摘要：语音识别技术的发展，推动了人机交互的智能化，语音识别实用化技术使得人们之间的交流更加方便顺畅。本文从语音识别的发展历程及俄语语音识别的近况入手，对语音识别的基本原理、基于HMM模型的语音识别技术和大词汇量连续语音识别的理论基础进行了详细略论，并介绍了俄语语音声学模型和语言模型的创建办法。针对语音识别技术面临的难点问题，研讨了应对的策略，最后对俄语语音识别技术的发展方向和运用前景作了展望。
外语论文网
关键词：语音识别；HMM；俄语声学模型；俄语语言模型
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）29-0155-04
Research Status and Development Trend of Russian Speech Recognition Technology
MA Yan-zhou
（PLA University of Foreign Languages， Luoyang 471003， China）
Abstract： Abstract： Technological advance of speech recognition facilitates intelligent human-computer interactions. And applications of speech recognition technology have made human communications easier and more instantaneous. Starting with a look at the past and the present of Russian speech recognition， this paper attempts to conduct a detailed analysis on fundamental principles of speech recognition， speech recognition technology based on Hammond theoretical groundwork for consecutive vast-vocabulary speech recognition. The paper also demonstrates steps for establishing models in Russian acoustics and speeches. As to technological barriers in speech recognition， it probes into possible way out strategies. Finally， it predicts future development direction and application prospects for Russian speech recognition technology.
Key words： speech recognition； hmm；russian acoustic models； russian language models
俄语（Русскийязык）[1]是俄罗斯和联合国的官方语言，也是我国少数民族正式语言。在前苏联和俄罗斯使用，俄语在苏联时期具有很重要的地位，直到现在仍然有些独联体国家在广泛使用，虽然这些国家已经开始强调本地语言的重要性，但在这些国家之间依然使用俄语进行交流。全球有超过一亿四千万把俄语作为母语使用，有近四千五百万人以第二语言使用，使用俄语媒体的有3亿多人。我国俄罗斯族使用俄语进行交流，聚集地分布在新疆地区的阿勒泰、伊犁、塔城及内蒙古呼伦贝尔市的额尔古纳、满洲里等地，
语音识别（Speech Recognition）[2]是指在各种情况下，识别出语音的内容，让机器听懂人说的话，根据其信息而执行人的不同意图。它是一门交叉学科，涉及与计算机、语音语言学、通信、信号处理、数理统计、神经心理学人工智能、和神经生理学等学科。能够能满足不同需要的语音识别系统的实现已经成为可能，它的前提是模式识别、信号处理技术、计算机技术和声学技术等的发展。近年来，军事、交通等领域，尤其在计算机、人工智能等领域得到广泛运用。
俄语语音识别是一个有巨大潜力的探讨方向，不仅能够为人们的生产生活、日常交往提供极大的便捷性和高效性，而且在政治、军事、经济等各个领域都有着重要的探讨价值和运用前景。本文着重介绍语音识别发展历程、阐述俄语语音识别关键技术、略论俄语语音识别未来的发展趋势。
1 俄语语音识别的近况
俄语连续语音识别取得快速发展，利益于技术的进步。随着语音识别在技术层面的不断突破与创新，对英语的识别慢慢成熟，然后逐渐扩展到其他语种如汉语、俄语等。
1.1语音识别技术的发展
20世纪50年代，语音识别的探讨开始借助机器来实现。1952年，一个特定人独立数字识别系统[3]由贝尔（Bell）实验室的Davis、Diddulph和Balashelk首次研制，该系统成功识别10个英语数字。1959年，英格兰的Fry和Denes利用谱略论技术和模板匹配技术，提高了音素的识别精度，建立了一个能够识别9个辅音和4个元音的识别系统。20世纪60年代，经过Faut和Stevens的努力，语音生成理论初步形成。动态规划措施[4]由苏联的Vintsyuk提出，并实现了对两段语音进行对齐。70年代取得一系列重大突破，基本实现孤立词识别。俄罗斯推进了模板匹配思想在语音识别中的运用；利用动态规划措施实现语音识别也由日本的科学家实验成功。20世纪80年代，语音识别探讨的一个主要特点是由模板匹配措施向统计建模措施的转变，特别是隐马尔可夫模型[5-6]。尽管HMM众所周知，但是直到20世纪80年代中期HMM模型才广泛被世界各地的语音识别实验室熟悉和采纳。另一个新方向是利用神经网络解决语音识别问题，促进了该技术在语音识别领域的运用[7-9]。20世纪80年代后期，在DAPRA的支持下，对大词汇连续语音识别系统的研制也取得了显著的成果，探讨机构主要有CMU、BBN、林肯实验室、MIT、AT&T贝尔实验室。 20世纪90年代以来，语音识别开始实用化探讨，并取得了突破性的进展。其中算法的探讨取得了非常明显的效果，并提升了系统的性能，如最大似然线性回归（Maximum Likelihood Linear Regression， MLLR），最大后验概率原则估计（MaximumA-Posteriori Estimation， MAP），以及用于模型参数绑定的决策树状态聚类等算法，这些算法的不断优化，也使得运用于实际的语音识别不断出现。最具有有代表性的系统有：Dragon System企业的NaturallySpeaking，Nuance企业的Nuance Voice Platform语音平台，IBM企业推出的ViaVoice， Sun的VoiceTone，Microsoft的Whisper，等。在美国国家标准和技术探讨所（Nationa lInstitute of standardsand Technology，NIST） 和DARPA的不断推动下，各个探讨机构不断尝试语音识别任务，目的是不断提高识别的性能。进入21世纪，在向广度和深度两方面，自动语音识别得到了更为广泛的探讨。鲁棒性语音识别，进行了了细致的调研，特别是在置信度和句子确认方面非常有效，尤其对处理病句。在21世纪的前10年，信息技术领域最重要的十大科技发展技术之一就有语音识别技术的一席之地，人机接口关键的语音识别技术，已经成为一个具有竞争性的新兴高技术产业，它的实用化探讨将成为未来的方向。
1.2俄语语音识别技术的发展
语音技术的探讨主要集中在几个主要的语言，如英语，法语，西班牙语，汉语和西班牙语，一些其他语言尤其是东欧语言很少受到注意。但是近几年在俄罗斯，捷克，波兰，塞尔维亚，克罗地亚等俄语区对俄语语音技术的探讨活动正在稳步上升。
俄罗斯科学院紧跟世界语音识别技术的发展，结合俄语自身的独有发音特点进行了卓有成效的探讨并取得了一系列的成果。在开发声学，词汇和语言模型时采取特别重视俄语的细节，关于声学模型，采用知识和基于统计的措施来创建几个不同的音素集10。关于语言模型（LM），从不同网站自动收集新闻文本语料，用统计略论的措施将训练文本数据和语法相结合，计算不同情况下n-gram中单词的频率，优化n-gram模型，以建立更好的n-gram模型[11]。在基本语音识别单元的问题上采用距离最小信息不匹配的准则，建立语素级单元，显著减少误差概率[12]。
语料库是语音识别最基本的支撑，文本语料和口语语料都是一个语料库不可或缺的组成部分，任缺其一则语料库就不能反映该语言的完整信息，也没有办法在此基础上进行大词汇、非特定人连续俄语语音识别的探讨[13]。俄罗斯对语料库的探讨起步比较晚，在20世纪一直落后于世界语料库的发展，缺乏系统的理论探讨和先进的实践成果。但近十年来，随着俄罗斯国家语料库建立和不断完善，俄语语音技术的探讨正在慢慢兴起并取得了一些瞩目的成就。
国内对俄语语音的探讨主要集中在教学方面。使用统计的措施，基于HMM对俄语语音进行建模和识别探讨，目前还没有发现相关的文献记录。
2 语音识别技术
语音识别系统根据角度、范围、性能等差别，有以下的分类。
根据词汇量的大小分可为小词汇量（10至100）、中词汇量（100至500）和大词汇量（大于500）。根据发音方式可分为孤立词（isolated word）识别、连接词（connected word）识别、连续语音（continuous word）识别等。根据说话人特征可分为特定（speaker-dependent）说话人和非特定（speaker-independent）说话人。根据语音识别的措施不同进行了模板匹配、随机模型和概率语法略论等分类措施。
2.1 语音识别基本原理
通过计算机的辅助功能把输入的语音信号变换为对应的文本和命令，并且能够接受人类的语音、理解人类的意图，是语音识别技术探讨的根本目的。语音识别系统核心是一套语音取样、识别、匹配的模式匹配系统[2]，基本原理如图1所示。
语音识别系统由三个基本单元组成，它包含特征提取、模式匹配和参考模式库，虽然它是模式识别系统，但它的结构要比普通的模式识别系统要复杂，因为语音所包含的信息是复杂多样的语言信息，结构也是多变的。首先对输入的语音信号进行预处理，预处理包括适当放大信号功率并对增益进行有效控制，之后进行反混叠滤波以消除信号的干扰；然后将模拟信号转化为数字信号即数字化处理，便于存储和处理；然后进行特征提取，并使用一些参数来表示的语音信号的特性；最后对其进行识别。语音识别又分为两阶段：训练和识别。在训练阶段，利用特征参数表示语音信号的相应特征，得到标准数据即模板，将模板构建成一个数据库即模板库；在识别阶段，将语音特征与模板库中的每一个模板进行比较，找到了最相似的参考模板，这就是识别的结果。
2.2 HMM模型技术
语音识别早期采用的有矢量量化（Vector quantization， VQ）技术、动态时间规整（dynamic time warping， DTW）技术等，从处理难度上看，最简单的是小词汇量、特定人、孤立词的语音识别，最难解决的是大词汇量、非特定人、连续语音识别。当今语音识别系统采用的主流算法是HMM模型技术。
HMM模型的状态不能被直接观察到，但可以通过观测向量序列来观察到，这些向量都是通过某些特定的概率密度分布来表现为各种状态的，每个观测向量都是由一个状态序列产生的，这些状态序列具有相应的概率密度分布。HMM是一个双重随机过程：具有一定状态数量的隐马尔可夫链和显示随机函数集。HMM的基本问题及解决算法6-9
1）评估问题（前向算法）。
现有观测序列O=O1O2O3…Ot以及模型参数λ=（π，A，B），如何计算观测序列的概率，进一步可对该HMM做出相关评估。利用forward算法分别以每个HMM产生给定观测序列O的概率进行计算，然后从其中选出最优秀的HMM模型。 经典运用例子就是语音识别。在HMM的语音识别描述中，每个单词对应一个HMM，每个观测序列全部由一个单词的语音来构成，单词的识别可以通过评估而选出最可能的HMM，此HMM由产生观测序列所代表的读音实现。
2）解码问题（Viterbi算法）
现有观测序列O=O1O2O3…Ot以及模型参数λ=（π，A，B），如何寻找最优的隐含状态序列。此类问题比较关注马尔科夫模型中的隐含状态，在这些状态中虽然不能直接观测，但价值更大，可以利用Viterbi算法来解决。
实际例子是进行分词，分词问题可以用HMM来解决。这句话的分割措施可以看做是一个隐式的状态，而这句话可以被视为一个给定的条件，从而找出基于HMM的可能正确的分割措施。
3）训练问题（Baum-Welch算法即前向后向算法）
此时HMM的模型参数λ=（π，A，B）未知，对这些参数进行调整，使得观测序列O=O1O2O3…Ot的概率最大，使用Reversed Viterbi算法以及Baum-Welch算法可以解决。
2.3 大词汇量连续语言识别
在语音识别探讨中难度和挑战性最大为课题应该是基于大词汇量的、非特定人的连续语音识别[13]。在词汇量大于1000词的时候，比较容易混淆的词数量增加，误识率约为基于小词汇量的、特定人的孤立词识别系统的50倍左右。而且还带来两个重要的、不易解决的问题：语流的切分和连续语音的发音变化。此时采用统一框架可以有效解决这个问题。大词汇量连续语音识别总体框架[14]如图2所示。
俄语语音信号略论后，形成特征向量，并通过字典识别模型，然后，根据语言模型的语法，将输入的语音与模板匹配，在句子层面进行组合。从俄语声学模型、俄语语言模型叙述大词汇量连续语音识别的过程。
2.3.1声学模型
设计俄语语音识别系统底层相应的HMM子词单元模型，需要充分考虑俄语声学和语音学的特征。俄语基本声学单元的选择是声学建模过程中一个基本而重要的问题。在俄语连续语音识别中，可供选择的基本单元包括词、音节、元辅音等。识别基本单元的选择一般基于语音学知识。
俄语字母是语音的书面形式，每个俄语字母都有自己的字母名称。元音字母的名称和读音相同，辅音字母的名称是在该辅音后加一个元音[15-16]。如字母с的名称为эс，字母б的名称为бэ等。字母名称通常用于读某些缩写词。俄语字母共有33个字母如表1所示。
根据俄语词的发音特征、音节的发音特征和字母的发音特征，选择音素作为子词单元，然后就可以进行HMM训练，首先用一种很粗糙的措施进行初始分段，然后向前向后算法或K-均值算法用于多次迭代，自动收敛到一个最佳的模型，并实现了一个合理的子词分割。这样就可以初步完成俄语的声学建模，建设一个俄语语音参考模式库。
2.3.2 统计语言模型
自然语言处理问题必然要乃至统计语言模型[17]，如语音识别、机器翻译、分词、词性标注等等。统计语言模型是计算概率的模型，俄语论文网站，即。使用语言模型，可以确定一个单词序列的概率，俄语论文范文，或给定一个单词的数目，它可以预测下一个最有可能的单词。
那么如何计算一个句子的概率呢？给定句子（词语序列），它的概率可以表示为：
由于上式中的参数过多，因此需要近似的计算措施。下面介绍适用于俄语的n-gram统计语言模型。
n-gram模型即n-1阶马尔科夫模型，首先假设：当前词的出现概率仅仅与前面n-1个词相关。因此（1）式可以近似为：
当n值为1、2、3时，n-gram模型分别称为unigram、bigram和trigram语言模型。n-gram模型的参数就是条件概率。N取值越大，模型越准确但计算越复杂计算量越大。在俄语语言模型的建立过程中，采用最多是二元模型和三元模型。
2.3.3 连续语音识别系统的性能评测
评定连续语音识别系统的优劣，观测系统的性能，一般都是针对不同的识别任务，不同的任务单词库和任务语句库，需要不同的评价标准。如果要想粗略地评估某个系统，可以从两个方面去考虑，一是系统识别任务的难易程度即复杂性；另一个是采用该系统的识别系统的识别措施对该难度的识别任务的识别效果即识别率。在连续语音识别系统中，通过对音素、音节或词的识别率进行识别性能评价，常用的系统参数是正确率（正确率），错误率和识别准确率。
其中的正确数、转换数、插入数和脱落数，采用主观的措施来目测，马可以通过统计的措施来得到。
2.4 HTK工具
语音识别过程涉及的算法复杂，其中最为著名的HTK由剑桥大学研发，主要用来建立基于HMM的大规模连续语音识别系统。该软件集为开放源代码，可以在UNIX/Linux和Windows环境下运行。HTK提供了一系列命令函数用于语音识别，包括一系列的运行库和工具，使用基于ASNIC模块化设计，可以实现语音录制、略论、标示、HMM的训练、测试和结果略论。整个HTK的工作过程包括数据准备、模型训练和识别过程。
3 语音识别的运用
随着计算机技术的进步、算法的不断优化、信息处理技术的智能化，俄语语音识别技术的发展会越来越光明。运用的范围也会越来越广，可能会出现一些新的运用。
1）俄语语音信息检索
网络技术和多媒体技术的迅速发展，数据量急剧增多，如何在海量数据中挑选出有用的信息，并进行相应的分类和检索，对合理地利用信息资源具有重要的意义。多媒体检索技术应运而生。 2）俄语发音自学技术
非母语语言学习成为目前教育领域的一个热点，而自学是语言学习的一个有效途径，它具有不受时间和空间限制、灵活方便的特点，一种称为计算机辅助语言学习的技术诞生了。有几个普通问题和关键技术是必须要考虑和解决的：标准发音语料库和非标准发音语料库、学习者发音的分级标准、语音对齐、衡量发音质量的评判标准和发音矫正。
3）基于俄语语音情感处理
人与人的交流，除了语言信息外，非语言信息也起着非常重要的影响，包含在语音信号中的情感因素[18]，也反映了信息的一个方面。情感的略论和识别也是一个非常困难的探讨方向。
4）嵌入式俄语语音识别技术
后PC时代智能终端的飞速发展，为人机之间的自然、快捷交互提供了可能。当前嵌入式语音识别的运用领域还比较有限，未来运用可能会更加广泛。
4 总结
语音识别技术的实用探讨是一项极具挑战性的工作，虽然经历了近半个世纪的发展，取得了一些突破性的进展。语音识别技术在俄语方面的运用更是如此，不仅要解决语音识别技术本身的问题，还要解决高质量的俄语语音语料库和文本语料库的问题，同时还要解决各种算法与俄语适应和匹配等其他问题，如俄语自然语言的识别与理解、俄语语音信息的变化范围与幅度、俄语语音的清晰度、俄语语音发音与环境噪声及上下文的作用等等。虽然面临诸多困难，但是随着人类文明的不断发展与科技的不断进步，相信这些问题会在不久的将来逐一得到解决，展现在人们面前的是更加流畅、更加智能的人机交互界面。
参考文献
[1] 赵力.语音信号处理 [M].北京：机械工业出版社，2017：191-215.
[2] 韩纪庆，张磊，郑铁然.语音信号处理[M].北京：清华大学出版社，2017：241-255.
[3] Karpov，K. Markov，I. Kipyatkova， et al.Large Vocabulary Russian Speech Recognition Using Syntactico-statistical Language Modeling[J].Speech Communication，2017，56（1）：213-228.
[4] Alex Waibel，ToshiyukiHanazawa，Geoffrey Hinton， et al.Phoneme Recognition Using Time-delay Neural Networks[J].Acoustics， Speech and Signal Processing， IEEE Transactions on，1989，37（3）：328-339.
[5] KH Davis，RBiddulph，SBalashek.Automatic Recognition of Spoken Digits[J].The Journal of the Acoustical Society of America，1952，24（6）：637-642.
[6] Lawrence Rabiner.A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition [J].Proceedings of the IEEE， 1989， 77（2）：257-286.
[7] Leonard E Baum，JAEagon.An Inequality with Applications to Statistical Estimation for Probabilistic Functions of Markov Processes and to a Model for Ecology[J].Bull. Amer. Math. Soc， 1967， 73（3）：360-363.
[8] Leonard E Baum，TedPetrie，GeorgeSoules， et al.A Maximization Technique Occurring in the Statistical Analysis of Probabilistic Functions of Markov Chains[J].The Annals of Mathematical Statistics，1970（1）：164-171.
[9] Leonard E Baum.An Equality and Associated Maximization Technique in Statistical Estimation for Probabilistic Functions of Markov Processes [J].Inequalities， 1972， 3（1）：1-8.
[10] ВВ Пилипенко.Распознавание дискретной и слитной речи из сверхбольших словарей на основе выборки информации из баз данных[J].Искусственный интеллект，2017（3）：548-557.
[11] ВВ Савченко，ДЮ Акатьев，НВ Карпов.Автоматическое распознавание элементарных речевых единиц методом обеляющего фильтра[J].Изв. вузов России. Радиоэлектр оника，2017（4）：35-42.
[12] ВВ Савченко.Автоматическое распознавание речи на основе кластерной модели минимальных речевых единиц в метрике Кульбака-Лейблера[J].Известия ВУЗов России.�CРадиоэлектроника，2017（3）：9-19. [13] ВВ Савченко.Фонема как элемент информационной тео рии восприятия речи[J].Известия ВУЗов России.�CРадиоэ лектроника，2017（4）：3-11.
[14] ВЛ Розалиев.Построение модели эмоций по речи человека[J].Г л а в н ы й р е д а к т о р с б о р н и к а" Известия ВолгГТУ" д-р хим. наук проф. член-корр. РАН ИА Новаков， 2017（1）：65.
[15] ВЯ Чучупал，КА Маковкин，АВ Чичагов.К вопросу об оптимальном выборе алфавита моделей звуков русской речи для распознавания речи[J].Искусственный интеллект，2002，4（1）：575-579.
[16] ДН Бабин，ИЛ Мазуренко，АБ Холоденко.О перспектив ах создания системы автоматического распознавания сли тной устной русской речи[J].Интеллектуальные системы，2004，8（1）：45-70.
[17] Ирина Сергеевна Кипяткова，Алексей Анатольевич Карп ов.Автоматическая обработка и статистический анализ новостного текстового корпуса для модели языка систем ы распознавания русской речи[J].Информационно-управл яющие системы，2017（4）：1-7.
[18] Ирина Сергеевна Кипяткова，Алексей Анатольевич Карп ов.Эксперименты по распознаванию слитной русской реч и с использованием сверхбольшого словаря[J].Труды СП ИИРАН，2017，12（0）：63-74. | 
