人工智能通识与实践 - 智能语音技术

1 语音处理的概念

1.1 语音处理定义

语音处理（Speech Signal Processing）是研究语音发声过程、语音信号统计特性、语音自动识别、机器合成及语音感知等各类处理技术的总称，核心目标是让机器具备“听”（理解人类语音）和“说”（生成人类可懂语音）的能力，属于人工智能中的“感知智能”范畴。

1.2 语音处理技术与应用框架

语音处理的技术体系分为“基础算法-应用技术-业务场景”三层，形成从技术研发到落地应用的完整链路：

• 基础算法：支撑技术能力的核心，包括MFCC（梅尔频率倒谱系数）、GMM-HMM（高斯混合模型-隐马尔可夫模型）、DNN-HMM（深度神经网络-隐马尔可夫模型）、RNN（循环神经网络）、LSTM（长短期记忆网络）；
• 应用技术：基于基础算法的落地能力，涵盖语音识别（含语音唤醒）、语音合成、语音增强、声纹识别、语音评测；
• 业务场景：技术落地的具体领域，已覆盖手机、汽车、家居、客服、金融、可穿戴设备、智能机器人等多个场景。

2 语音处理的常用技术

语音处理围绕“机器听与说”衍生出五大核心技术，分别解决“识别内容”“生成语音”“降噪优化”“确认身份”“评测发音”等关键问题。

2.1 语音识别（ASR）

语音识别（Automatic Speech Recognition，ASR）是将人类语音中的词汇内容转换为计算机可读输入的技术，核心是让机器理解“说的是什么”。

2.1.1 核心流程

1. 输入与前处理：接收语音信号，进行有效语言检测、语音编码（支持16K16bit、8K16bit、Speex压缩等格式，需避免丢音、截幅、音量过小）；
2. 特征提取：提取语音信号的关键特征，为后续模型匹配做准备；
3. 模型匹配：通过声学模型（匹配语音信号与音素）、语言模型（匹配文本语义）实现“语音→文本”的转换；
4. 输出识别结果：生成计算机可读的文本内容。

2.1.2 关键要求

• 声学一致性：待识别语音需与语音训练集在场景（远场/近场）、设备降噪、用户口音上保持一致，需通过“数据预处理（Noise Robust）”优化；
• 文本一致性：待识别领域需与文本训练集在核心词汇、场景数据上保持一致，例如识别“我喜欢百度”时，文本训练集需包含“百度”等领域词汇。

2.1.3 特殊应用：语音唤醒

语音唤醒是设备休眠/锁屏状态下的“交互入口”，通过检测“小度小度”“小爱同学”等唤醒词，触发设备进入指令等待状态。

• 唤醒词设计原则：简单易记、日常少用、易于唤醒、3-4个音节；
• 核心指标：错误拒绝率（FRR，漏唤醒概率）、错误接受率（FAR，误唤醒概率），需平衡识别准确率与设备功耗。

2.1.4 细分应用对比（语音听写vs语音转写）

对比维度	语音听写	语音转写
音频时长	≤60秒	60秒~5小时
实时性要求	高	低
适用场景	手机语音输入、智能交互、语音指令、语音搜索	语音质检、会议访谈、音频内容分析

2.2 语音合成（TTS）

语音合成（Text To Speech，TTS）又称“文语转换”，是将任意文字信息实时转化为标准流畅语音的技术，核心是让机器“替人说话”。

2.2.1 核心流程

文本输入 → 语言处理（语法分析、发音提示，如文本正则、分词、词性标注、注音）→ 韵律处理（韵律停顿预测）→ 单元合成（波形拼接/参数合成，基于声学模型、语言模型）→ 语音输出。

2.2.2 技术成熟度

当前语音合成技术已实现“与真人无异”的效果，典型案例为“新华AI合成主播”，可流畅朗读新闻内容，支持在线合成与离线合成两种模式。

2.3 语音增强

语音增强（Speech Enhancement）是从带噪语音信号中提取纯净原始语音、抑制噪声干扰的技术，核心目标是“让机器听得更清楚”。

2.3.1 技术价值

在语音识别、说话人识别、语种识别等智能交互场景中，背景噪声会导致语音信号畸变、质量下降，影响机器对语音信息的理解；语音增强可改进语音质量、提高语音可懂度，解决噪声干扰问题。

2.4 声纹识别

声纹识别又称“说话人识别”，是通过语音信号的声纹特征识别说话人身份的技术，核心是让机器判断“是谁在说话”，分为两大核心能力：

• 说话人辨认（1:N问题）：判断某段语音属于“若干已知人中的哪一个”，适用场景为门禁、考勤、刑侦范围缩小；
• 说话人确认（1:1问题）：验证某段语音“是否为特定人所说”，适用场景为银行、证券等实名制交易领域；
• 附加能力：可辅助判定说话者的年龄范围（小孩/中年/老年）及性别（男/女）。

2.5 语音评测

语音评测（Speech Evaluator）是通过智能语音技术自动评价发音水平、定位发音错误与缺陷的技术，核心目标是“判断发音好不好”。

2.5.1 核心流程

语音输入 → 信号处理与特征提取 → 声学模型匹配 → 评分模型计算（基于评分特征）→ 输出评分结果；同时支持文本输入（文本处理、文本切分、文本解码）与错误检查（检错特征提取、错误输出）。

2.5.2 评测能力

可对中英文朗读发音进行多维度评分，包括准确度、流畅度、完整度、声韵调型，支持字、词、句、篇章等不同文本类型，用于提升用户发音水平。

3 语音处理的常见应用

基于五大常用技术，语音处理已在社交、出行、金融、军事等多领域落地，形成丰富的应用场景。

3.1 语音识别的应用场景

• 社交聊天：支持实时语音转文字（含中文、英文，方言支持广东语、四川话），例如陌陌的语音聊天转文字功能；
• 语音输入法：摆脱生僻字与拼音障碍，直接通过语音输入文字，例如百度输入法、魅族输入法；
• 游戏娱乐：语音聊天转文字，让用户在操作游戏时同步查看聊天内容，例如《逍遥西游2》；
• 语音搜索：通过语音输入搜索内容，提升搜索效率，例如手机百度、爱奇艺的语音搜索功能。

3.2 语音合成的应用场景

• 出行与娱乐：机器人解说体育赛事（如“杨毅约战机器人解说”）、语音指令控制设备（解放双手），例如智能音箱“小度”的语音响应；
• 知识获取：“数字农家书屋”“最读者”等产品，通过语音合成将文字内容转化为语音，让用户“用耳朵获取知识”；
• 智能家居控制：通过语音合成反馈操作结果，例如智能电视系统接收语音指令后，用语音告知“已切换频道”；
• 天气查询：语音合成播报天气信息，例如回答“明天气如何”时，播报“多云转小雨，4-7摄氏度”。

3.3 语音增强的应用场景

主要聚焦于“高噪声、高干扰”的专业领域，例如：

• 军事任务：装甲兵坦克、海军轮船驾驶室、炮兵操作火炮、空军地勤保障场所等恶劣环境，通过语音增强提取清晰语音；
• 公安与国防：在背景噪声复杂的侦查、监控场景中，增强目标语音信号，辅助信息获取。

3.4 声纹识别的应用场景

与语音唤醒、语音识别、语义理解结合，形成完整的智能交互链路，例如：

• 智能设备个性化响应：用户说“小度小度，给我来首歌”，声纹识别确认用户身份后，语音合成响应“马上播放小兔子乖乖”，实现个性化服务；
• 身份验证：银行转账、门禁通行时，通过声纹确认（1:1）或辨认（1:N）验证用户身份，保障安全性。