施超群 陈坚刚

（浙江工商职业技术学院，浙江 宁波 315012）

语言交流是人类一种天然的沟通模式。从儿童时代开始我们对语言的相关学习都是自发的，语言交流始终贯穿于我们的生活。它是那么的自然以至于我们根本没有发现这是一种多么复杂的现象。人类的声道和发音器官，是具有非线性特征的生物器官，不仅仅运行在有意识的控制下，而且受到性别及其成长因素情绪状态的影响。因此，声音会因为他们的口音、发音、清晰度、体积、速度等有着大幅的变动。人类希望能与机器进一步沟通，从而方便生产与生活，而在语音信号的传输过程中,我们不规则的语言行为方式会被背景噪声和回声,以及电特性(如话筒等电子设备)进一步扭曲。这一切可变性的声音来源使语音识别更加繁琐复杂。

语音识别是一个多层模式识别的任务。声音信号经过考察，结构分为一个层次词根单位(例如,音素)、词、短语、句子。每一层可提供额外的时间限制,例如,已经被认知的单词发音或法律上的单词序列,可以弥补错误或把不确定性降到较低水平。限制的最好方法是在所有较低的层次中利用概率相结合的决策,而只在最高层次中使用离散决策。

一个标准的语音识别系统如下图所示。

1 语音信号的预处理与分析

1.1 原始语音

实际的物理波形信号通过传声器（话筒）采集而形成的随时间连续变化的模拟信号，在语音信号被采集的同时背景噪音也随之而来。……