語音輸入
語音輸入(Voice input)是一種簡便易用的輸入法，指用戶將語音(“說話”)信號通過麥克風(fēng)輸入計算機(jī)，計算機(jī)將語音信號識別為文字的計算機(jī)輸入方式。語音識別技術(shù)是一個典型的多學(xué)科交叉的前沿技術(shù)，涉及聲學(xué)、生理學(xué)、心理學(xué)、信號處理、模式識別、人工智能、信息理論、語言學(xué)以及計算機(jī)科學(xué)等眾多學(xué)科。語音輸入有廣泛的應(yīng)用領(lǐng)域，如：語音聽寫機(jī)、聲控系統(tǒng)等。
系統(tǒng)組成
大詞匯量語音識別系統(tǒng)多采用統(tǒng)計模式識別技術(shù)，典型的基于統(tǒng)計模式識別方法的語音識別系統(tǒng)由以下幾個基本模塊構(gòu)成：
（1）信號處理及特征提取模塊，主要任務(wù)是從輸入信號中提取特征，供聲學(xué)模型處理。目前常用語音聲學(xué)特征參數(shù)有Mel倒譜系數(shù)(Mel-frequency cepstral coefficients,MFCC)和感知線性預(yù)測(perceptual linear predictive,PLP)等。同時，該模塊一般還采用一些信號處理技術(shù)，以盡可能降低環(huán)境噪聲、信道、說話人等因素對特征造成的影響。
（2）統(tǒng)計聲學(xué)模型，典型系統(tǒng)多采用基于隱馬爾科夫模型(HMM)進(jìn)行建模。語音識別中使用HMM通常是用從左向右單向、帶自環(huán)、帶跨越的拓?fù)浣Y(jié)構(gòu)來對識別基元建模。一個音素就是一個三至五狀態(tài)的HMM，一個詞就是構(gòu)成詞的多個音素的HMM串行起來構(gòu)成的HMM，而連續(xù)語音識別的整個模型就是詞和靜音組合起來的HMM。
（3）發(fā)音詞典，包含系統(tǒng)所能處理的詞匯集及其發(fā)音。發(fā)音詞典實(shí)際提供了聲學(xué)模型建模單元與語言模型建模單元間的映射。
（4）語言模型，對語音識別系統(tǒng)所針對的語言進(jìn)行建模。語言模型主要分為規(guī)則模型和統(tǒng)計模型兩種，語言模型性能通常用交叉熵和復(fù)雜度(perplexity)來衡量。理論上，包括正則語言和上下文無關(guān)文法在內(nèi)的各種語言模型都可以作為語言模型，但目前各種系統(tǒng)普遍采用的還是基于統(tǒng)計的N元文法及其變體。
（5）解碼器，語音識別系統(tǒng)的核心之一。其任務(wù)是對輸入的信號，根據(jù)聲學(xué)、語言模型及詞典，搜索能夠以最大概率輸出該信號的詞串。
系統(tǒng)原理
語音識別系統(tǒng)的識別基元通常采用上下文相關(guān)的音素，漢語語音識別基元也經(jīng)常選擇聲韻母或者音節(jié)。語音識別系統(tǒng)所需的訓(xùn)練數(shù)據(jù)大小與模型復(fù)雜度有關(guān)，大詞匯量和非特定人的連續(xù)語音識別系統(tǒng)通常又稱為聽寫機(jī)。
其架構(gòu)就是建立在前述聲學(xué)模型和語言模型基礎(chǔ)上的HMM拓?fù)浣Y(jié)構(gòu)，訓(xùn)練時對每個語音識別基元用前向后向算法獲得HMM模型參數(shù)。識別時，將基元串接成詞，詞間加上靜音模型并引入語言模型作為詞間轉(zhuǎn)移概率，形成循環(huán)結(jié)構(gòu)，用Viterbi算法進(jìn)行解碼針對漢語易于分割的特點(diǎn)，先進(jìn)行分割再對每一段進(jìn)行解碼，可以有效地提高解碼的效率。
系統(tǒng)性能
語音識別系統(tǒng)的性能受許多因素的影響，包括不同的說話人、說話方式、環(huán)境噪聲和傳輸信道等。提高系統(tǒng)強(qiáng)健性，就是使系統(tǒng)在不同的應(yīng)用環(huán)境和條件下保持性能的穩(wěn)定性。語音識別系統(tǒng)自適應(yīng)的目的，就是根據(jù)不同的影響，自動的、有針對性的對系統(tǒng)進(jìn)行調(diào)整，在使用中逐步提高語音識別系統(tǒng)性能。