语音识别算法有哪些

　　本文列举了几种不同的语音识别算法。

　　第一种：基于动态时间规整（Dynamic Time Warping）的算法

　　在连续语音识别中仍然是主流方法。

　　该方法的运算量较大，但技术上较简单，识别正确率高。

　　在小词汇量、孤立字（词）识别系统中，也已有许多改进的DTW算法被提出。例如，利用频率尺度的DTW算法进行孤立字（词）识别的方法。

　　第二种：基于参数模型的隐马尔可夫模型（HMM）的方法

　　该算法主要用于大词汇量的语音识别系统，它需要较多的模型训练数据，较长的训练和识别时间，而且还需要较大的内存空间。

　　一般连续隐马尔可夫模型要比离散隐马尔可夫模型计算量大，但识别率要高。

　　第三种：基于非参数模型的矢量量化（VQ）的方法

　　该方法所需的模型训练数据，训练和识别时间，工作存储空间都很小。

　　但是VQ算法对于大词汇量语音识别的识别性能不如HMM好。

　　在孤立字（词）语音识别系统中得到了很好的应用。

　　另外，还有基于人工神经网络（ANN）的算法和混合算法，如ANN/HMM法，FSVQ/HMM法等。

　　更多语音识别算法如下：

　　卷积神经网络

　　深度学习神经网络

　　BP神经网络

　　RBF神经网络

　　模糊聚类神经网络

　　改进的T-S模糊神经网络

　　循环神经网络

　　小波神经网络

　　混沌神经网络

　　小波混沌神经网络

　　神经网络和遗传算法

　　动态优化神经网络

　　K均值和神经网络集成

　　HMM与自组织神经网络的结合

　　正交基函数对向传播过程神经网络

　　HMM和新型前馈型神经网络

　　特征空间随机映射

　　SVM多类分类算法

　　特征参数归一化

　　多频带谱减法

　　独立感知理论

　　分段模糊聚类算法VQ-HMM

　　优化的竞争算法

　　双高斯GMM特征参数

　　MFCC和GMM

　　MFCCs和PNN

　　SBC和SMM

　　MEL倒谱系数和矢量量化

　　DTW

　　LPCC和MFCC

　　隐马尔科夫模型HMM

　　语音识别特征提取方法

　　语音识别对特征参数有如下要求：

　　1. 能将语音信号转换为计算机能够处理的语音特征向量

　　2. 能够符合或类似人耳的听觉感知特性

　　3. 在一定程度上能够增强语音信号、抑制非语音信号

　　常用特征提取方法有如下几种：

　　（1）线性预测分析（LinearPredictionCoefficients，LPC）

　　拟人类的发声原理，通过分析声道短管级联的模型得到的。假设系统的传递函数跟全极点的数字滤波器是相似的，通常用12-16个极点就可以描述语音信号的特征。所以对于n时刻的语音信号，我们可以用之前时刻的信号的线性组合近似的模拟。然后计算语音信号的采样值和线性预测的采样值。并让这两者之间达到均方的误差（MSE）最小，就可以得到LPC。

　　（2）感知线性预测系数（PerceptualLinearPredictive，PLP）

　　一种基于听觉模型的特征参数。该参数是一种等效于LPC的特征，也是全极点模型预测多项式的一组系数。不同之处是PLP是基于人耳听觉，通过计算应用到频谱分析中，将输入语音信号经过人耳听觉模型处理，替代LPC所用的时域信号，这样的优点是有利于抗噪语音特征的提取。

　　（3）Tandem特征和Bottleneck特征

　　这是两种利用神经网络提取的两类特征。Tandem特征是神经网络输出层节点对应类别的后验概率向量降维并与MFCC或者PLP等特征拼接得到。Bottleneck特征是用一种特殊结构的神经网络提取，这种神经网络的其中一个隐含层节点数目比其他隐含层小的多，所以被称之为Bottleneck（瓶颈）层，输出的特征就是Bottleneck特征。

　　（4）基于滤波器组的Fbank特征（Filterbank）

　　亦称MFSC，Fbank特征的提取方法就是相当于MFCC去掉最后一步的离散余弦变换，跟MFCC特征相比，Fbank特征保留了更多的原始语音数据。

　　（5）线性预测倒谱系数（LinearPredictiveCepstralCoefficient，LPCC）

　　基于声道模型的重要特征参数。LPCC是丢弃了信号生成过程中的激励信息。之后用十多个倒谱系数可以代表共振峰的特性。所以可以在语音识别中取得很好的性能。

　　（6）梅尔频率倒谱系数（MelFrequencyCepstrumCoefficient，MFCC）

　　基于人耳听觉特性，梅尔频率倒谱频带划分是在Mel刻度上等距划分的，频率的尺度值与实际频率的对数分布关系更符合人耳的听觉特性，所以可以使得语音信号有着更好的表示。1980年由Davis和Mermelstein搞出来的。从那时起。在语音识别领域，MFCC可谓是鹤立鸡群，一枝独秀。

　　Q： MFCC为何一枝独秀

　　人通过声道产生声音，声道的shape决定了发出怎样的声音。声道的shape包括舌头，牙齿等。如果我们可以准确的知道这个形状，那么我们就可以对产生的音素phoneme进行准确的描述。声道的形状在语音短时功率谱的包络中显示出来。而MFCC就是一种准确描述这个包络的一种特征。

　　声谱图

　　处理语音信号，如何去描述它很重要，因为不同的描述方式放映它不同的信息，而声谱图的描述方式是最利于观测和理解的。

　　由上图可知，这段语音被分为很多帧，每帧语音都对应于一个频谱（通过短时FFT计算），频谱表示频率与能量的关系。在实际使用中，频谱图有三种，即线性振幅谱、对数振幅谱、自功率谱（对数振幅谱中各谱线的振幅都作了对数计算，所以其纵坐标的单位是dB（分贝）。这个变换的目的是使那些振幅较低的成分相对高振幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号）。

　　先将其中一帧语音的频谱通过坐标表示出来，如上图（a）。旋转90度，得到图（b）。把这些幅度映射到一个灰度级表示，得到了图（c）。这样操作的原因是为了增加时间维度，，得到一个随着时间变化的频谱图，这个就是描述语音信号的声谱图（spectrogram）。这样就可以显示一段语音而不是一帧语音的频谱，而且可以直观的看到静态和动态的信息。

　　倒谱分析（CepstrumAnalysis）

　　下面是一个语音的频谱图。峰值就表示语音的主要频率成分，我们把这些峰值称为共振峰（formants），而共振峰就是携带了声音的辨识属性，用它就可以识别不同的声音。因此，需要把它提取出来。要提取的不仅是共振峰的位置，还得提取它们转变的过程。所以我们提取的是频谱的包络（SpectralEnvelope）。这包络就是一条连接这些共振峰点的平滑曲线。

　　由上图可以看出，原始的频谱由两部分组成：包络和频谱的细节。因此需要把这两部分分离开，就可以得到包络了。按照下图的方式进行分解，在给定logX［k］的基础上，求得logH［k］和logE［k］满足logX［k］=logH［k］+logE［k］。

　　由上面这个图我们可以看到，包络主要是低频成分，而高频主要是频谱的细节。把它俩叠加起来就是原来的频谱信号了。即，h［k］是x［k］的低频部分，因此将x［k］通过一个低通滤波器就可以得到h［k］了，也就是频谱的包络。

　　以上解卷过程的专业术语叫做同态信号处理，（另一种方法为基于线性变换）。语音本身可以看成是声道冲击信息（包括话者个性信息、语义信息，表现为频谱低频成分）经过声门激励的一个响应函数，在时域上表现为卷积形式。为将二者分离开来，求得声道共振特征和基音周期，需要把这种非线性问题转化为线性问题。第一步通过FFT将其变成了乘性信号（时域的卷积相当于频域的乘积）；第二步通过取对数将乘性信号转化为加性信号；第三步进行逆变换，使其恢复为卷性信号。此时，虽然前后均是时域序列，但它们所处的离散时域显然不同，所以后者称为倒谱频域。计算过程如下图所示。