自动语音识别

定义

自动语音识别指由机器把语音信号转换为词、音素或其他语言单位序列的技术与相应学科分支，也称语音识别或计算机语音识别^[1][2]。它涵盖信号采集、声学特征提取、声学建模、语言建模以及解码等环节，解码的任务是在给定输入信号的条件下搜索最可能的词序列^[1]。

与语音合成、声纹识别并列，自动语音识别属于语音技术的主要分支，其输出通常是文本，因此常被描述为声音到文字的转换^[2]。按适用对象可分为限定说话人的系统与面向大规模用户的商用系统，后者一般不需要用户预先训练^[3]。

原理

识别问题可形式化为在候选词序列中寻找后验概率最大的一项，按贝叶斯定理可分解为声学模型给出的似然与语言模型给出的先验之积，即 $\hat{w}=\arg\max_{w}P(x|w)P(w)$，其中 $x$ 为语音特征序列，$w$ 为词序列^[4]。声学模型刻画语音特征与音素、状态等子词单元之间的对应关系，语言模型则描述词序列在语言上的合理性，两者在解码阶段结合^[5]。

前端处理先对波形预加重、分帧加窗，通常取约 25 毫秒的帧长并以 10 毫秒为帧移，再经频谱分析得到梅尔频率倒谱系数等特征，并可用差分系数描述帧间动态^[1][6]。静音段检测可以筛除不含语音的帧，降噪与波束成形等语音增强手段则用于抑制噪声和混响^[1]。

传统系统以隐马尔可夫模型描述语音的时间变化，用高斯混合模型拟合各状态的观测分布，并借助 Baum-Welch 一类算法估计参数^[6]。深度学习方法兴起后，神经网络被用于声学建模；端到端方案则以单一网络直接学习特征到文本的映射，常见形式包括连接时序分类、注意力编码器—解码器与循环神经网络转换器^[5]。

flowchart LR

A[语音输入] --> B[预处理与分帧]

B --> C[声学特征提取]

C --> D[声学模型]

D --> E[解码搜索]

F[语言模型] --> E

G[发音词典] --> E

E --> H[文本输出]

发展历程

该领域的研究可追溯到 20 世纪 50 年代初的贝尔实验室，当时的 Audrey 系统能识别单一说话人说出的孤立数字，说明声学模式可以与词类别相匹配^[1]。中国相关文献同样把 1952 年贝尔研究所研制、可识别 10 个英文数字发音的 Audry 系统视为早期成果^[7]。20 世纪 60 年代，动态时间规整与线性预测分析等方法相继引入，为后续建模提供了工具^[8][4]。

20 世纪 70 至 80 年代，隐马尔可夫模型逐步成熟并成为主流方法，连续语音识别和与说话人无关的识别成为研究重点，美国国防高级研究计划局的资助催生了卡内基梅隆大学的 Sphinx 等系统^[4]。20 世纪 90 年代起，IBM 的 ViaVoice、Dragon 的听写产品等进入实用阶段，语音识别开始商业化^[7]。

2009 年前后，深度神经网络开始用于声学建模，在标准数据集上取得当时最好结果；2011 年至 2012 年间，用深度神经网络替换高斯混合模型的大词汇量系统显著降低了错误率，语音识别由此进入深度学习阶段^[7][5]。此后注意力机制与 Transformer、Conformer 等结构成为高精度系统的主要骨架，大规模多语言预训练模型进一步提升了跨语言识别能力^[5][9]。

应用

在消费电子领域，智能手机、智能音箱与车载系统用自动语音识别实现语音控制和指令交互^[1]。语音输入法、语音搜索等把说话内容直接转为文字，属于较早普及的文本输入方式^[7]。

在专业场景中，该技术用于医疗口述记录的转写、客服通话的转录与意图分析、会议与广播的实时字幕，以及法庭审理和媒体资料的自动转写^[5]。对听障人士而言，实时字幕是重要的无障碍辅助手段^[1]。

在通信与嵌入式设备中，语音识别可替代按键完成信息查询、语音号簿等业务，也可部署在资源受限的芯片与模组上实现离线命令词识别^[3][10]。

局限

识别精度受录音条件影响明显，背景噪声、混响、多说话人干扰以及麦克风差异都会使错误率上升，因此部署系统往往需要多条件训练、前端增强或阵列波束成形等手段加以补偿^[5]。口音、方言与语速差异同样构成挑战，儿童语音与成人语音的声学特征不同，用成人数据训练的模型难以直接适用^[1]。

语言层面的困难包括同音词歧义与语码转换，即说话人在一句话中混用多种语言，这类现象会削弱语言模型的作用^[11]。专业领域词汇偏离通用语料时，也需要通过领域自适应调整模型才能保持准确度^[5]。

数据条件限制了技术覆盖范围。训练模型需要大量成对的语音与文本语料，低资源语言的语料规模往往不足，通常要借助迁移学习和自监督预训练来缓解^[11][5]。在工程实现上，双向结构需要句子级更新才能利用未来上下文，会带来解码延迟，对实时性要求高的场合需另行优化^[12]。

此外，端到端模型虽简化了系统流程，但输出结果的可解释性有限，识别错误的定位与纠正比模块化系统更为困难；噪声鲁棒性与跨域泛化仍是持续研究的方向^[5]。

参见

• 语音合成 —— 与自动语音识别方向相反，把文本转换为语音输出。

• 隐马尔可夫模型 —— 传统语音识别中长期使用的序列统计建模方法。

• 语言模型 —— 在解码阶段为候选词序列提供概率评分的组件。

• 深度学习 —— 推动声学建模从高斯混合模型转向神经网络的技術路线。

• 声纹识别 —— 同样基于语音信号，但任务是根据声音判断说话人身份。

• 连接时序分类 —— 端到端语音识别中处理输入输出长度不一致的损失与解码方法。