用被声学 模型、词汇模型、和语言模型强加的限制因素。 整个过程中，训练数据是用来确定模型 参数值的。 语音识别系统尝试在上述变异的来源的某些方面做模型。在信号描述的层面上，研究 人员已经开发出了感性地强调重要发言者独立语音信号的特征，以及忽略发言者依赖环境 的语音信号特征。在声学语音层面上，说话人差异变化通常是参照使用大量的数据来做模 型。语音改编法则还开发出适应说话人独立声学模型 以适应那些目前在系统中使用的说 话人语音样本(参见文章)。在语言方面语境影响的声学语音处理，通常情况下被不同的 训练模式分隔为单独的音素，这就是所谓的上下文相关声学模型。 字级差异可以由发音网络中可描述的字词的候选发音来处理。对于象声词的替代，考 虑到方言以及口音的影响，通过搜索算法在网络上寻找音素的替代方法。统计语言的模型 基于对字序列的发生频率的估计，常常通过可能的词序来引导搜索。 众所周知在过去的 15 年中占主导地位的识别范例是隐马尔可夫模型(HMM)。基于 HMM 是一种双随机模型，基本音素字符串和框架的生成，表面声波的变现都作为马氏过 程来表述，在本章节中所讨论的和 11.2 节中的神 经网络也被用来估算框架的基本性能，然 后将这些性能集成到基于 HMM 的系统中，即现在被称为的混合系统所述的，参见第 11.5 节。 基于 HMM 系统框架的一种有趣的特点，就是相比明确的定义而言，语音片段是在搜 索过程中被定义的。另一种方法，是先找出语音片段，然后将这些片段分类并使用片段性 能来识别文字。这种做法已经产生在一些生产任务的竞争识别性能上了。 二 目前发展现状 讨论目前的发展状况,需要联系到具体应用的环境,他影响到了任务的制约性。此外， 有时不同的技术适合于不同的任务。 例如，当词汇量小，整个单词可以建模为一个单元。 但这种做法对大词汇量来说是不实际的，如字词模式必须由单一字词单元建立。 过去十年目睹识别技术在语音方面取得重大进展。字错误率持续每两年下降 50%。基 础技术已取得了重大的进展，从而降低了说话人独立语音，连续语音及大词汇量语音识别的障碍。有几个因素促成了这种迅速的进展。 首先，HMM 时代即将到来。 HMM 模型 规模强大，以及具有有效地训练数据，可以自动训练出模型的最佳的性能。 第二，很大的努力已经投入到语音系统大量词汇识别的发展、训练和测试上。 语料 库其中一些是专为语音声学研究的，也有非常具体的任务。 如今，这并非罕见有成千上 万可行的句子提供给系统来训练及测试。 这些语料库允许研究人员量化语音声学的重要 内容，以确定识别参数在统计上是有意义的方式。尽管许多语料(如论文利用 TIMIT，马 币，车号自动识别等，参见 12.3 节)原本是在美国国防部高级研究局的赞助下收集的 人类的语言来刺激其承办商的技术发展，然而他们获得了世界的广泛认可(例如，英国， 加拿大，法国，德国，日本，)作为评价标准来建立语音识别。 第三，取得的进展所带来的性能评价标准的建立。 十年前，研究人员仅测试他们的 系统培训和利用当地收集的数据，并没有很仔细划分培训和测试。 因此，这样便很难比 较系统的全面性能，以及它所给出的数据在之前未出现时，系统的性能便逐渐退化。公共 领域最近提供的数据按照评价标准的规范，致使试验结果相同，从而有助于提高监测的可 靠性(语料库发展活动的主体和评价 方法，分别在 12 和 13 章作了)。 最后，计算机技术的进步，也间接影响了人类的进展。 提供大容量存储能力的快速 且低廉的电脑，使研究人员能够短时间运行许多大型规模的实验。 这意味着经过实践和 评价后的想法，它所花费的时间大大减少。 事实上，合理性能的语音识别系统现在可以 在无附加设备的高端工作站随时运行----这在几年之前仍是个不可思议的想象。 其中最普遍的，最有用的和困惑最低最有潜在的任务是数字识别。对于美国英语，独 立演讲者的连续数字串识别和电话宽带限制的语音可以达到 0.3,的误码率，前提是字符 串的长度已知。 其中最著名的中等难度的任务是 1000 字的所谓资源管理(RM)的任务，其用来查询 各种有关太平洋海军舰艇的研究。最好的独立执行任务的语音设备执行 RM 任务不超过 4,，用文字语言模型约束给定的单词。 最近，研究人员已经开始处理自发语音识别的问 题了。例如，在航空旅游信息服务(ATIS)域，超过 3,的误码误率少报了近 2000 字的词 汇和二元语言模型大约 15 的混乱度。 数千字词汇任务的高混乱度主要产生于听写任务中。语音系统成立多年，使用鼓励词 后，研究机构从 1992 年开始向超大词汇(20000 字以上)，高混乱度(P?200)，独立连 续语音识别发展。 1994 年的最好的语音系统实现了从北美商业新闻中读取句子并描述仅率 7.2,的误码率的成绩。 随着语音识别性能的不断改善，系统现正部署在电话和许多国家的蜂窝网络。统现正 部署在电话和许多国家的蜂窝网络。在未来几年中，语音识别的电话网络将在世界各地普 遍存在。有巨大的力量推动这项技术的发展，在许多国家，触摸音普及率低，声音是自动 控制服务的唯一选择。在语音拨号，例如，用户可以拨打 10 - 20 语音电话号码(例如，打 电话回家后)登记，说他们的声音与电话号码相关的话。 AT,T 公司，另一方面，安装 了呼叫路由系统使用扬声器独立字研配技术，可检测数(例如，个人对个人的关键短语， 要求在诸如句子卡):我想给它充电我电话卡。 目前，一些非常大的词汇听写系统可用于文档生成。这些系统通常需要对词与词之间 暂停发言。他们的表现可以得到进一步加强，如果可以报考，如支配 的具体领域限制的医 疗报告。 尽管正在取得很大进展，机器是从认识到对话的讲话很长的路。在语料库的总机电话 交谈字识别率是 50,左右。这将是许多年以前无限的词汇，非特定人连续听写能力得以实 现。 三 未来发展方向 1992 年，美国国家科学基金会主办的研讨会，以确定人类语言技术领域重点研究的 挑战，以及工作需要的基础设施支持。研究的主要挑战归纳为语音识别技术的以下几个方 面: 滤波性: 在一个强大的系统，性能缓慢下降(而不是灾难性的)作为条件使得所与训练的数据更为不符。在信道特征的差异和声学环境上应受到特别重视。 可携性: 便携性是指目标的快速设计，开发和部署新的应用系统。目前，当系统时常遭受重大 退化时，它便移动到一个新的任务上。 为了返回到峰值性能，他们必须接受培训的具体 例子来完成新的任务，这样即费时又昂贵。 适应: 如何能适应系统不断变化的条件(新扬声器，麦克风，任务等)和使用，通过使用改 进,这种适应可能发生在多层次的系统，模型子字，词的发音，语言模型等。 语言模型: 当前系统使用统计语言模型，是为了帮助减少搜索空间和解决声音的含糊问题。随着 词汇量的增长和其他方面的限制放宽，创造更适合人类居住的系统，这将使越来越重要的 语言模型可以得到尽可能多的约束，也许结合句法，并不能由纯粹的统计模型捕获语义约 束。 确保措施: 大多数语音识别系统分配分数来假设为基层来行使目的。这些分数不提供或不充分表 明他们是否有一个假设是正确的，只是因为这些假设优于其他。当我们按任务要求开始行 动时，我们需要更好的方法来评估假设的绝对正确性。 超纲词汇: 系统设计使用一套特定的单词，但系统的用户可能不知道哪些词是属于词汇系统中 的。这导致了某些自然条件下，超纲词汇占据了一定的百分比。系统必须有一些方法来检 测超纲的词汇，否则最终将会从词汇单词映射到未知的单词，导致发生错误。 自发演讲: 系统部署的行为是一个真正处理各种常见的自发讲话的现象，如填充停顿，错误的开 始，犹豫，在讲话中的不合语法的结构和其他没有发现的行为。 在飞机任务上的发展， 意味着在这一领域中的进展，但仍有许多工作要做。 韵律: 韵律是指在一些片段或字组上加以扩大的声学结构。通过音量、语调和节奏来表达文 字识别和用户意图的重要信息(例如，讽刺、愤怒)。目前的系统并不能识别韵律的结构。 如何把韵律信息整合到识别系统中来是一个尚未解决的关键性问题。 建模动态: 假设一个系统的输入，他们一般被视为独立的被帧序列。但据了解，对于文字和音素 知觉线索的性质，其所需要整合的功能，反映了音节的动态，这是动态性的变动整合。如 何做动态模型识别系统，并将其纳入到语音识别系统中来仍是个未解决的问题。