教你如何开发语音识别程序

第一步：采样

人的声音频率是有范围的，所以采样也应当选取范围。采样率是最低频率的2倍，此乃常识。至于最低频率怎样定，可以根据实际情况。

1、注意你的麦克风，有些麦克风是有接受范围的，把频率定得比麦克风的能力极限还低，显然是浪费。

2、用途。如果是要求可靠性很高的系统，则要注意加大频率范围。如果要求实时性比较高，那就要考虑处理机的速度了，数据量和频宽是正比的。

3、性别。男人的低音部分比女人更重要。所以如果对性别加以区分，那么在识别不同性别时应该采用不同下限。

4、特别指出，小心干扰。频率范围大了，噪音也就多。如果扩大的范围内噪音比较多，那还是不要的好。

第二步：语音处理

采样进入计算机后，成为一段段的数据，表明各个时刻的声音能量。处理时，第一步就是消除噪音，消不了这个东西，下面怎么都不好搞。可消除的主要是电器噪音，方法是完全静音时，录下电路信号，反相回到声音上去就成了。再下面就是断字了。人类语言是分音节的，音节之间是有一个停顿的，特别是汉语就更明显了。我主要讲的是汉语，在输入的数据中舍去能量低于一定值的部分，余下次的一段段的就对应各个字了。这需要解决两个问题，第一，舍去的标准，显然人说话声音有高有低，不能硬来。我的建议是取波形，不管说话声音高低，声音总是有形状的，不妨先取几个完整的波形，算出平均能量，取它的几分之一作为标准即可。而且这个过程似乎应该是动态的。第二是舍去一部分后，余下的部分可能不太整齐，由于噪音等原因，该舍的可能没舍，这就会有问题。解决这个问题大概可以在舍去时，不仅根据值的大小，还要根据两边的情况。这关系到舍去函数了，不是很难。断开各个字之后，就可以进行匹配了。原来的样本经过处理后，变成时间的函数，以时间为顺序取得一组值，成为Ｎ维向量。待处理的数据也同样进行，采用波形插值法从采样中取出Ｎ维向量，与样本进行匹配。 这关键是一个匹配函数的问题，即由两个向量在空间的相互位置得到一个匹配度，与样本依次比较，得出各自的匹配度。

由于各个样本都要匹配，所以速度很重要。通常的改进方法是进行多次匹配，即只把某些坐标进行对比，值大于某个标准才进行二次匹配。 这个标准可以是动态的，比如已进行过的对比的第Ｍ大的值。 为什么不到最大值，主要是需要保留多个结果。同时Ｍ可调，也便于在处理特殊情况时进行智能应变。匹配时，相应的计算函数相当重要，样本要相当的标准，同时以此样本为中心，扩张出多层区域，每层内的向量得到各层的匹配度，由此只要划定相应的匹配区域，给出值就可以了。

这里要多说一点，一般来说，匹配时都采用统一的函数，我却不这么认为，特别是汉语，语音的种类很少，不如将它们分组，每个组函数都不一样。也就是在匹配时，跟据要操作的目标，可以得到相应的匹配函数，进行匹配。 我觉得这要比用同一个匹配函数有效的多。而且，在调节对具体某个字的识别时，也很容易，同时在让它自动学习的时候，也很容易搞。你可以自己设计一个软件，把样本显示在二维坐标上（Ｘ:时间，Ｙ：能量），输入一个声音时，把相应的量也显示在坐标系上。这是两条曲线。一方面，你可以反复地读样本，让软件把各条曲线求出来，然后取个中间值更新样本。另一方面，你也可以人脑辅助，根据自己反复读样本得出的曲线，对坐标空间进行分割，得出相应的匹配函数。也就是说，样本可以通过学习自动升级，匹配函数也可以由人脑加入进行升级。我认为这样会更高效一点。分组还有一个好处就是把相近的音归到一组，如果输入的数据和其中一个相差太远，其他的就可以跳过去了。这样可以提高速度。匹配这后，就把结果送入下一模块，其结果应该是这样：Ｘ：概率Ｘo，Ｙ：概率Ｙo……如此等等，要送入概率最大的Ｍ个字，同时附上各字的概率。

第三步：上下文对照选定文字

这似乎和词库有关，所以词库的组织要好，词汇量要大，重要的一点是自己能够学习。出现新词要能记住，常用词要靠前，等等。这是微软的做法。微软采取的另一个方法是输入的词语先不交给应用程序，而是自己有一个缓冲区，输入的词语放在缓冲内，显示在屏幕上，这样一方面可以在输入下文后，依次修改上文，（交给应用程序后可就改不了。）另一方面也可以让用户通过手工操作对文字选择进行干预，从而提高效率。