首頁 > 一．前言
語音識別是指從語音到文本的轉(zhuǎn)換，即讓計算機能夠把人發(fā)出的有意義的話音變成書面語言。通俗地說就是讓機器能夠聽懂人說的話。所謂聽懂，有兩層意思，一是指把用戶所說的話逐詞逐句轉(zhuǎn)換成文本；二是指正確理解語音中所包含的要求，而不要求所有詞都轉(zhuǎn)換正確。
語音識別技術(shù)(ASR)是以語音為研究對象，涉及到生理學、心理學、語言學、計算機科學以及信號處理等諸多領(lǐng)域，甚至還涉及到人的體態(tài)語言（如人在說話時的表情、手勢等行為動作可幫助對方理解），目前常見的識別技術(shù)一般采用隱馬爾可夫模型HMM(Hidden Markov Model)來建模。它的基本原理是系統(tǒng)首先對大量的真實世界中的人的語音進行分析，并建立模型。在識別時，系統(tǒng)同樣先對輸入的語音進行分析，提取特征，然后通過一定的算法并使用已建立的模型，從而識別出用戶所說的話。
隨著語音識別技術(shù)的逐漸成熟，語音識別技術(shù)開始得到廣泛的應(yīng)用，涉及日常生活的各個方面如電信、金融、新聞、公共事業(yè)等各個行業(yè)，通過采用語音識別技術(shù)，可以極大的簡化這些領(lǐng)域的業(yè)務(wù)流程以及操作；提高系統(tǒng)的應(yīng)用效率。
二、語音識別的原理
2.1 語音識別的基本原理
從圖1中看出，輸入的語音首先要通過端點檢測（也稱靜音檢測模塊），檢測得到輸入語音的有效語音數(shù)據(jù)部分（也就是去除了靜音數(shù)據(jù)、噪聲數(shù)據(jù)等）；然后進入特征提取模塊，這里需要提取語音信號最本質(zhì)的信息，一般采用MFCC特征，它是采用復(fù)雜的數(shù)字信號處理技術(shù)來完成的；語音信號的特征信息被送入識別引擎，在聲學模型和語言模型的指導(dǎo)下進行識別，最終得到識別結(jié)果，這里常常需要采用非常復(fù)雜的搜索算法，簡單地說，它需要根據(jù)語言模型考慮各種詞的組合（句子）及其發(fā)生概率，對于每一種可能的句子，都給出一個得分，選擇得分最大者作為識別結(jié)果。但是由于可能的搜索空間非常大，所以需要利用剪枝技術(shù)，有效地去除大量冗余空間，加快搜索速度，滿足實際系統(tǒng)的要求。
2. 2 基于語法的識別引擎
對于很多領(lǐng)域的語音識別來說，如自動總機、火車定票系統(tǒng)、股票查詢系統(tǒng)等，他們具有一個共同的特點：所用的句型典型，且句型數(shù)有限，可以用規(guī)則來描述。對于這樣的系統(tǒng)，采用語法的方式來指導(dǎo)其語音識別，一方面可以得到很高的識別率，另一方面，又能達到較快的識別速度，滿足實際系統(tǒng)的需要。因此，基于語法方式的語音識別技術(shù)得到廣泛應(yīng)用。本文中我們采用的核心識別引擎也是采用語法的方式。
三、天朗分布式語音識別系統(tǒng)簡介
天朗分布式語音識別引擎是天朗公司針對電信級、大企業(yè)級應(yīng)用特點開發(fā)出來的一個基于多機的分布式語音識別引擎，它通過局域網(wǎng)連接多個識別服務(wù)器，來同時完成大量的語音識別任務(wù)，極大的拓展了單機版語音識別引擎在識別任務(wù)上的限制，可以同時支持幾百到幾千個語音識別任務(wù)并發(fā)執(zhí)行，從而滿足電信級這樣的具有大識別任務(wù)量的應(yīng)用。系統(tǒng)的主要功能有：
·支持非特定人、大詞匯量、連續(xù)語音識別，能夠達到高的識別準確率；
為了方便客戶使用，我們提供了一套客戶端API給用戶，用戶在使用本系統(tǒng)時，可以在其應(yīng)用程序中調(diào)用我們的API來調(diào)用我們的識別系統(tǒng)。
4.2 天朗分布式語音識別系統(tǒng)工作原理
應(yīng)用程序通過DSR的API函數(shù)來調(diào)用語音識別功能，一般來說過程如下：
1、 當有電話到達時，應(yīng)用程序負責接起電話，然后播放一個歡迎的提示音，提示用戶說出要做的動作（如查詢?nèi)嗣⒐善毙畔⒌龋㈤_始等待用戶說話；
4.3 識別結(jié)果
需要注意的是：引擎返回的句子的個數(shù)可能沒有用戶設(shè)定的數(shù)目多，另外，設(shè)定較大數(shù)目的返回結(jié)果候選會影響系統(tǒng)的效率。
4.4引擎的三種調(diào)用方式
下面以電信級應(yīng)用來說明不同的調(diào)用方式的差別。
一般來說，一個基于電話語音識別的對話系統(tǒng)(如圖5所示)，一般由識別服務(wù)器、應(yīng)用服務(wù)器、電話交換機、智能交換機設(shè)備、 IVR設(shè)備等設(shè)備組成，電話交換機與成千上萬個電話終端通過各種交換設(shè)備相連接，電信應(yīng)用軟件在這些硬件的支持下提供各種服務(wù)，如：1860查詢服務(wù)等。此時，電信應(yīng)用開通的線數(shù)視系統(tǒng)的業(yè)務(wù)需求而定，一般總是大大小于終端連接的總數(shù)。系統(tǒng)連接數(shù)與終端連接數(shù)常常是1：1000或者1：10000的級別。"一路對話"是指物理上的一條線路，對于上述的電信應(yīng)用，電信開通的每一條線路都是一路對話。
"一次對話"是指用戶的一次電話從打入到掛機之間一個交互服務(wù)過程稱。比如：用戶撥打1860進行話費查詢，在用戶撥通電話至用戶掛機這個過程中用戶和應(yīng)用程序交互的整個過程稱作一次對話。
"一路會話"這里是指語音識別中，一次識別從分配識別資源開始到釋放這個資源的整個過程。
第一種：直接為每一路對話分配一個會話，用戶應(yīng)用程序在程序一開始就為每一路對話建立到引擎的連接，然后，該路對話就會一直保持該會話，再也不釋放該會話，直到程序結(jié)束。這種方式編程簡單，但是，在系統(tǒng)的穩(wěn)定性和有效性方面都是最差的。因為每一路對話都一直使用，且一直獨占該會話，一旦該會話出現(xiàn)問題，則該路對話就永遠不能用了，除非重啟程序。另外，由于每路對話都獨占一個會話，因此即使該路對話沒有在使用引擎，其獨占的會話也不能被別的對話使用。降低了系統(tǒng)的效率。
第二種：在一次對話開始時就建立到引擎的連接，然后該對話一直獨占該會話，直到該次對話結(jié)束。很顯然，這種方式和第一種方式比起來，在穩(wěn)定性和效率方面都有很大提高。主要是這種方式不再一直獨占一個會話，會話可以在多路對話之間共享，即使有一路會話出現(xiàn)問題，只會影響一次對話的一次工作，而不會影響本路對話以及其他路對話的以后的識別。
盡管第二種已比較優(yōu)化，但它的一個缺點就是仍然會影響一次對話的進行。
第三種：在每一次識別開始時建立連接，識別結(jié)束后立刻釋放（這種方式與第二種不同，是因為在一次對話過程中會存在多輪的識別過程）。這種方式的優(yōu)點除了第二種的優(yōu)點外，他還克服了它的缺點。因為，此時一個會話的失敗只會影響該路對話的一句的識別，通過編程我們可以在發(fā)現(xiàn)一個會話失敗后，再申請另一個會話，這時最多讓用戶重復(fù)一邊剛才的話外，對這次對話沒有影響。
另外，采用三種的哪一種方式還和應(yīng)用的不同有關(guān)，如果應(yīng)用是類似于股票查詢這樣的系統(tǒng)，每個識別服務(wù)器都完成相同的功能，這時采用第三種方式比較合適。而對于某些應(yīng)用系統(tǒng)如需要動態(tài)改變語法的，則最好采用第一、二種方法。如果改變的語法只在一次對話中有效，可以采用第二種，如果改變的語法一直持續(xù)有效的話，第一種可能更適合。
4.5 語法
在天朗分布式識別系統(tǒng)中，語法的使用有兩種形式：
1. 靜態(tài)語法，對于目前許多基于語音識別的應(yīng)用系統(tǒng)，大多數(shù)用到的語法都是固定的，在系統(tǒng)運行中，不需要對語法進行更改(如1860系統(tǒng)，火車訂票系統(tǒng)等)，對于這種應(yīng)用，最方便的方法就是在系統(tǒng)啟動時就把用到的語法加載進系統(tǒng)，用到時激活(enable)就行了。這樣可以節(jié)約大量的時間，提高系統(tǒng)的效率。為了方便用戶的使用，天朗分布式識別引擎提供了靜態(tài)語法功能，用戶只要通過對識別服務(wù)器的預(yù)加載語法進行配置，系統(tǒng)會在啟動時自動把這些語法加載到系統(tǒng)中供系統(tǒng)使用。在這種情況下，整個系統(tǒng)可以不需要語法服務(wù)器，從而節(jié)約投資成本。要注意的是，靜態(tài)語法必須是已編譯過的語法格式。
2. 動態(tài)語法，所謂的動態(tài)語法是指在運行前并不知道需要加載那些語法，或者在運行時，需要對語法進行編譯或修改。動態(tài)語法常用在比較大型的復(fù)雜的系統(tǒng)中。對于動態(tài)語法，系統(tǒng)必須要有語法服務(wù)器來支持，動態(tài)語法可以是文本格式，也可以是編譯后的格式，系統(tǒng)會根據(jù)傳入的語法的格式自動進行選擇是否進行編譯。
在天朗分布式識別引擎中，語法是通過一個key來唯一指定的，這個key由用戶自己指定，且必須保證不同的語法的key的唯一性。不同的語法采用相同的key可能會導(dǎo)致語法的相互覆蓋。
系統(tǒng)可以同時支持靜態(tài)語法和動態(tài)語法。在加載一個語法時，系統(tǒng)首先會通知對應(yīng)的識別服務(wù)器去加載一個指定的語法，如果該語法已加載，則僅返回語法的句柄以供以后調(diào)用；否則，系統(tǒng)從識別服務(wù)器所在的硬盤上加載所指定的語法。如果識別服務(wù)器上也不存在對應(yīng)的語法，則先判斷系統(tǒng)中是否有語法服務(wù)器，如果系統(tǒng)中不存在語法服務(wù)器，返回加載失敗。否則，識別服務(wù)器會向語法服務(wù)器申請該語法。如果語法服務(wù)器上無該語法或其他原因無法得到該語法，返回加載失敗。否則，下載該語法服務(wù)器到本地。并加載。返回句柄。
引擎在加載語法時，如果找不到指定的語法Key的語法，就會加載用戶指定的二進制語法文件，同時將指定的語法Key作為該語法的key。最后返回語法的handle。 要注意的是，語法加載是針對會話的。
4.6 系統(tǒng)的穩(wěn)健性和效率
對于電信或大企業(yè)級別的的應(yīng)用系統(tǒng)來說，穩(wěn)健性和效率是系統(tǒng)成功的關(guān)鍵。天朗分布式識別系統(tǒng)通過多種有效技術(shù)，來提高系統(tǒng)的效率和穩(wěn)健性。
1． 系統(tǒng)通過設(shè)立資源管理器來統(tǒng)一管理整個系統(tǒng)的識別資源分配和回收，資源管理器通過一個高效的負載分析策略，根據(jù)系統(tǒng)的當前狀態(tài)，分配負載最輕的識別服務(wù)器以提高整個系統(tǒng)的整體效率。
2． 一般來說，一個系統(tǒng)只要一個資源管理器就可以穩(wěn)定工作，但是，采用多個資源管理器互相備份可以更有效的保證系統(tǒng)的穩(wěn)定性。天朗分布式識別系統(tǒng)可以同時支持多個資源管理器同時工作。和其他的類似系統(tǒng)不同的是，其他類似系統(tǒng)在工作時只有主資源管理器在工作，而備份資源管理器是不工作的。而天朗的分布式識別系統(tǒng)的每個資源管理器都負擔部分的資源分配工作，因此，可以充分利用系統(tǒng)的資源，提高系統(tǒng)的效率。另外，每個資源管理器又是互相備份的，當一個資源管理器出現(xiàn)問題，其他的資源管理器會自動的接過出現(xiàn)問題的服務(wù)器的工作，所以對于系統(tǒng)的穩(wěn)定性有了充分的保障。
3． 對于識別服務(wù)器，和資源管理器一樣，備份的服務(wù)器并不是閑著不工作，它們和其他識別服務(wù)器一樣承擔識別任務(wù)，這樣可以有效的分配負載，提高系統(tǒng)的效率，同時減輕系統(tǒng)的投資。同樣的，識別服務(wù)器又是互相備份的，當一個識別服務(wù)器出現(xiàn)故障時，該服務(wù)器會自動的從系統(tǒng)中被剔除，其工作會由其他的識別服務(wù)器承擔。
4． 服務(wù)器可以動態(tài)加入和退出，不論是資源管理器還是識別服務(wù)器，抑或是語法服務(wù)器，都可以動態(tài)的隨時加入整個系統(tǒng)中，也可以動態(tài)的從系統(tǒng)中退出，而對整個系統(tǒng)的穩(wěn)定運行不會產(chǎn)生影響。因此，用戶可以根據(jù)整個系統(tǒng)的運行情況，隨時加入新的服務(wù)器以應(yīng)付增加的呼叫量，也可以在負載變輕的時候，隨時關(guān)閉某些服務(wù)器。同時，這種特性也保證某個服務(wù)器出現(xiàn)故障時不會影響系統(tǒng)的穩(wěn)定運行。
5． 由于分布式語音識別系統(tǒng)是一套比較復(fù)雜的系統(tǒng)，為了進一步保證系統(tǒng)的穩(wěn)定性，我們還開發(fā)了一套監(jiān)控程序來監(jiān)視系統(tǒng)各個服務(wù)器的運行，一旦某個服務(wù)器出現(xiàn)故障，監(jiān)控程序可以隨時重啟該服務(wù)器。這樣可以保證系統(tǒng)可靠運行。
五、天朗分布式語音識別引擎系統(tǒng)架構(gòu)和識別技術(shù)的特點和優(yōu)勢
天朗分布式語音識別引擎的分布式結(jié)構(gòu)具有伸縮性強、成本效率高和配置靈活等特點，具有支持大話務(wù)量、實時性高的能力；其客戶/服務(wù)結(jié)構(gòu)使語音識別應(yīng)用程序強大，具有極其高效的容錯性和負載平衡能力，保證了應(yīng)用程序的高效可靠運行。
5.1系統(tǒng)架構(gòu)的功能特點：
·高密度接口 將對CPU運算需求密集的語音識別任務(wù)從客戶端轉(zhuǎn)移到識別服務(wù)器端，使得客戶端可以抽出處理能力來支持高密度的接口，從而提高應(yīng)用程序系統(tǒng)的接入量。
·容錯和可靠性 整個識別引擎經(jīng)過精心的設(shè)計，具有很高的容錯和可靠性，使得各個服務(wù)器可以動態(tài)的加入和退出系統(tǒng)，而對整個系統(tǒng)的運行沒有影響，因此，即使個別服務(wù)器失效，也不會使系統(tǒng)崩潰。當一個識別服務(wù)器失效時，資源管理器會自動停止向其發(fā)送請求，當服務(wù)器恢復(fù)時，又會自動開始向它發(fā)送請求。另外，系統(tǒng)允許配備備份服務(wù)器來保證系統(tǒng)的可靠運行，在平時，備份服務(wù)器和其他服務(wù)器一樣，一起工作，承擔相同的工作，當有服務(wù)器崩潰時，其他服務(wù)器會自動的承擔崩潰服務(wù)器的工作。不僅為系統(tǒng)的可靠運行提供保證，而且可以充分利用備份服務(wù)器的能力。
·自動監(jiān)控 系統(tǒng)為每個服務(wù)器都配備了一個自動監(jiān)控程序來監(jiān)控服務(wù)器的運行，如果監(jiān)控程序發(fā)現(xiàn)服務(wù)器崩潰后，系統(tǒng)會自動重啟服務(wù)器，并保存崩潰時的現(xiàn)場供以后分析。這不僅大大節(jié)約維護人員的時間和精力，而且自動監(jiān)控方式可以提供比人更快更準確的維護服務(wù)，保證系統(tǒng)的穩(wěn)定運行。
·可伸縮性 隨著呼叫量的增加，系統(tǒng)可以隨時動態(tài)增加服務(wù)器，而無須停止任何運行著的應(yīng)用程序或關(guān)閉IVR系統(tǒng)，這對那些需要常年連續(xù)運行的系統(tǒng)特別有用。
5.2 系統(tǒng)架構(gòu)的綜合優(yōu)勢：
1. 實時性
2. 穩(wěn)定性
穩(wěn)定性的另一個方面反映在強健的容錯能力和快速的錯誤修復(fù)能力，容錯能力是指當一個識別服務(wù)器宕機后，不會導(dǎo)致整個系統(tǒng)的崩潰。快速的修復(fù)能力是指系統(tǒng)在一個識別服務(wù)器出問題后，可以很容易的通過重起服務(wù)器，或用一個新的識別服務(wù)器替代問題服務(wù)器，而不需要系統(tǒng)整個重起。
天朗分布式語音識別引擎通過精心設(shè)計，使得整個引擎在穩(wěn)定性上取得重大突破，系統(tǒng)可以長時穩(wěn)定運行。另外，系統(tǒng)的優(yōu)異的架構(gòu)設(shè)計使得系統(tǒng)中的任意一個服務(wù)器出現(xiàn)問題后，其任務(wù)會被其他同類服務(wù)器承擔，而不會對整個系統(tǒng)造成影響。另外，為了保證萬無一失，我們還開發(fā)了自動監(jiān)控程序來監(jiān)視各個服務(wù)器的運行，從而保證當服務(wù)器宕機后，能很快恢復(fù)，從而保證系統(tǒng)的穩(wěn)定運行。
3. 靈活性
5.3識別引擎的技術(shù)特點：
六、天朗分布式語音識別系統(tǒng)運行環(huán)境
1. 硬件環(huán)境
Intel 奔騰3或以上的PC、服務(wù)器（包括各種CPU類型的服務(wù)器）、工作站（包括各種CPU類型的工作站）；內(nèi)存建議為256Mb以上DDR或RAMBUS內(nèi)存，40GB以上硬盤， 網(wǎng)絡(luò)采用100M帶寬以上局域網(wǎng)，支持TCP/IP協(xié)議。
2. 軟件環(huán)境
WINDOWS NT/2000/XP操作系統(tǒng)。
天朗語音公司供稿 CTI論壇編輯
