無論走到哪里，機(jī)器人都能聽懂你的鄉(xiāng)音
語音識(shí)別是人工智能的一項(xiàng)十分有趣的問題，想想看，人們的語音是多么復(fù)雜，不同國家、民族的人，說不同的國家和民族的語言，不同的人，口音不一樣，例如中國還有許多方言，語音也不一樣。一個(gè)本事大的人，可能懂七、八種語言，也能聽懂男、女、小孩等等不同人、甚至不同方言的語言。但是要設(shè)計(jì)一個(gè)機(jī)器人能聽懂七八種語言，甚至鄉(xiāng)土的方言（例如在民航的接待處服務(wù)的機(jī)器人），這任務(wù)是十分困難的。但是我們可以期待，也許不久的將來就會(huì)實(shí)現(xiàn)。
再說，要在一篇科普文章中說清語音識(shí)別的技術(shù)，也有很大的難度。因?yàn)樗玫搅烁叩葦?shù)學(xué)中的傅里葉變換的技術(shù)。也就是要用到時(shí)域和頻域的兩個(gè)概念，才容易講清楚。那么什么是頻域、什么是時(shí)域？也需要花點(diǎn)筆墨來介紹。
簡(jiǎn)單地講，例如50周波的正弦波，在時(shí)域的圖像上表示是一個(gè)連續(xù)上下波動(dòng)的曲線，如果轉(zhuǎn)換到頻域，就是在頻率軸（橫軸）上的50處一個(gè)有幅度的點(diǎn)這不是很簡(jiǎn)單嗎！
在上一篇語音合成一文中，已經(jīng)介紹了人類語音的一些特征（例如說聲母是相當(dāng)于高頻的噪聲、韻母相當(dāng)于周期重復(fù)的非規(guī)則波，聲調(diào)是韻母的聲高（頻率）有變化的波等等），這是語音的時(shí)域形態(tài)。我們也說過，如果用示波器觀看一般人說話的語音波形，是十分復(fù)雜，要研究它簡(jiǎn)直無從下手。但是經(jīng)傅里葉轉(zhuǎn)換到頻域，就發(fā)現(xiàn)圖形要簡(jiǎn)單得多了，語音波的頻率表現(xiàn)在若干個(gè)頻率點(diǎn)上有數(shù)值。比如男聲低些，女聲要高一些。小孩子的聲頻更高些。除此之外，在更高的頻率域處有數(shù)值，www.whsntf.cn，那是噪聲域，相當(dāng)于聲母的部分，而在較低的頻率點(diǎn)上也有一組數(shù)值，是韻母域，這些都表示的是不同說話人的口腔參數(shù)，不同人的口型、舌頭形狀不一樣，這組參數(shù)也不一樣。所以，在頻域分析語音：是聲母、韻母、是幾聲調(diào)、是什么人說的等等，就容易多了。也由此可以想到，人的天賦智能具備了多么復(fù)雜的本領(lǐng)，我們的腦子里事先已經(jīng)存儲(chǔ)好了各種模板數(shù)據(jù)（屬于頻域數(shù)據(jù)，）包括各個(gè)漢字的讀音、某些已認(rèn)識(shí)人的聲音特征數(shù)據(jù)，甚至風(fēng)聲、雨聲、鳥的鳴叫聲等等，因此，人就能判別任何時(shí)間聽到的聲音是什么聲音、代表什么文字，這種人所具備的智能也是幾千萬年人類進(jìn)化而得來的。
設(shè)計(jì)機(jī)器的語音識(shí)別，先要在計(jì)算機(jī)里先存放好標(biāo)準(zhǔn)的語音參數(shù)，稱為模板（如果要將識(shí)別的語音轉(zhuǎn)換成文字，計(jì)算機(jī)里也先存放好了所有漢字的語音參數(shù)（可能還分男聲和女聲的數(shù)據(jù)庫，存儲(chǔ)的數(shù)據(jù)是對(duì)應(yīng)某種語音的頻域參數(shù)，不可能是時(shí)域的波形），這個(gè)數(shù)據(jù)庫的建立也可稱為機(jī)器的訓(xùn)練過程。實(shí)際操作語音識(shí)別時(shí)，由麥克風(fēng)讀入待識(shí)別的語音，將輸入數(shù)據(jù)先轉(zhuǎn)換成頻域數(shù)據(jù)，再和標(biāo)準(zhǔn)數(shù)據(jù)作比較，取參數(shù)最接近的作為識(shí)別結(jié)果，再輸出，輸出的是漢字（或某一國家的文字。）語音轉(zhuǎn)換成文字還有一個(gè)同音字區(qū)分的問題，大多數(shù)漢語的一個(gè)讀音對(duì)應(yīng)多個(gè)漢字，有的發(fā)音對(duì)應(yīng)許多個(gè)漢字，www.whsntf.cn，甚至上百個(gè)漢字（如音節(jié)ji對(duì)應(yīng)的漢字有100多個(gè)）要去分辨某個(gè)發(fā)音是什么漢字，必須采用上下文的辦法，就是看這個(gè)讀音的前或后跟隨的是什么漢字（或讀音），是否能組成詞。這些詞組都事先在計(jì)算機(jī)中存好，經(jīng)由匹配對(duì)比成功的詞來決定該選定的漢字，有時(shí)候不是任何讀音都可能找到能匹配的上下文，就可能要從語義來判斷。這就更復(fù)雜了。
如果要設(shè)計(jì)的系統(tǒng)是要尋找說話人是誰，而不是關(guān)于具體說的什么，那就只要對(duì)比頻域參數(shù)就可以了。同樣一句話，不同人說的，波形不同，頻域中的特征數(shù)據(jù)也不同。
平時(shí)我們的耳朵聽取外界的聲音有很強(qiáng)的濾波功能，在噪聲很大的情況下能濾除噪音，辯認(rèn)出需要聲音（如語音）。聾人用的助聽器，如果僅僅是把聲波放大，就會(huì)連同噪聲一起放大，聽起來十分費(fèi)勁。高級(jí)助聽器就有濾除噪音的功能，因而售價(jià)就很貴了，因?yàn)槠渲幸灿昧诵盘?hào)處理技術(shù)。
順便說一個(gè)故事，是說明傅里葉變換、信號(hào)處理的本領(lǐng)的。這是上世紀(jì)80年代初，美國麻省理工學(xué)院的奧本海姆教授來清華講學(xué)（我曾擔(dān)任他的講課翻譯）演示過的一段語音處理的片段：
一段帕瓦羅蒂的演唱，有場(chǎng)面龐大的樂隊(duì)伴奏，當(dāng)然很好聽。奧本海姆教授演示用了信號(hào)處理技術(shù)，竟然可以把樂隊(duì)伴奏的聲音全部過濾掉，KUKA機(jī)器人維修，只剩下了帕瓦羅蒂的唱聲，這就可以單獨(dú)欣賞他的純真的歌聲，這里面用到了復(fù)雜的濾波技術(shù)完全是傅里葉變換的功勞。（他的歌唱頻譜范圍和樂隊(duì)演奏聲音的頻譜范圍是不同的。將頻域里的樂隊(duì)聲的頻譜信號(hào)刪除，再還原到時(shí)域就只剩下了人的歌唱聲了。）可見，信號(hào)處理的本領(lǐng)之大了。
語音識(shí)別技術(shù)經(jīng)過最近幾十年的研究發(fā)展，已經(jīng)十分成熟，能聽人語音發(fā)出命令而做事的機(jī)器人本領(lǐng)也愈來愈大了。我們清華人在其中作了貢獻(xiàn)，也值得自豪！