基于深度學(xué)習(xí)的語音識(shí)別方法

滕海坤 李倫彬 王詩瑩 黑河學(xué)院計(jì)算機(jī)與信息工程學(xué)院

智能化的深度開發(fā)和研究，使其與語言識(shí)別的整合更加緊密，機(jī)器學(xué)習(xí)模型構(gòu)建也顯得更加重要。隨著信息化技術(shù)的優(yōu)化與發(fā)展，智能化研究的語音識(shí)別已經(jīng)成為可能，對(duì)深度學(xué)習(xí)的語音識(shí)別方法研究也顯得更加重要。

一、人工智能語音識(shí)別技術(shù)現(xiàn)狀

現(xiàn)階段隨著科學(xué)技術(shù)的發(fā)展促使人工智能語音識(shí)別技術(shù)廣泛普及，成為廣大人民日常生活中不可缺失的一部分[1]。這種語音識(shí)別技術(shù)主要接受到語言輸入信號(hào)后，通過計(jì)算機(jī)把語言信號(hào)轉(zhuǎn)換成對(duì)應(yīng)的文字技術(shù)。由于人工智能語音識(shí)別技術(shù)廣泛被應(yīng)用到人們常用的電子產(chǎn)品當(dāng)中，極大的提升人們生活效率，這項(xiàng)技術(shù)的開發(fā)給人們生活帶來了巨大改變。并且語音識(shí)別技術(shù)還可以在計(jì)算器轉(zhuǎn)換語音信號(hào)輸入時(shí)獲取并立即執(zhí)行獲得的指令。但由于國(guó)內(nèi)現(xiàn)階段人工智能語音技術(shù)剛處于發(fā)展階段，擁有一些缺點(diǎn)，正在逐步發(fā)展并完善提供給人們更優(yōu)質(zhì)的服務(wù)。

（一）噪聲干擾問題

噪聲干擾目前還未有人找到有效解決方法，由于在收集語音信號(hào)過程中有噪音干擾，導(dǎo)致語音識(shí)別系統(tǒng)無法有效識(shí)別接受到的信號(hào)，甚至無法識(shí)別語音信號(hào)。

（二）端點(diǎn)檢測(cè)技術(shù)有待提高

端點(diǎn)檢測(cè)技術(shù)在語音識(shí)別信號(hào)過程當(dāng)中占據(jù)著舉足輕重的位置，但端點(diǎn)檢測(cè)器技術(shù)有待提升，因?yàn)槎它c(diǎn)檢測(cè)器在沒有噪音并且非常安靜的環(huán)境下，出現(xiàn)的語音識(shí)別失誤大多來自檢測(cè)器。可以看出如果想大幅度提升語音識(shí)別技術(shù)，必須加大對(duì)端點(diǎn)檢測(cè)技術(shù)的研發(fā)與改進(jìn)，而提升端點(diǎn)檢測(cè)技術(shù)的本質(zhì)就是穩(wěn)定性更高的語音參數(shù)[2]。

二、基于人工智能深度學(xué)習(xí)的語音識(shí)別方法分析

（一）語音識(shí)別方法中的語音拾取和提取特征

語音拾取在語音識(shí)別方法中具有端點(diǎn)檢測(cè)與采樣兩個(gè)非常重要的環(huán)節(jié)。在進(jìn)行端點(diǎn)檢測(cè)環(huán)節(jié)時(shí)，主要是用來收集在外界環(huán)境干擾下的語音樣本，也就是擁有噪音的環(huán)境下，這種方法具有可以分辨出噪音下的語音樣本，通過縮減通信帶寬、設(shè)備能耗并壓縮語音編碼的實(shí)際的速率，來確保加強(qiáng)語音識(shí)別率的功效，并且這種識(shí)別方法也被人們叫作語音活動(dòng)檢測(cè)，或語音邊界檢測(cè)。在這一語音收集識(shí)別過程中主要利用語音活動(dòng)檢測(cè)器來達(dá)到語音收集并識(shí)別方法功能[3]。

我國(guó)現(xiàn)階段對(duì)于端點(diǎn)檢測(cè)方法還有兩個(gè)非常重要的問題無法有效解決，第一個(gè)問題是收集語音信息后的前后沿剪切問題，這一問題主要表現(xiàn)在語音檢測(cè)整體過程中的頭尾與實(shí)際人聲之間擁有時(shí)間差的問題，無法完全同步，為此，對(duì)于語音波形的開頭和結(jié)尾都會(huì)人為進(jìn)行刪減，結(jié)果會(huì)導(dǎo)致翻譯文字與實(shí)際語音波形兩者間擁有出入；第二個(gè)問題是外界環(huán)境中存在的噪音問題，現(xiàn)階段的問題是如何精確有效的區(qū)分出接受到的信號(hào)源中的噪音，為此提升語音參數(shù)的穩(wěn)定性是最為有效的解決方法，找尋穩(wěn)定性強(qiáng)的以此來準(zhǔn)確提取語音特征。

采樣環(huán)節(jié)作為語音拾取過程中的初試環(huán)節(jié)，其本質(zhì)就是收集語音樣本，再把收集到的語音樣本通過轉(zhuǎn)換器進(jìn)行轉(zhuǎn)換。在這一過程中，為有效避免由于頻率低導(dǎo)致低頻發(fā)生失真現(xiàn)象，為此應(yīng)在采用聲卡進(jìn)行收集信號(hào)過程中，確保整體過程中采用的頻率是最高錄制頻率的兩倍或兩倍以上。

（二）語音識(shí)別方法中的模擬訓(xùn)練和語音識(shí)別判斷

模擬訓(xùn)練和語音識(shí)別判斷主要包括三方面內(nèi)容：

1.要想更好的完成語音識(shí)別工作，可以多進(jìn)行模擬訓(xùn)練，訓(xùn)練的過程可以對(duì)照已有的識(shí)別方法進(jìn)行。訓(xùn)練的主要目的是獲得語音參數(shù)，將其作為模板保存和其他模板一起用于建立參考模板庫，之后的語音識(shí)別可以以此為標(biāo)準(zhǔn)。

2.將識(shí)別樣本按照參考模板的標(biāo)準(zhǔn)進(jìn)行挑選，挑選出與模板最為接近的樣本，將其作為識(shí)別字。對(duì)比方法有以語音特征訓(xùn)練的提取結(jié)果為標(biāo)準(zhǔn)進(jìn)行篩選。識(shí)別時(shí)，主要以待識(shí)別字的向量序列進(jìn)行區(qū)分，可以輸入訓(xùn)練特征與語音信號(hào)來獲得，接著要將得到的序列與模板進(jìn)行對(duì)比[4]。

3. 提高語音系統(tǒng)對(duì)特征的識(shí)別。語音識(shí)別系統(tǒng)中往往需要對(duì)聲學(xué)模型進(jìn)行分析和處理，進(jìn)行這一步驟的前提是將語音信號(hào)中所包含的信息進(jìn)行量化，并從中提取出特征用于代表語音信號(hào)本省，由此可見，在整個(gè)語音識(shí)別系統(tǒng)中最為關(guān)鍵的環(huán)節(jié)就是提取語音信號(hào)特征。通過在圖像識(shí)別中使用深度學(xué)習(xí)方法，發(fā)現(xiàn)其對(duì)于圖像識(shí)別有很大幫助，之后在語音識(shí)別系統(tǒng)中使用，也效果顯著。與傳統(tǒng)方法不同，深度學(xué)習(xí)通過其獨(dú)特的訓(xùn)練方式能夠讓神經(jīng)網(wǎng)絡(luò)具有更佳的初始權(quán)值和偏重，避免了訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)局部最優(yōu)解情況的發(fā)生。深度神經(jīng)網(wǎng)絡(luò)更為貼近原始音素?cái)?shù)據(jù)的本質(zhì)特征，使數(shù)據(jù)更易于區(qū)分，優(yōu)化語音識(shí)別系統(tǒng)，讓語音識(shí)別系統(tǒng)更為精確。

三、結(jié)束語

在信息技術(shù)與智能化技術(shù)不斷發(fā)展完善的今天，深度學(xué)習(xí)的語音識(shí)別方法也得到了優(yōu)化，本文對(duì)基于人工智能的深度學(xué)習(xí)語音識(shí)別方法進(jìn)行研究，旨在為相關(guān)技術(shù)人員與相關(guān)工作領(lǐng)域研究提供助力。