智能聊天机器人——核心技术与算法

第2章 自动语音识别 2.1 自动语音识别的发展概述 有时候，我们需要通过语音和聊天机器人进行沟通，这种方式更加符合我们的行为习惯。可是，让机器理解我们的语音不是件容易的事情。自从19世纪电话机问世以来，人们就可以通过机器进行人类声音的处理。可是，无论是电话机对讲机，还是录音机，都只能存储和播放人类说话的声音，而无法理解这些话语。从20世纪至今，科学家们一直在探索如何利用计算机领域的知识，让机器“听懂”我们的语言，这也是本章的主题—自动语音识别（以下简称语音识别）。 *早的语音识别系统可以追溯到20世纪的50年代，专家们根据具体的业务需求，设计了简单的语音交互系统。客户只需要简单地说出“是”“否”或者一些基于数字和单词的简单选项，就能和系统进行交互。时至今日，在一些银行等企事业单位的电话热线中，我们还能常常碰到并使用这种系统。这种系统已经具备了语音识别的基本形式，只需要区分固定集合内、数量有限的若干语音模式。 20世纪70年代初期，语音识别技术进入快速发展时期，其中比较有代表性的方法包括模式识别、动态规划和线性预测编码。由于口语的发音数量是有限的，所以通过这些技术，机器能够比较准确地识别单个词的语音。美国国防部高级研究计划署（Defense Advanced Research Projects Agency，DARPA）也曾经投资语音识别项目，在其资助下，卡内基-梅隆大学创造出了一台能够识别1000多个单词的机器，识别成功率也是不错的。到了20世纪70年代后期，一些大公司包括IBM、Bell等开始研发基于海量词汇的连续语音识别系统，而此时基于专家系统的方法逐步被淘汰，而基于统计建模的方法逐步兴起。 我们可以认为20世纪80、90年代是语音识别技术的一个突破期。一些成熟的算法，如基于隐马尔可夫模型和N元语法（N-gram）语言模型。特别是HMM，它从基于简单的模板匹配方法转向基于概率统计建模的方法，时下主流的方法也有一部分采用了HMM框架。在各种HMM中，*为主流的方法是GMM-HMM，它一方面通过高斯混合模型（Gaussian Mixture Model，GMM）对语音状态的观察概率进行建模；另一方面通过HMM对语音状态的时序进行建模。进入20世纪90年代之后，基于HMM的一系列语音识别技术趋于成熟，商业软件和应用也层出不穷，包括DragonDecitate的Dragon系统，微软的Whisper系统，IBM的Via-vioce系统和英国剑桥大学的HTK系统等。 可是，这些方法和系统在进入21世纪之后，面临不少新的挑战。人们使用语音识别的场景越来越多，不再局限于专业性的文稿输入。比如，汽车、手机、会议室里的语音助手，它们需要处理的是随意性的对话，甚至是多人之间的交谈。随着深度学习的兴起，语音识别技术找到了新的发展方向。其实，早在20世纪80年代，已经有学者开始将神经网络运用到语音识别中，只是未能取得满意的效果。而在目前深度学习的研究领域中，人们已经可以构建并训练深层的神经网络（DNN）和循环神经网络（RNN）。某些实验数据表明，在理想情况下，基于RNN模型的语音识别准确度达到了90%～95％，这一指标已经非常接近人类大脑识别的精度了。 正是由于语音识别技术的长足进步，时下各种语音识别的硬件、软件和应用层出不穷。这项技术让人类可以通过一种更自然的方式和机器进行交互，所以被广泛运用在各种聊天机器人中。其中比较主流的形式是语音助手，包括亚马逊在2014年推出的Echo，谷歌在2016年推出的Google Home等。而国内的公司也正在迎头赶上，推出了智能音响、智能鼠标、智能遥控器等各种周边设备，作为语音识别的硬件载体。 在经历了几十年的发展后，语音识别技术日趋成熟，其主流的处理框架也相对稳定。图2-1列出了其中很常见的一种语音识别框架。 图2-1 常用的语音识别框架 对于聊天机器人来说，*重要的是需要理解人们对它表达的意思，对应图2-1来说，就是单词（字）识别和句子识别的过程。在这里，我们通过*经典的隐马尔可夫模型，重点说说语音识别中从单词、字到句子的识别过程。 2.2 隐马尔可夫模型