語音識別是人工智能的一項(xiàng)十分有趣的問題，想想看，人們的語音是多么復(fù)雜，不同國家、民族的人，說不同的國家和民族的語言，不同的人，口音不一樣，例如中國還有許多方言，語音也不一樣。一個本事大的人，可能懂七、八種語言，也能聽懂男、女、小孩等等不同人、甚至不同方言的語言。但是要設(shè)計(jì)一個機(jī)器人能聽懂七八種語言，甚至鄉(xiāng)土的方言（例如在民航的接待處服務(wù)的機(jī)器人），這任務(wù)是十分困難的。但是我們可以期待，也許不久的將來就會實(shí)現(xiàn)。

再說，要在一篇科普文章中說清語音識別的技術(shù)，也有很大的難度。因?yàn)樗玫搅烁叩葦?shù)學(xué)中的傅里葉變換的技術(shù)。也就是要用到“時域”和“頻域”的兩個概念，才容易講清楚。那么什么是頻域、什么是時域？也需要花點(diǎn)筆墨來介紹。

簡單地講，例如50周波的正弦波，在時域的圖像上表示是一個連續(xù)上下波動的曲線，如果轉(zhuǎn)換到“頻域”，就是在頻率軸（橫軸）上的50處一個有幅度的點(diǎn)這不是很簡單嗎！

在上一篇“語音合成”一文中，已經(jīng)介紹了人類語音的一些特征（例如說聲母是相當(dāng)于高頻的噪聲、韻母相當(dāng)于周期重復(fù)的非規(guī)則波，聲調(diào)是韻母的聲高（頻率）有變化的波等等），這是語音的時域形態(tài)。我們也說過，如果用示波器觀看一般人說話的語音波形，是十分復(fù)雜，要研究它簡直無從下手。但是經(jīng)傅里葉轉(zhuǎn)換到頻域，就發(fā)現(xiàn)圖形要簡單得多了，語音波的頻率表現(xiàn)在若干個頻率點(diǎn)上有數(shù)值。比如男聲低些，女聲要高一些。小孩子的聲頻更高些。除此之外，在更高的頻率域處有數(shù)值，那是噪聲域，相當(dāng)于聲母的部分，而在較低的頻率點(diǎn)上也有一組數(shù)值，是韻母域，這些都表示的是不同說話人的口腔參數(shù)，不同人的口型、舌頭形狀不一樣，這組參數(shù)也不一樣。所以，在頻域分析語音：是聲母、韻母、是幾聲調(diào)、是什么人說的等等，就容易多了。也由此可以想到，人的天賦智能具備了多么復(fù)雜的本領(lǐng)，我們的腦子里事先已經(jīng)存儲好了各種模板數(shù)據(jù)（屬于頻域數(shù)據(jù)，）包括各個漢字的讀音、某些已認(rèn)識人的聲音特征數(shù)據(jù)，甚至風(fēng)聲、雨聲、鳥的鳴叫聲等等，因此，人就能判別任何時間聽到的聲音是什么聲音、代表什么文字，這種人所具備的智能也是幾千萬年人類進(jìn)化而得來的。

設(shè)計(jì)機(jī)器的語音識別，先要在計(jì)算機(jī)里先存放好標(biāo)準(zhǔn)的語音參數(shù)，稱為“模板”（如果要將識別的語音轉(zhuǎn)換成文字，計(jì)算機(jī)里也先存放好了所有漢字的語音參數(shù)（可能還分男聲和女聲的數(shù)據(jù)庫，存儲的數(shù)據(jù)是對應(yīng)某種語音的頻域參數(shù)，不可能是時域的波形），這個數(shù)據(jù)庫的建立也可稱為機(jī)器的訓(xùn)練過程。實(shí)際操作語音識別時，由麥克風(fēng)讀入待識別的語音，將輸入數(shù)據(jù)先轉(zhuǎn)換成頻域數(shù)據(jù)，再和標(biāo)準(zhǔn)數(shù)據(jù)作比較，取參數(shù)最接近的作為識別結(jié)果，再輸出，輸出的是漢字（或某一國家的文字。）語音轉(zhuǎn)換成文字還有一個同音字區(qū)分的問題，大多數(shù)漢語的一個讀音對應(yīng)多個漢字，有的發(fā)音對應(yīng)許多個漢字，甚至上百個漢字（如音節(jié)“ji”對應(yīng)的漢字有100多個）要去分辨某個發(fā)音是什么漢字，必須采用上下文的辦法，就是看這個讀音的前或后跟隨的是什么漢字(或讀音)，是否能組成詞。這些詞組都事先在計(jì)算機(jī)中存好，經(jīng)由匹配對比成功的詞來決定該選定的漢字，有時候不是任何讀音都可能找到能匹配的上下文，就可能要從語義來判斷。這就更復(fù)雜了。

如果要設(shè)計(jì)的系統(tǒng)是要尋找說話人是誰，而不是關(guān)于具體說的什么，那就只要對比頻域參數(shù)就可以了。同樣一句話，不同人說的，波形不同，頻域中的特征數(shù)據(jù)也不同。

平時我們的耳朵聽取外界的聲音有很強(qiáng)的濾波功能，在噪聲很大的情況下能濾除噪音，辯認(rèn)出需要聲音(如語音)。聾人用的助聽器，如果僅僅是把聲波放大，就會連同噪聲一起放大，聽起來十分費(fèi)勁。高級助聽器就有濾除噪音的功能，因而售價就很貴了，因?yàn)槠渲幸灿昧诵盘柼幚砑夹g(shù)。

順便說一個故事，是說明傅里葉變換、信號處理的本領(lǐng)的。這是上世紀(jì)80年代初，美國麻省理工學(xué)院的奧本海姆教授來清華講學(xué)（我曾擔(dān)任他的講課翻譯）演示過的一段語音處理的片段：

一段帕瓦羅蒂的演唱，有場面龐大的樂隊(duì)伴奏，當(dāng)然很好聽。奧本海姆教授演示用了信號處理技術(shù)，竟然可以把樂隊(duì)伴奏的聲音全部過濾掉，只剩下了帕瓦羅蒂的唱聲，這就可以單獨(dú)欣賞他的純真的歌聲，這里面用到了復(fù)雜的濾波技術(shù)完全是傅里葉變換的功勞。（他的歌唱頻譜范圍和樂隊(duì)演奏聲音的頻譜范圍是不同的。將頻域里的樂隊(duì)聲的頻譜信號刪除，再還原到時域就只剩下了人的歌唱聲了。）可見，信號處理的本領(lǐng)之大了。

語音識別技術(shù)經(jīng)過最近幾十年的研究發(fā)展，已經(jīng)十分成熟，能聽人語音發(fā)出命令而做事的機(jī)器人本領(lǐng)也愈來愈大了。我們清華人在其中作了貢獻(xiàn)，也值得自豪！

來源：中國經(jīng)濟(jì)網(wǎng)