语音识别技术的基本原理是怎样的

（文章来源：人人都是产品经理）

语音识别技术最早依靠匹配，寻找单个音节、单个词和标准语音模板的最大相似度进行匹配。后来伴随着统计学被引入到语音识别中，将该技术逐步从模板匹配技术转向基于统计模型技术。对于不同的语音识别过程，人们采用的识别方法和技术不同，但所用的原理大致相同，即将经过降噪处理后的语音送入特征提取模块，然后对语音信号特征处理后输出识别结果。

预处理：过滤掉原始语音中的次要信息或噪音等，将语音信号转化为数字信号。特征提取：提取语音特征参数，形成特征矢量序列。实现语音识别，就需要语音参数来刻画语音信息。语音原本具有短时特性，所以描述语音的单位用帧（一般为10-40ms），在音频帧上提取的短时音频特征，叫音频帧特征。相对音频帧较长的时间间隔成为音频段，在音频段上提取的特征叫音频段特征。

常用的音频帧特征分为三类：时域特征、频域特征和声学感知特征。时域特征利用了音频信号在时域上面的信息，可以理解成横轴为时间，纵轴为音频信号。通过过零率、短时能量、音量、自相关系数等来描述音频信号在时间上的信息。过零率是指：音频信号由正到负、由负到正过程中，通过零的次数。应用于语音信号分析中，浊音具有较低的过零率，清音具有较高的过零率（发音时声带振动的是浊音，声带不振动的是清音）。

短时能量则是：通过能量的计算方法用于监测浊音和清音的转换时刻。应用与语音信号分析中，短时能量大的地方过零率低，短时能量小的地方过零率高。频域特征是把时域波形信号转换到频谱，然后进行计算。声学感知特征是声学上定义的概念，考虑了人的听觉感知特点，但通常计算比较复杂。

音频段特征是在音频帧特征基础上提取出来的，获取音频段特征的基本方法是：将音频段对应的音频帧特征经过均值、方差、标准差等统计学公式计算得出来的。原始语音信号传入预处理模块的目的：是为了压缩原始语音数据，提取出有代表性的特征来做后续的识别，主要分为三部分：预加重、分帧加窗、端点检测。

在语音识别过程中，经常会遇到原始语音数据因为噪音、背景音或次要信息的影响导致识别效果变差。预加重的目的就是为了提高语音质量，从含有噪声语音的信号中，尽可能提取纯净的原始语音信号。首先假设噪音和期望语音信号相互独立，然后通过估计噪音的功率，在原始语音中减去噪音功率达到去除噪音的目的。

这个方法较适用于噪音平稳波动性小的情况。通过获得前一时刻的滤波器参数，去自动调节现在时刻的滤波器参数。我的理解是：假设语音信号具有较强的相关性，那么取t+1时刻的滤波器参数作用于t时刻的语音信号，形成纯净的语音信号。

基于信号和噪声的小波系数在各尺度的分布特性，采用阈值的方法，达到去除噪声的目的。语音信号可假定为短时平稳的，即在较短时间内（如5-50ms），语音信号基本保持不变，然后把语音信号分隔为一些音频段再加以处理。

这些短段一般是周期的，对每个短段语音进行处理，就等效于对固定特性的这样原始语音进行处理。对每一帧处理的结果，就可以看作是一个新的依赖于时间的序列，且这个序列可用于描述语音信号特征。例如：原始语音采样序列为x(m)，那么分段后的序列可以理解为x(m)乘以窗函数w(n-m)得到的。

窗函数越宽，对信号的平滑作用越明显，反之，对信号几乎没有任何平滑作用。对语音信号中的有声片段和无声片段进行分割，然后再针对有声片段的语音特征进行识别，主要是利用语音特征参数进行判断。一般情况下，端点监测是语音识别的第一步。