1.1 概述
中科信利連續(xù)語音識別引擎，針對連續(xù)音頻流（即來自說話人直接錄入的語音，或者電話或其他音視頻領域的音頻信號）進行識別，將音頻信息自動轉化成文字。覆蓋漢語中絕大多數(shù)詞語，適用于說普通話的任何人群。輸出的結果都是漢字，兼容數(shù)字。
在輸入的聲音中，檢測出可靠的語音，排除靜音、背景噪聲、音樂等，判斷男女，實時送入語音識別解碼器進行識別。
識別引擎把音視頻中提取出的語音分成25毫秒一幀，提取有用特征，然后識別出一些類似拼音的結果（聲學模型），再根據(jù)漢語字詞句之間的搭配概率（語言模型），綜合考慮。當然，考慮的越多（beam路徑越大），識別準確率相對提高，同時消耗的時間就增長了；所以我們有優(yōu)化策略，及時排除不可能的結果，避免系統(tǒng)過慢。用戶可以通過調(diào)節(jié)這些參數(shù)來平衡識別質量和速度，以滿足實際的需要。
最后返回的識別結果，軟件以漢語中基本詞語為單位給出了多種可能（1到十幾種）以及可能性大小供用戶參考選擇。
需要說明的是，對識別正確率以及識別速度來說，輸入語音（普通話）的質量（采音過程）是很重要的。采音時應盡可能的排除噪聲和音樂、增大語音，識別效果就會好得多，因此建議用戶在采音的時候選用質量較好的麥克風。
另外，系統(tǒng)在檢測是否有語音信號時可能會帶來一定的時間滯后，用戶在實時錄入時在每句話結束后，需要略有停頓，這樣可以提高系統(tǒng)語音檢測的速度和精度。語音檢測的越好，識別引擎的識別效果會越好。
1.2 引擎架構和基本原理
下圖給出了連續(xù)語音識別引擎的基本架構圖：
圖1.語音識別引擎架構圖
系統(tǒng)流程
如圖1所示，首先對輸入的音頻數(shù)據(jù)進行自動分類，過濾掉彩鈴、振鈴、傳真、音樂以及其他噪音，保留有效用戶語音數(shù)據(jù)，然后進行自動分段和端點檢測，獲取逐句的有效語音數(shù)據(jù)，然后將其送入特征提取和處理模塊，接著對于提取的聲學特征進行解碼，解碼過程利用發(fā)音字典、聲學模型、語言模型等信息構建WFST搜索空間，在搜索空間內(nèi)尋找匹配概率最大的最優(yōu)路徑，得到識別結果。后續(xù)可采用重估模塊，增加其他知識源，進一步提升語音識別系統(tǒng)性能。
核心技術特點
- 語音端點檢測
采用兩遍的維納濾波技術消除背景噪聲；采用垃圾語音混合高斯建模的方法去除垃圾語音（笑聲、咳嗽聲等非自然人語音）；采用諧波檢測技術檢測語音起始點。
- 特征提取
從人的聽覺感知及發(fā)音機理等現(xiàn)有基礎研究成果出發(fā)，分析提取具備抗噪性、鑒別性、互補性的特征參數(shù)。
采用PLP/CMN/HLDA/VTLN/高斯化等穩(wěn)健性特征提取和處理技術，減少信道影響，進一步提高特征的區(qū)分性。
- 聲學建模：
采用基于深度神經(jīng)網(wǎng)絡DNN的聲學建模技術，采用業(yè)界領先的鑒別性模型訓練算法，大幅度提升語音識別系統(tǒng)性能。在訓練數(shù)據(jù)、特征提取等方面都充分考慮了自然環(huán)境噪聲的干擾，并且采用多條件的訓練策略，能夠顯著提高對于噪聲的穩(wěn)健性。采用大量實網(wǎng)語音的訓練數(shù)據(jù)庫，適應用戶自然口語發(fā)音特點和地方口音特點。
- 語言建模
充分利用網(wǎng)上業(yè)務語料，采用高階文法的統(tǒng)計語言模型技術。
積累了大量的分類文本語料（1T左右），使得語言模型能夠很好地覆蓋各個領域。同時對語言模型存取速度進行了大幅度優(yōu)化以滿足實用需求。
- 解碼算法
采用基于WFST的Cross-word靜態(tài)搜索空間構建方法，有效地單遍集成各種知識源，將聲學模型、聲學上下文、發(fā)音詞典、語言模型等靜態(tài)編譯成狀態(tài)網(wǎng)絡，通過充分的前向后向歸并算法優(yōu)化網(wǎng)絡。在識別率相當?shù)那闆r下，比WFST開源工具包解碼速度快5倍以上。
- 自學習
采用模型自學習技術，基于實網(wǎng)語音數(shù)據(jù)進行聲學模型和語言模型的自適應，適應于多種地區(qū)的用戶口音。
1.3 引擎應用模式
中科信利連續(xù)語音識別引擎API提供兩種應用模式：
一種是在線實時錄音，檢測語音并進行識別。這種方法適合用于需要實時獲得講話內(nèi)容的場合。目前可以在各類會議討論中進行開發(fā)使用。
另一種是離線讀入錄音文件進行識別，可以充分的利用聚類、實時自適應等技術，把語音的內(nèi)容充分分析，進一步提高識別準確度。這種模式適用于希望取得精確文本內(nèi)容，而對時間要求不高的應用。
2 中科信利連續(xù)語音識別引擎的功能和性能
2.1 連續(xù)語音識別引擎的特點和性能
核心引擎采用中科信利具有自主知識產(chǎn)權的國際領先的大詞匯量連續(xù)語音識別技術。
能夠自動將連續(xù)語音的內(nèi)容轉成文字，支持在線語音流識別或離線語音數(shù)據(jù)識別。
可以實時對語音分段，判別類型，可自動分辨和過濾背景音樂、噪聲等非表義音頻段，對語音分男女進行識別。
識別結果除了文字外，還可同時給出時間索引信息（精確到每個字），有利于進行多媒體信息檢索；多候選信息為人工校對提供方便。
能夠達到較高的識別準確率
引擎準確率性能：
- 對于朗讀類型語音（如：手機語音搜索或輸入類語音、廣播電視新聞等），識別準確率在90%以上，經(jīng)過模型優(yōu)化訓練以后能達到95%。
- 對于自然對話類型語音（如：電視訪談語音或電話自然交談語音），識別準確率為85%左右，經(jīng)過模型優(yōu)化訓練以后能夠達到90%。
引擎速度性能：
- 在普通臺式機上可以達到1倍實時。
- 并發(fā)性：針對普通服務器（IntelXeonE5**雙cpu，每cpu六核），可支持24路語音數(shù)據(jù)流的實時識別(或相當于機器1小時能夠處理24小時的語音數(shù)據(jù))。
支持說話人口音自適應(聲學自適應)和領域語料自適應(語言自適應)
核心算法支持海量并行處理，多線程
核心算法與語種無關，即系統(tǒng)語種可移植，支持漢語普通話、粵語和英語等語言的識別
引擎提供標準C接口，可供C/C++及各種語言的開發(fā)者直接調(diào)用。
能夠提供方便靈活的開發(fā)接口，多項參數(shù)可調(diào)，使用戶可以方便靈活地進行應用開發(fā)。
2.2 連續(xù)語音識別引擎資源配置
(一) 硬件環(huán)境
PC/工作站/服務器：
- CPU:性能相當于Intel酷睿2.2GHZ以上或兼容，雙核
- 內(nèi)存:8GB以上（建議為16GB），200GB以上硬盤
(二) 軟件環(huán)境
PC/工作站/服務器：WINXP/Win7/WinServer2008等操作系統(tǒng)，或Linux操作系統(tǒng)
2.3 連續(xù)語音識別引擎的應用
在智能客服語音導航、客服錄音質量檢測、錄音文本自動語音錄入、Internet信息檢索、多媒體信息檢索、廣電監(jiān)控系統(tǒng)等領域具有相當廣泛的用途。
