图像、文字、语音与人工智能（PPT课件讲稿）语音识别的原理

语音识别的原理 中国科学院附属实验学校 崔东伟

语音识别的原理 中国科学院附属实验学校 崔东伟

引言 ·同学们好，人工智能技术中的语音识别技术在生 活中的应用非常广泛，如果电灯、电视机、门窗、 水龙头都能听我们的话，让它开它就开，让它关 它就关，是不是很方便呢？今天我们就一起来学 习语音识别的原理，探索语音识别的奥秘

引言 •同学们好，人工智能技术中的语音识别技术在生 活中的应用非常广泛，如果电灯、电视机、门窗、 水龙头都能听我们的话，让它开它就开，让它关 它就关，是不是很方便呢？今天我们就一起来学 习语音识别的原理，探索语音识别的奥秘

语音识别 ·思考：语音识别是将人类语音中的词汇内容转换为计算机可 读的输入的技术。当声音识别后，记录下来的是音频，就是 一系列高高低低的频率。那么这一系列频率都和什么有关？ 声音的特性图 说明声音的特征 识别中会有哪些影响 声音的响度和整体声音的大 声音的大小 小有关 和声波整体的幅度有关 有人说话音高，有人说话音 低，和声音的频率有关，乐 声音的频率 器不同的音调也体现在不同 的频率上

语音识别 • 思考：语音识别是将人类语音中的词汇内容转换为计算机可 读的输入的技术。当声音识别后，记录下来的是音频，就是 一系列高高低低的频率。那么这一系列频率都和什么有关?

h 语音识别的基本过程 特征向量 语音 特征提取 解码器 词语 声学模型 发音字典 语言模型

语音识别的基本过程

8 人类识别语音的过程 听到命令 耳朵 1听懂命令 +大脑 1 做出反应→」嘴、手等

人类识别语音的过程

语音识别的原理 1.分帧 ·一整段声波电脑是无法直接 把整段声波分成帧为单位的声波 处理的，需要分成一小段一 小段的进行处理，每一小段 为一个帧，相当于把整理流 动的声音切成一片一片的样 子。如果分帧过细会需要很 大的计算量，分帧过粗的话 懒一态流中最小的单，通常每懒时长为25毫粉。5秒的声 波可提取出200慎的声波， 则会损失声音细节

语音识别的原理 • １. 分帧 • 一整段声波电脑是无法直接 处理的，需要分成一小段一 小段的进行处理，每一小段 为一个帧，相当于把整理流 动的声音切成一片一片的样 子。如果分帧过细会需要很 大的计算量，分帧过粗的话 则会损失声音细节

语音识别的原理 ·2.提取特征值 ·把每一帧识别为一个状态，其实状态就是由若干特征向量 组合而成的，这些特征值经过组合能够表现出这一段音频 的有效信息，就可以组成一个音素。 一帧声波 提取 特征向量一每一帧声波可提取出多组特 征向量

语音识别的原理 • ２. 提取特征值 • 把每一帧识别为一个状态，其实状态就是由若干特征向量 组合而成的，这些特征值经过组合能够表现出这一段音频 的有效信息，就可以组成一个音素

语音识别的原理 ·3.声学模型 ·把若干帧中的特征值组合成音素的过程，就用到了声音的 声学特性，不同语言的声学特性是不同的。汉语的音素就 包含了声母和韵母。 导入 声学模型 生成 0 特征向量

语音识别的原理 • ３. 声学模型 • 把若干帧中的特征值组合成音素的过程， 就用到了声音的 声学特性， 不同语言的声学特性是不同的。汉语的音素就 包含了声母和韵母

语音识别的原理 ·4.发音字典 •声学模型生成的音素通过发音字典生成最大概率的字。 可能的字为：早、我、草、少… 导入 少 000 可能的字为：上、桑、苍、赏… 生成 找 可能的宇为：好、洁、做、娇… 赏 苍 音素 可能的宇为：啊、哈、扎、洒… 发音字典 苍

语音识别的原理 • ４. 发音字典 • 声学模型生成的音素通过发音字典生成最大概率的字

语音识别的原理 ·5.语言模型 ·音素组合成语言的形式，就要用到语言模型，要考虑到不 同语言的特点，要和发音字典进行比对。根据语法规则， 生成词语或句子。 早桑娇哈 桑 找上徵洒 排序匹配 草苍浩啊 早上好啊 赏 苍 早上好啊 计算机可 读的文本 草 好 语言模型

语音识别的原理 • ５. 语言模型 • 音素组合成语言的形式，就要用到语言模型，要考虑到不 同语言的特点，要和发音字典进行比对。根据语法规则， 生成词语或句子