近 年 來 ， 由 于 電 腦 在 軟 件 上 的 長 足 進(jìn) 步 ， 類 似 電 視 影 集 霹 靂 游 俠 中 李 麥 克 與 霹 靂 車 伙 計 之 間 能 夠 使 用 人 類 語 言 和 電 腦 溝 通 的 情 節(jié) 已 不 再 是 夢 想 ， 語 音 辨 識 科 技 這 一 兩 年 來 已 慢 慢 從 實 驗 室 里 的 研 究 走 入 到 我 們 的 生 活 之 中 。 聲 碩 科 技 通 過 臺 灣 大 學(xué) 李 琳 山 教 授 在 中 文 語 音 辨 識 方 面 研 究 成 果 ， 專 注 于 語 音 辨 識 技 術(shù) 的 商 品 化 ， 目 前 是 華 人 地 區(qū) 唯 一 掌 握 中 文 語 音 辨 識 核 心 并 推 出 產(chǎn) 品 的 公 司 。
什 么 是 語 音 辨 識
語 音 辯 識 最 基 本 的 定 義 ， 就 是 “ 電 腦 能 聽 懂 人 類 說 話 的 語 句 或 命 令 ， 而 做 出 相
對 應(yīng) 的 工 作 ” 。 也 就 是 說 ， 如 果 電 腦 配 置 有 “ 語 音 辨 識 ” 的 程 序 組 ， 那 么 當(dāng) 你
的 聲 音 通 過 一 個 轉(zhuǎn) 換 裝 置 輸 入 電 腦 內(nèi) 部 、 并 以 數(shù) 位 方 式 儲 存 后 ， 語 音 辨 識 程 序
便 開 始 以 你 輸 入 的 聲 音 樣 本 與 事 先 儲 存 好 的 聲 音 樣 本 進(jìn) 行 對 比 工 作 。 聲 音 對 比
工 作 完 成 之 后 ， 電 腦 就 會 輸 入 一 個 它 認(rèn) 為 最 “ 象 ” 的 聲 音 樣 本 序 號 ， 就 可 以 知
道 你 剛 才 念 的 聲 音 是 什 么 意 義 ， 進(jìn) 而 執(zhí) 行 此 命 令 。 說 起 來 簡 單 ， 但 要 真 正 建 立
辨 識 率 高 的 語 音 辨 識 程 序 組 ， 卻 是 非 常 困 難 而 專 業(yè) 的 ， 世 界 各 地 的 學(xué) 者 們 也 還
在 努 力 研 究 最 好 的 方 式 。 例 如 ， “ 聲 音 樣 本 ” 要 如 何 建 立 呢 ？ 簡 單 來 說 ， 如 果
要 辨 識 10 個 字 ， 那 就 是 先 把 這 10 個 字 的 聲 音 念 入 電 腦 中 ， 存 成 10 個 參 考 樣 本
， 辨 識 時 ， 只 要 把 本 次 所 念 的 聲 音 （ 測 試 樣 本 ） 與 事 先 存 好 的 10 個 參 考 樣 本 一
一 對 比 ， 找 出 與 測 試 樣 本 最 象 的 樣 本 ， 即 可 把 測 試 樣 本 辨 識 出 來 ； 問 題 是 ， 每
個 使 用 者 念 入 電 腦 的 語 音 長 度 、 音 調(diào) 、 頻 率 都 不 一 樣 ； 甚 至 同 一 個 人 ， 盡 管 每
次 都 念 相 同 的 聲 音 ， 但 波 形 卻 也 不 盡 相 同 ， 如 果 在 一 個 有 雜 音 的 環(huán) 境 中 ， 那 情
況 就 更 糟 了 。 因 此 ， 專 家 學(xué) 者 們 研 究 出 許 多 破 解 這 個 問 題 的 方 法 ， 如 傅 立 葉 轉(zhuǎn)
換 、 倒 頻 譜 參 數(shù) 等 ， 使 目 前 的 語 音 辨 識 系 統(tǒng) 已 達(dá) 到 一 個 可 接 受 的 程 度 ， 并 且 辨
識 度 愈 來 愈 高 。
語 音 辨 識 技 術(shù) 的 應(yīng) 用 層 面
電 腦 軟 件 是 目 前 最 被 視 廣 為 應(yīng) 用 的 方 向 。 例 如 ： 語 音 命 令 、 語 音 輸 入 , 對 話 系 統(tǒng) 、 查 詢 系 統(tǒng) 、 教 學(xué) 軟 件 、 游 戲 軟 件 等 。
消 費(fèi) 性 電 子 產(chǎn) 品
-- 例 如 ： 電 子 記 事 本 、 聲 控 玩 具 、 語 音 拔 號 功 能 的 手 機(jī) 等 。
工 業(yè) 產(chǎn) 品
-- 例 如 ： 車 用 移 動 電 話 、 車 用 導(dǎo) 航 系 統(tǒng) 等 。
電 話 系 統(tǒng) -- 例 如 ： 語 音 辨 識 總 機(jī) 服 務(wù) 、 語 音 拔 號 、 語 音 訂 票 訂 位 等 。
SpeechDirect SDK
聲 碩 科 技 在 1999 年 初 開 發(fā) 了 "SpeechDirect SDK" 語 音 辨 識 應(yīng) 用 軟 件 開 發(fā) 工 具
， 利 用 這 套 開 發(fā) 工 具 , 電 腦 軟 件 開 發(fā) 廠 商 可 以 開 發(fā) 出 各 式 各 樣 的 語 音 相 關(guān) 應(yīng) 用
軟 件 。 “ SpeechDirect SDK ” 語 音 辨 識 應(yīng) 用 軟 件 開 發(fā) 工 具 可 以 提 供 電 腦 軟 件 廠
商 一 個 簡 單 易 用 的 語 音 辨 識 程 序 界 面 ， 開 發(fā) 關(guān) 于 語 音 控 制 、 自 然 語 音 資 料 庫 搜
尋 、 及 中 文 連 續(xù) 語 音 輸 入 等 等 的 應(yīng) 用 。 其 內(nèi) 含 的 中 文 語 音 辨 識 引 擎 可 以 支 援 單
詞 辨 識 （ ISR,Isolated Speech Recognition ） 、 關(guān) 健 詞 辨 識 （ KWS,Keyword-Spotting
） 、 甚 至 連 續(xù) 語 音 辨 識 （ CSR,Continuous speech recognition ） 。 此 外 還 支
援 電 腦 合 成 語 音 的 功 能 （ TTS ， Text-To-Speech ） 可 將 文 字 轉(zhuǎn) 為 語 音 ， 使 電 腦
不 僅 能 夠 聽 得 懂 人 說 的 話 而 已 ， 更 可 以 用 人 的 語 言 與 人 類 溝 通 。 聲 碩 科 技 的 語
音 辨 識 引 擎 在 語 音 控 制 方 面 （ 包 括 單 詞 辨 識 及 關(guān) 鍵 詞 辨 識 ） ， 不 需 要 口 音 訓(xùn) 練
即 可 使 用 ， 可 避 免 因 口 音 訓(xùn) 練 而 帶 給 使 用 者 的 不 便 。
“SpeechDirect” 語 音 引 擎 主 要 包 含 下 列 功 能 ：
語 音 命 令 控 制 （ Voice Command & Control ） 功 能 。
關(guān) 鍵 詞 辨 識 （ Keyword-Spotting ） 功 能 。
文 字 轉(zhuǎn) 語 音 （ Text-To-Speech,TTS ） 功 能 。
連 續(xù) 語 音 辨 識 （ Continuous Speech Recognition,CSR ） 功 能 。
在 語 音 辨 識 率 方 面 ， 使 用 語 音 命 令 功 能 的 辨 識 率 大 概 在 90%--95% 之 間 ， 下 表 顯 示 語 音 命 令 的 個 數(shù) 與 辨 識 率 之 間 的 關(guān) 系 。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
“SpeechDirect” 語 音 辨 識 引 擎 的 特 色 有 ：
支 援 單 詞 語 音 辨 識 （ ISR,Isolatod Speech Recognition ） 和 關(guān) 鍵 詞 辨 識 （ KWS,Key word-Spotting ） 功 能 。 這 兩 種 模 式 可 用 來 發(fā) 展 語 音 命 令 和 語 音 查 詢 等 應(yīng) 用 。
支 援 連 續(xù) 語 音 辨 識 （ CSR,Continuous Speech Recognition ） 功 能 。 此 模 式 可 用 來 發(fā) 展 語 音 聽 寫 輸 入 （ voice dictation ） 方 面 的 應(yīng) 用 。
支 援 文 字 轉(zhuǎn) 語 音 （ TTS,Text-To-Speech ） 功 能 。 利 用 此 功 能 可 用 語 音 來 告 知 使 用 者 相 關(guān) 訊 息 以 發(fā) 展 更 互 動 性 的 軟 件 。
支 援 使 用 特 定 說 話 者 的 聲 音 模 型 和 資 源 設(shè) 定 值 ， 所 以 語 音 引 擎 可 以 根 據(jù) 個 別 說 話 者 的 聲 音 差 異 來 調(diào) 整 辨 識 參 數(shù) 設(shè) 定 。
無 語 音 資 料 記 憶 體 大 小 限 制 ， 使 用 者 可 持 續(xù) 作 語 音 辨 識 而 不 用 擔(dān) 心 語 音 資 料 過 多 造 成 記 憶 體 爆 滿 。
使 用 者 可 動 態(tài) 地 在 程 序 中 改 變 所 使 用 的 語 音 模 型 及 詞 庫 而 達(dá) 到 最 大 的 方 便 性 與 彈 性 。
使 用 者 可 在 程 序 中 動 態(tài) 地 增 加 或 刪 除 詞 匯 ， 進(jìn) 而 定 義 新 詞 或 自 己 專 屬 的 詞 匯 。
使 用 callback 的 方 式 來 通 知 應(yīng) 用 程 式 辨 識 結(jié) 果 以 使 辨 識 更 有 效 率 。
在 同 一 應(yīng) 用 程 序 中 可 使 用 好 幾 個 辨 識 引 擎 物 件 ， 例 如 有 多 條 電 話 線 的 情 況 之 下 ， 可 對 多 個 來 源 的 聲 音 同 時 進(jìn) 行 辨 識 。
采 用 不 同 的 執(zhí) 行 緒 （ thread ） 來 執(zhí) 行 不 同 的 工 作 以 增 進(jìn) 辨 識 的 效 率 。
使 用 Ｃ ++ 物 件 模 型 程 序 界 面 （ Ｃ ++ object model programming interface ） 的 設(shè) 計 方 式 ， 以 物 件 導(dǎo) 向 程 序 設(shè) 計 （ object-oriented programming ） 的 方 式 使 程 序 發(fā) 展 及 維 護(hù) 更 為 容 易 。
使 用 者 可 以 根 據(jù) 其 應(yīng) 用 程 序 的 需 求 來 調(diào) 整 辨 識 引 擎 的 參 數(shù) 以 調(diào) 整 辨 識 引 擎 的 效 能 及 準(zhǔn) 確 率 。
支 援 語 音 播 放 及 存 檔 的 功 能 。
支 援 單 詞 語 音 辨 識 （ ISR,Isolatod Speech Recognition ） 和 關(guān) 鍵 詞 辨 識 （ KWS,Key word-Spotting ） 功 能 。 這 兩 種 模 式 可 用 來 發(fā) 展 語 音 命 令 和 語 音 查 詢 等 應(yīng) 用 。
支 援 連 續(xù) 語 音 辨 識 （ CSR,Continuous Speech Recognition ） 功 能 。 此 模 式 可 用 來 發(fā) 展 語 音 聽 寫 輸 入 （ voice dictation ） 方 面 的 應(yīng) 用 。
支 援 文 字 轉(zhuǎn) 語 音 （ TTS,Text-To-Speech ） 功 能 。 利 用 此 功 能 可 用 語 音 來 告 知 使 用 者 相 關(guān) 訊 息 以 發(fā) 展 更 互 動 性 的 軟 件 。
支 援 使 用 特 定 說 話 者 的 聲 音 模 型 和 資 源 設(shè) 定 值 ， 所 以 語 音 引 擎 可 以 根 據(jù) 個 別 說 話 者 的 聲 音 差 異 來 調(diào) 整 辨 識 參 數(shù) 設(shè) 定 。
無 語 音 資 料 記 憶 體 大 小 限 制 ， 使 用 者 可 持 續(xù) 作 語 音 辨 識 而 不 用 擔(dān) 心 語 音 資 料 過 多 造 成 記 憶 體 爆 滿 。
使 用 者 可 動 態(tài) 地 在 程 序 中 改 變 所 使 用 的 語 音 模 型 及 詞 庫 而 達(dá) 到 最 大 的 方 便 性 與 彈 性 。
使 用 者 可 在 程 序 中 動 態(tài) 地 增 加 或 刪 除 詞 匯 ， 進(jìn) 而 定 義 新 詞 或 自 己 專 屬 的 詞 匯 。
使 用 callback 的 方 式 來 通 知 應(yīng) 用 程 式 辨 識 結(jié) 果 以 使 辨 識 更 有 效 率 。
在 同 一 應(yīng) 用 程 序 中 可 使 用 好 幾 個 辨 識 引 擎 物 件 ， 例 如 有 多 條 電 話 線 的 情 況 之 下 ， 可 對 多 個 來 源 的 聲 音 同 時 進(jìn) 行 辨 識 。
采 用 不 同 的 執(zhí) 行 線 程 （ thread ） 來 執(zhí) 行 不 同 的 工 作 以 增 進(jìn) 辨 識 的 效 率 。
使 用 Ｃ ++ 物 件 模 型 程 序 界 面 （ Ｃ ++ object model programming interface ） 的 設(shè) 計 方 式 ， 以 物 件 導(dǎo) 向 程 序 設(shè) 計 （ object-oriented programming ） 的 方 式 使 程 序 發(fā) 展 及 維 護(hù) 更 為 容 易 。
使 用 者 可 以 根 據(jù) 其 應(yīng) 用 程 序 的 需 求 來 調(diào) 整 辨 識 引 擎 的 參 數(shù) 以 調(diào) 整 辨 識 引 擎 的 效 能 及 準(zhǔn) 確 率 。
支 援 語 音 播 放 及 存 檔 的 功 能 。
下 圖 為 語 音 識 別 引 擎 的 系 統(tǒng) 結(jié) 構(gòu) ：
聲 碩 科 技 的 “ SpeechDirect ” 語 音 辨 識 應(yīng) 用 軟 件 發(fā) 展 工 具 （ SDK ） 為 一 個 包 含 最 先 進(jìn) 中 文 語 音 辨 識 引 擎 的 應(yīng) 用 軟 件 發(fā) 展 工 具 ， 其 目 的 是 幫 助 在 微 軟 視 窗 作 業(yè) 系 統(tǒng) 發(fā) 展 應(yīng) 用 軟 件 的 廠 商 ， 能 快 速 而 簡 易 地 將 語 音 辨 識 功 能 加 進(jìn) 他 們 的 軟 件 中 。 “ SpeechDirect SDK ” 提 供 一 個 簡 單 易 用 的 語 音 應(yīng) 用 程 序 界 面 （ speech API, Application Programming Interface ） 給 使 用 者 作 語 音 辨 識 上 的 應(yīng) 用 ， 同 時 又 不 失 使 用 上 的 彈 性 和 擴(kuò) 充 性 ， “ SpeechDirect SDK ” 的 內(nèi) 容 除 了 聲 碩 科 技 的 中 文 語 音 辨 識 引 擎 外 ， 還 包 括 使 用 說 明 文 件 、 范 例 程 序 、 相 關(guān) 工 具 及 語 音 資 料 庫 、 教 育 訓(xùn) 練 和 技 術(shù) 咨 詢 支 援 等 等 。
下 列 為 建 議 的 系 統(tǒng) 需 求 ：
操 作 系 統(tǒng) Microsoft Windows95,Window98 或 WindowsNT 。
CPU ： Pentium III 處 理 器
內(nèi) 存 32 MB 以 上 。
與 Windows 相 容 的 16 位 聲 卡 及 喇 叭 。
品 質(zhì) 良 好 的 麥 克 風(fēng) 。
聲 碩 科 技 將 持 續(xù) 提 升 語 音 辨 識 的 正 確 率 ， 并 朝 電 話 語 音 辨 識 及 語 音 集 成 的 方 向 發(fā) 展 ， 此 外 ， 也 會 開 發(fā) 支 援 微 軟 語 音 程 序 界 面 （ SAPI ） 的 語 音 辨 識 引 擎 ， 使 語 音 程 序 界 面 標(biāo) 準(zhǔn) 化 。
| 主要語音引擎及開發(fā)工具 2002-01-30 |
| 聲揚(yáng)語音識別系列開發(fā)工具 2002-01-30 |
| ASR：“說得出做得到” 2002-01-30 |
| IBM ViaVoice語音軟件開發(fā)工具 2002-01-30 |
| 語音識別的應(yīng)用前景 2002-01-30 |