基于Microsoft Speech SDK 的语音关键词检

合集下载

微软TTS语音引擎(speech api sapi)深度开发入门

Windows TTS开发介绍开篇介绍：我们都使用过一些某某词霸的英语学习工具软件，它们大多都有朗读的功能，其实这就是利用的Windows的TTS（Text To Speech)语音引擎。

它包含在Windows Speech SDK开发包中。

我们也可以使用此开发包根据自己的需要开发程序。

鸡啄米下面对TTS功能的软件开发过程进行详细介绍。

一.SAPI SDK的介绍SAPI，全称是The Microsoft Speech API。

就是微软的语音API。

由Windows Speech SDK提供。

Windows Speech SDK包含语音识别SR引擎和语音合成SS引擎两种语音引擎。

语音识别引擎用于识别语音命令，调用接口完成某个功能，实现语音控制。

语音合成引擎用于将文字转换成语音输出。

SAPI包括以下几类接口：Voice Commands API、Voice Dictation API、Voice Text API、Voice Telephone API和Audio Objects API。

我们要实现语音合成需要的是Voice Text API。

目前最常用的Windows Speech SDK版本有三种：5.1、5.3和5.4。

Windows Speech SDK 5.1版本支持xp系统和server 2003系统，需要下载安装。

XP系统默认只带了个Microsoft Sam英文男声语音库，想要中文引擎就需要安装Windows Speech SDK 5.1。

Windows Speech SDK 5.3版本支持Vista系统和Server 2008系统，已经集成到系统里。

Vista和Server 2003默认带Microsoft lili中文女声语音库和Microsoft Anna英文女声语音库。

Windows Speech SDK 5.4版本支持Windows7系统，也已经集成到系统里，不需要下载安装。

计算机语音处理技术在教学中应用

计算机语音处理技术在教学中的应用摘要：随着计算机技术的发展，计算机对语音处理的速度越来越快，语音处理质量也越来越好，计算机的普及率目前已很高，在教学中，计算机取代传统录音设备已是必然趋势。

本文以microsoft speech sdk开发包为基础，采用c#、c++及matlab编程技术实现口语与听力教学软件的设计，以促进计算机人机对话在语音教学中的应用。

关键字：程序设计 c# c++ matlab 语音识别出口语听力测试评价人机对话现在语言教学中，听力与口语的教学已占据非常重要的地位，传统语言教学中，常常使用磁带录音机进行听力与口语的训练与测试，这种模式存在着明显的不足：第一，录音时前期准备工作量大，训练、测试周期长，反馈不及时；第二，技术难度较大。

一般要经过材料准备、设备调试、教师朗读、录音、试听、翻录等过程，通常需要电教人员与教师配合完成；第三，录音放音设备的保养与维护工作量大，一般学校录音设备配备又少，会正确使用人员又不多，不能满足教师及时的需要，且有的设备年代较久，设备状态不佳；第四，磁带录音不便于编辑且效音质效果不好，还不便于保存；第五，磁带录音一般只用于学生在期中与期末的测试，而平时训练则很少使用。

随着计算机技术的发展，特别是音频处理技术的发展，使计算机用于听力、口语的训练与测试成为可能，目前江苏已采用人机对话的方式进行中考口语听力测试，这就迫切要求学校能适应这种人机对话考试的要求，因此基于计算机人机对话的语口语、听力的训练，将以强大的优势取代传统录音教学方式，这种方式的优势主要表现在以下几个方面：第一，在设备配置上无需专门的录音设备，只要有中等配置要求的计算机、灵敏度高一点的话筒及耳机，就能实现高质量的录音、放音效果，且易于对语音的编辑处理；第二，既可以方便生成听力所需的语音文件，又可以用于学生人机对话的训练与测试；第三，利用计算机的网络功能方便学生在线学习及师生的交流。

设计思想：要想将计算机在口语及听力教学中广泛应用起来，本人经过摸索与实践，从以下几个方面入手，提出了”人机对话”的设计思想。

VC++基于微软语音引擎开发语音识别总结

关于SAPI的简介API 概述SAPI API在一个应用程序和语音引擎之间提供一个高级别的接口。

SAPI 实现了所有必需的对各种语音引擎的实时的控制和管理等低级别的细节。

SAPI引擎的两个基本类型是文本语音转换系统(TTS)和语音识别系统。

TTS系统使用合成语音合成文本字符串和文件到声音音频流。

语音识别技术转换人类的声音语音流到可读的文本字符串或者文件。

文本语音转换API应用程序能通过IspVoice的对象组建模型(COM)接口控制文本语音转换。

一旦一个应用程序有一个已建立的IspVoice对象(见Text-to-Speech指南)，这个应用程序就只需要调用ISpVoice::Speak 就可以从文本数据得到发音。

另外，ISpVoice接口也提供一些方法来改变声音和合成属性，如语速ISpVoice::SetRate，输出音量ISpVoice::SetVolume，改变当前讲话的声音ISpVoice::SetVoice 等。

特定的SAPI控制器也可以嵌入输入文本使用来实时的改变语音合成器的属性，如声音，音调，强调字，语速和音量。

这些合成标记在sapi.xsd中，使用标准的XML格式，这是一个简单但很强大定制TTS语音的方法，不依赖于特定的引擎和当前使用的声音。

ISpVoice::Speak方法能够用于同步的（当完全的完成朗读后才返回）或异步的（立即返回，朗读在后台处理）操作。

当同步朗读（SPF_ASYNC）时，实时的状态信息如朗读状态和当前文本位置可以通过ISpVoice::GetStatus得到。

当异步朗读时，可以打断当前的朗读输出以朗读一个新文本或者把新文本自动附加在当前朗读输出的文本的末尾。

除了ISpVoice接口之外SAPI也为高级TTS应用程序提供许多有用的COM接口。

事件SAPI用标准的回调机制（Window消息, 回调函数or Win32 事件）来发送事件来和应用程序通信。

对于TTS，事件大多用于同步地输出语音。

基于MicrosoftSpeechSDK的语音关键词检出系统的设计和实现

心智与计算433心智与计算, Vol.1，No.4 (2007), 433-441文章编号：MC - 2007-044收稿日期：2007-08-19出版日期：2007-12-30© 2007 MC– 厦门大学信息与技术学院基于Microsoft Speech SDK的语音关键词检出系统的设计和实现∗林茜, 欧建林, 蔡骏(厦门大学智能科学与技术系, 福建厦门 361005)mikecai@摘要:介绍了一个基于连续语音识别技术的语音关键词检出系统的实现.该系统使用微软语音开发平台Microsoft Speech SDK(SAPI)实现了从离线语音库中批量地检出含有指定关键词的语音文件,并提取含有关键词的句子,标注出其中所有的关键词.通过设计关键词检出语法限制了语音识别的语言模型,从而达到检出关键词的目的.同时针对实际应用中需要经常更新关键词、语言模型不固定的问题,采用了动态更新检出语法的方法,使得系统具有实用性.系统还设计了语音命令控制语法以实现语音交互.关键词: 关键词检出; Microsoft Speech SDK;语音识别中图分类号:TP391.42文献标识码: AThe Design and Implementation of a SpeechKeywords Retrieving Application Based onMicrosoft Speech SDKLIN Qian, OU Jian-Lin, CAI Jun(Department of Cognitive Science, Xiamen University, Xiamen 361005, China)mikecai@Abstract: T he design and implementation of a speech keywords retrieving system which is based on continuous speech recognition techniques is reported. The application system is developed with Microsoft Speech SDK (SAPI). It can retrieve audio files containing a predefined set of keywords from the corpus in batch processing and can properly mark all recognized keywords, therefore, the sentences containing the∗基金项目：福建省自然科学基金项目2006J0043;the ‘985 Innovation Project’ on Information Technology of Xiamen University (2004-2007) under Grant No. 0000-X07204 (厦门大学“985工程”二期信息创新平台项目)keywords can be located in the speech sentences. The recognition language model is confined by the keywords retrieving grammar, which can be modified by generating dynamic grammar. The change of keywords in the application can be easily performed by updating the keywords retrieving grammar correspondingly. Furthermore, the speech command and control grammar is designed to facilitate the speech-command manipulation of the system.Key words: keywords retrieving; Microsoft Speech SDK; speech recognition1 引言语音侦听作为情报获取、追踪的基本途径之一,在军事安全和公共安全领域都有着重要的应用.其基本功能之一是根据需要为系统设定若干关键词,当通讯语音中出现了所设定的关键词的语音,系统就将对应的语音段保存在存储设备中,以便进行详细的人工审听.不包含关键词内容的语音段则作删除或备份存档处理.语音关键词识别(speech keyword spotting或speech word spotting)[1-3]是实现此项功能的技术核心.作为语音识别领域的一个重要研究方向,语音关键词识别技术旨在从说话人的内容不受限的连续语音中辨认和确定一组预先定义好的特定词和特定短语.它无需像连续语音识别(continuous speech recognition, CSR)那样对连续语音的整体进行识别,而只需提取出语音段中的敏感信息.目前,国内外的语音关键词识别系统通常采用连续概率密度的HMM模型或半连续的HMM模型[1,2,4].随着研究的逐渐深入和完善,语音关键词识别越来越趋向于借鉴大词汇量连续语音识别(LVCSR)的技术,诸多研究表明,实现语音关键词识别的最好手段就是连续语音识别技术[2,5].通常可以通过改造已有的连续语音识别系统来实现关键词识别系统,在这样的系统构造过程中要解决的两个关键问题是:(1)对非关键词语音进行建模;(2)构造关键词识别的语言模型.本文介绍了一个用微软提供的语音开发平台Microsoft Speech SDK(SAPI)开发的语音关键词识别/检出系统的设计与实现,该系统利用Microsoft Speech SDK的命令控制模式实现语音识别功能,能以批量处理的方式从离线语音库中检出含有指定关键词的语音文件.文中介绍了这个语音关键词检出系统的设计思路,具体描述了各模块的实现方法,重点介绍了命令控制模式下关键词检出语法的构建.实验测试表明,这个采用Microsoft Speech SDK连续语音识别技术开发的系统有良好的语音关键词识别和检出性能,能满足实际应用的要求.2 系统原理和结构该语音关键词检出系统设计的核心和关键在于利用SAPI的连续语音识别技术实现关键词的检出.在语音识别方面,SAPI提供两种识别模式,即听写模式和命令控制模式.听写模式不对输入的语音进行限制,而在命令控制模式下,输入语音必须在语法限定的范围内才能被识别.由于关键词识别和语音命令的识别类似,因此可以利用SAPI的命令控制模式并设置适当的语法来实现语音关键词的检出.在SAPI的语法标志中, "*+"表示多个任意词,当一个语音句子中包含关键词和非关键词时,这个句子实际上可以用规则"*+关键词*+"来描述,即在关键词之前和之后可以有任意的非关键词语音.关键词检出的状态转换如图1所示.S: startA: accept图1 关键词检出状态转换图Fig.1 State transferring of retrieving keywords语音关键词检出系统按功能分为关键词生成模块、关键词检出模块、审听校验模块和语音控制模块.系统的结构图如图2所示.图2 语音关键词检出系统结构图Fig.2 Structure of speech keywords retrieving application系统各个模块的功能如下:关键词生成模块用于生成目标关键词.关键词检出模块根据关键词生成模块生成的关键词在语音库中进行搜索,批量地检出含有关键词的语音文件并生成检出结果,检出结果包括含关键词语音文件的文件名、关键词所在句子的开始时间及该句子.审听模块主要用于对检出的结果进行校验和修正.通过审听语音文件,用户可对误识和漏识的结果进行相应的手动修改.语音控制模块设计了语音命令控制语法,供用户与系统进行语音交互.3 Microsoft Speech SDK 5.1简介Microsoft Speech SDK 5.1是微软公司为开发Windows平台上的语音应用程序和语音引擎而提供的软件开发包,它主要包括兼容Win32的语音应用程序编程接口(Speech Application Programming Interface, SAPI)、微软连续语音识别引擎(CSR引擎)和微软语音合成引擎(TTS引擎),还包括了编译和调试语音应用程序的工具以及示例和帮助文档[6].此软件开发包结构如图3所示[7].图3 Microsoft Speech SDK结构图Fig.3 Structure of Microsoft Speech SDK语音应用程序编程接口SAPI是介于语音应用程序和语音引擎之间的中间层,这一层中包括对于底层控制和高度适应性的直接语音管理、训练向导、事件、语法编译、资源、语音识别管理以及文语转换管理等.Microsoft Speech SDK以COM接口调用的形式提供了两个接口:应用程序编程接口(API)和设备驱动接口(DDI).应用程序通过API层与SAPI通信,语音引擎则通过DDI层和SAPI进行交互,用户可以快速开发语音识别或语音合成的应用程序[8].SAPI提供的编程接口主要有两类,一类用于语音识别,另一类用于语音合成.这里只介绍语音识别的主要接口.3.1 ISpRecognizer语音识别引擎接口ISpRecognizer用于创建语音识别引擎的实例,每个ISpRecognizer接口代表CSR 引擎. CSR引擎又有共享语音识别引擎(Shared-recognizer)和进程内语音识别引擎(InProc-recognizer)两种实现方式.进程内语音识别引擎被创建在与应用程序同一个进程里,因此只能被这个应用程序使用,而共享的引擎可以供多个应用程序共同使用.3.2 ISpRecoContext语音识别上下文接口ISpRecoContext能关注不同的语音识别事件,装载或卸载识别时使用的语法文件.3.3 ISpRecoGrammar语音识别语法接口ISpRecoGrammar用于载入、激活、钝化识别语法.语法中定义了用户期望引擎识别的单词、短语和句子.语音识别引擎的工作模式分为听写模式和命令控制模式,语音识别语法对应地分为听写语法和命令控制语法.听写语法工作于听写模式,用于连续语音识别,用户一般无需对听写语法进行额外的修改;命令控制语法工作于命令控制模式,用于识别用户在语法文件中定义的短语或句子,以XML 文件的形式保存.3.4 ISpRecoResult识别结果接口ISpRecoResult用于获取有关识别引擎对输入语音的推测和识别,以及错误识别的有关信息,从而提取出相关的结果.4 系统的设计和实现4.1 语音控制模块的设计和实现和大多数SAPI语音控制应用程序一样,实现此模块需要使语音识别引擎工作于命令控制模式下,再装载一个包含所有控制命令的控制语法,具体实现步骤如下:(1) 初始化COM,并生成ISpRecognizer、ISpRecoContext和ISpRecoGrammar的实例,为识别消息设置通知.(2) 创建、装载及激活控制语法.控制语法中包含所有设定的控制命令,每个命令对应于一个应用功能,如选择语音库、开始检出、保存检出结果等.控制语法保存于一个XML文件中,将此XML文件编译出的cfg文件装载入系统并加以激活,即可启动语音控制功能.4.2 关键词生成模块的设计和实现在本系统中,关键词的生成可以通过手动输入和语音输入两种方式实现.手动输入关键词即通过键盘键入文字,输入的文字被保存在一个字符串数组中,这种方式的实现十分简单,在此不详细阐述.关键词的语音输入采用了SAPI的命令控制模式.由于在命令控制模式下输入的语音必须在语法限定的范围内才能被识别,因此为了准确识别出关键词就必须在关键词生成语法中装载一个预设的词汇库,以便用户从中选择目标关键词进行语音输入.当用户输入的语音段符合关键词生成语法,即用户语音输入的关键词在预设词汇库中,则该词被成功识别,成为关键词.关键词生成语法如下:<RULE ID="VID_KeyCmdType" TOPLEVEL="ACTIVE"><L PROPID="VID_KeyCmdType">关键词<RULEREF REFID="DYN_DataRule"/>……</L></RULE><RULE ID="DYN_DataRule" DYNAMIC="TRUE">placeholder</RULE>规则VID_KeyWord是关键词生成的总规则;规则DYN_DataRule用于装载预设词汇库中的所有词汇,被规则VID_KeyWord引用.DYN_DataRule的属性DYNAMIC的值为TRUE,表示它是一个动态规则.该规则中的placeholder并不是目标词汇,只是一个占位符,之后placeholder将被清除,替换它的是预设词汇库中的所有词汇.以下过程用于动态设置规则DYN_DataRule:cpRecoGrammar->GetRule(NULL, DYN_DataRule, SPRAF_TopLevel | SPRAF_Active | SPRAF_Dynamic,TRUE, &hDynamicRuleHandle);cpRecoGrammar->ClearRule(hDynamicRuleHandle);cpRecoGrammar->Commit(0);这里,首先用GetRule函数获取DYN_DataRule的初始状态hDynamicRuleHandle,再用ClearRule函数清除该状态的所有信息,由此清除了placeholder占位符,最后用Commit(0)提交这种修改.以下过程实现了为规则DYN_DataRule装载预设词汇库中的所有词汇:CSpDynamicString ds(buffer);SPPROPERTYINFO prop;prop.pszName = L"Id";prop.pszValue = L"Property";prop.vValue.vt = VT_I4;prop.vValue.ulVal = i;cpRecoGrammar->AddWordTransition(hDynamicRuleHandle, NULL, ds, L" ",SPWT_LEXICAL, 1.0, &prop);cpRecoGrammar->Commit(0);首先ds获取buffer中存储的词汇,接着设置从状态hDynamicRuleHandle到NULL的状态转移边的属性.prop存储该边的语义属性,类型为VT_I4.其中属性名(pszName)为"Id",属性值字符串(pszValue)为"Property",属性值(vValue.ulVal)为i,i定义为当前词汇库中词汇的序号.通过AddWordTransition函数将ds 添加进从状态hDynamicRuleHandle到NULL的状态转移的边上,使ds中的词汇成为规则DYN_DataRule 的一个元素.反复执行上述操作直到所有词汇均添加完毕,用Commit(0)语句提交所做的修改.这样预设词汇库中的所有词汇全部被添加进规则DYN_DataRule中.在关键词生成过程中,当用户输入的语音在预设的词汇库中,则该语音被正确识别为关键词,否则不能被识别为关键词,需要修改预设的词汇库.关键词生成过程对应的状态转移图如图4所示.h:图4 关键词生成过程状态转换图Fig.4 Status transferring of creating keywords4.3 关键词检出模块的设计和实现关键词检出模块是语音关键词检出系统的主要功能模块,完成从语音库中检出含有关键词的语音文件,并提取出含有该关键词的语音句子、将语音句子识别为文字的功能,是本系统的核心模块.4.4 关键词检出语法的设置由于需要从被识别文件读入语音流进行识别,所以本模块中需要创建一个进程内语音识别引擎且工作在命令控制模式下,同时还需设置一个关键词检出语法用于限制检出.SAPI的语音识别语法一般预先设置在一个XML文件中,例如4.1节的控制语法文件中预先设置了语音控制模块的所有控制命令;也可以根据给定的命令集(闭集)动态生成控制语法,例如4.2节的关键词生成模块根据预设词汇库动态地生成语法.为了采用命令控制模式来实现关键词检出,检出语法除了包含关键词外,还需要包含非关键词.因此利用规则"*+关键词*+"可使检出语法包含关键词(闭集)和非关键词(开集),从而使语音识别引擎能够识别由关键词和非关键词组成的句子,实现关键词检出.这是本模块主要解决的问题,也是整个系统设计的关键.关键词检出语法定义如下:<RULE ID="VID_KeyGrammar" TOPLEVEL="ACTIVE"><O>*+</O><RULEREF REFID="DYN_KeyWordRule"/><O>*+</O></RULE><RULE ID="DYN_KeyWordRule" DYNAMIC="TRUE">placeholder</RULE>规则VID_KeyGrammar是关键词检出的总规则;规则DYN_KeyWordRule用于装载关键词生成模块生成的关键词,被规则VID_KeyGrammar引用.设置动态规则DYN_KeyWordRule时采用和设置关键词生成语法中的规则DYN_DataRule相同的方法,先清除placeholder占位符,再将关键词生成模块生成的关键词添加进规则DYN_KeyWordRule中.由于实际应用中需要经常更新关键词,因而在改变目标关键词后,需要重新执行一次检出语法生成过程实现检出语法的实时更新,以生成新的连续语音识别时采用的语言模型.4.5 在语音库中检出含关键词的语音文件在SAPI的语音识别引擎处理语音文件之前需要设置语音输入流的格式.SAPI支持采样率为8、11、12、16、22、24、32、44或48kHz,字长为8或16Bit,声道数为单或双的输入流.经比较后,本系统将输入流格式设置为SPSF_8kHz16BitStereo,即采样率为8kHz,字长为16Bit,双声道.在关键词检出语法被激活后,语音识别引擎便可以自动识别语音输入流.在识别一个语音句子后,若该句子符合检出规则,即包含关键词,则语音识别引擎发出识别消息SPEI_RECOGNITION;否则发出错误识别消息SPEI_FALSE_RECOGNITION.当系统接收到消息SPEI_RECOGNITION后即可通过ISpRecoResult接口取出识别时间点和对应的文字识别结果.当一个语音文件识别结束后,识别引擎向系统发出SPEI_END_SR_STREAM消息,此时可继续下一个文件的识别,从而达到对语音库中的文件进行批量处理的目的.4.6 关键词定位当系统接收到识别消息,将检出结果显示之前需要对识别出的句子中的关键词进行定位,即标示出句子中的所有关键词,以便对检出结果有更加清晰和直观的了解.定位过程实际上是在一个字符串中查找指定的各个子串的位置,可以简单地使用C语言中的查找函数来实现.但是当关键词数目比较多时,需要重复使用查找函数,具体来说,若用户设定N个关键词,则对每一句识别出的句子,都要进行N遍关键词查找,这使系统耗时很大.由于系统的主要目的是检出含有关键词的句子,希望尽可能节约查找的时间,因此本系统采用了高效的单字符串匹配算法--BMHS算法[9]和多字符串匹配算法--Wu Manber算法[10]来实现字符串查找.这两种算法产生于英文环境,但都适用于中文环境,因为汉字在计算机中用两个字符表示,因此可以把汉字的匹配当成两个单字符的匹配,原理与单字符匹配相同,算法性能也相同.具体的算法原理在此不赘述.4.7 审听校验模块的设计和实现由于SAPI的识别不可避免地会出现错误,所以为了增强系统的可用性,系统中设置了审听校验模块,用于审听可能被误识的语音文件或文件中的个别句子,并为人工修改机器识别的结果提供操作环境.审听功能主要使用了MCI(Media Control Interface)媒体控制接口来完成语音文件的播放.MCI是Microsoft提供的一组多媒体设备和文件的标准接口,可以方便地控制绝大多数多媒体设备,包括音频、视频、影碟、录像等,因此可以轻松地应用MCI实现审听功能.用户通过此模块,即可以在审听语音文件后对识别错误的结果进行手工修改、更新.5 总结本文利用Microsoft Speech SDK的连续语音识别技术实现了语音关键词检出系统,该系统可以自动检出包含用户关心的关键词的语音,因此不需人为地监听所有语音,大大提高了语音信息过滤的工作效率.通常在Microsoft Speech SDK的命令控制模式下,用户只能按语法文件中的规则进行语音控制,而这些规则通常都是给定的文本,因此用户的命令属于一个闭集合.而本文中关键词检出语法虽然也是基于规则的,但是它将关键词(闭集)和非关键词(开集)结合,使既包含关键词、又包含非关键词的输入语音同样能被识别.由此设置的检出语法限制了连续语音识别时采用的语言模型,达到检出关键词的目的.同时这些关键词并不是在一开始就加入检出语法的,而是在动态设置关键词的过程中动态地生成,因此具有一定的灵活性,可针对不同的关键词识别需要进行检出.在测试本系统时,用离线语音库中的语音文件对SAPI进行训练后再进行关键词检出,检出结果显示关键词的检出率在95%以上.虽然检出结果中存在对某些非关键词的误识,但不影响系统对语音库的过滤功能,因此系统具有一定实用性.参考文献：[1] Wilpon J G, Rabiner L R, Lee C H, et al. Automatic recognition of keywords in unconstrained speech using hidden Markovmodels[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing,1990, 38(11): 1870-1878.[2] Ling Y. Keyword Spotting in Continuous Speech Utterances[D]. School of Computer Science, McGill University, Canada,1999.[3] Amir A, Efrat A, Srinivasan S. Advances in phonetic word spotting[C]//Proc. of the 10th International Conference onInformation and Knowledge Management. New York: ACM Press, 2001:580-582.[4] Yan B F, Guo R, Zhu X Y, et al. An approach of keyword spotting based on HMM[C]//Proc. of the 3rd World Congress onIntelligent Control and Automation. Hefei: Press of University of Science and Technology of China, 2000: 2757-2759.[5] Huang X D, Acero A, Hon H W. Spoken language processing: a guide to theory, algorithm, and system development[M].Upper Saddle River: Prentice Hall PTR, 2001.[6] Microsoft Speech SDK(SAPI) 5.1 Help. Microsoft Corporation, 2001.[7] Chen B F. Development of Chinese speech application under Net platform.[8] /china/community/program/originalarticles/techdoc/Cnspeech.mspx.[9] Yang X J, Chi HS. Digital processing of speech signals[M]. Beijing: Publishing House of Electronics Industry, 1995.[10] S unday D M. A very fast substring search algorithm[J]. Communications of the ACM, 1990, 33(8): 132-142.[11] W u S, Manber U. A fast algorithm for multi-pattern searching. puter Science Department, University ofArizona, 1994.作者简介:林茜(1985－),女,硕士研究生,主要研究领域为人工智能,自然语言处理。

语音识别中的关键词检测技术研究

语音识别中的关键词检测技术研究语音识别技术是人工智能领域的重要研究方向之一，其应用涵盖了语音助手、智能家居、自动驾驶等众多领域。

而关键词检测技术作为语音识别的重要组成部分，其研究对于提高语音识别系统的准确性和实用性具有重要意义。

本文将对语音识别中的关键词检测技术进行深入研究，探讨其原理、方法和应用。

一、关键词检测技术原理关键词检测技术是指在大量连续语音流中自动寻找和定位指定的关键词。

其原理主要包括声学模型和语言模型两个方面。

声学模型是指将连续的声学信号转化为离散化的特征向量序列，以便后续处理。

常见的声学特征包括梅尔频率倒谱系数（MFCC）、线性预测编码（LPC）等。

在训练阶段，通过大量标注好的数据进行模型训练，以建立声学模型。

语言模型是指根据语言学规则和语料库中的统计信息，对语音识别结果进行修正和优化。

常见的语言模型包括n-gram模型、隐马尔可夫模型（HMM）等。

通过对大规模文本进行统计分析，建立语言模型，可以提高关键词检测的准确性和鲁棒性。

二、关键词检测技术方法关键词检测技术的方法主要包括基于阈值的方法、基于声学模型的方法和基于深度学习的方法。

基于阈值的方法是最简单直观的关键词检测方法。

其原理是通过设置一个固定阈值，当声学特征超过该阈值时判断为关键词。

然而，该方法对噪声和语音变化较大时效果较差。

基于声学模型的方法通过建立声学特征与关键词之间的映射关系来实现关键词检测。

常见的声学模型包括高斯混合模型（GMM）和隐马尔可夫模型（HMM）。

该方法可以通过训练大量数据来提高准确性，但需要大量标注好的数据进行训练。

基于深度学习的方法是当前研究热点之一。

深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等可以自动学习特征表示，从而提高关键词检测的准确性和鲁棒性。

该方法需要大量的训练数据，但相对于传统方法，其效果更好。

三、关键词检测技术应用关键词检测技术在语音识别领域有着广泛的应用。

基于Microsoft Speech SDK和OGRE的语音驱动三维面部动画研究

３ＸＭＬ表情标签
ＭｉｃｍｓｏｆＳｐｅｅｃｈＳＤＫ可以解析符合超文本标记语言的ＸＭＬ格式文件．用于文本信息输入．我们在其原有标签基础上增加了表情标签＜ｆａｃｉａｌ＞＜／ｆａｅｉａｌ＞．由于ＯＧＲＥ的面部动画提供了一个具有 ” ｓａｄ ” 、 ” ｈａｐｐｖ ” 、 ” ｍａｄ ” 三个维度的表情模型，我们亦为添加的表情标签设置了三个属性＂ｓａｄ ” 、 ” ｈａｐｐｙ ” 、 ” ｍａｄ ” ，并且每个属性的取值范围为０ — １０，如下：
０引言
１系统原理与结构
语音驱动三维面部系统．主要包括逻辑分析器、１ＴｒＳ引擎、动画合成器等多个模块．能够对于输入的ＸＭＬ格式汉语文本提供ＴＴＳ语音输出以及生动的二：维动画同步．本系统基于ＭｉｃｒｏｓｏｔｆＳｐｅｅｃｈＳＤＫ５．１和ＯＧＲＥ三维渲染引擎．下文对系统实现的关键技术给出了描述．系统流程图如图１所示。
本系统基于Ｍｉｃ１＂ＯｓｏｆｔＳｐｅｅｃｈＳＤＫ５．１．该ＳＤＫ提供了一套语音识别（ｓＲ）和语音合成ｒｒｒｓ）系统接口，完全支持简体中文语音系统的开基于语音驱动的三维动画技术是当前计算机图形学以及虚拟现发。它基于ＣＯＭ标准开发，使程序设计人员从复杂的语音技术细节中实领域的研究热点之一．九十年代末期．基于英文文本的语音驱动的解放出来．仅需面向逻辑问题即可使用ＳＤＫ中的资源开发语音识别口型动画技术得到的迅速的发展．随后该技术在汉语语音驱动动画技（ｓＲ）和语音合成（１Ｔｒｓ）的应用程序，ＭｉｃｒｏｓｏｔｆＳｐｅｅｃｈＳＤＫ５．１结构如图术领域也得到了广泛的应用语音驱动三维动画技术．将口型动画参２所示。数和表情动画参数分离为两个正交分量。在汉语口型动画领域哈尔滨２．２ＯＧＲＥ三维渲染弓１擎简介工业大学、四川大学等在１３型实时模拟技术方面取得了较好的成果．ＯＧＲＥｆＯｂｉｅｃｔ — ＯｉｒｅｎｔｅｄＧｒａｐｈｉｃｓＲｅｎｄｅｉｒｎｇＥｎｇｉｎｅ）是一个基于但都是基于静态人脸模型数据库实现．其方法在实际虚拟现实产品开ｃ＋＋的面向对象的商业级的３Ｄ渲染引擎．ＯＧＲＥ拥有良好的内部构发中应用的难度较大本文以ＭｉｃｒｏｓｏｔｆＳｐｅｅｃｈＳＤＫ提供的１ｖＩ．Ｓ接口架．可以使研发人员更容易、更直接地利用硬件加速的３Ｄ图形系统以及ＯＧＲＥ的ＦａｃｉａｌＡｎｉｍａｔｉ０ｎ模型为基础．扩展了ＸＭＬ标记增加表开发应用ＯＧＲＥ对于底层的渲染系统库（Ｄｉｒｅｃｔ３Ｄ和ＯｐｅｎＧＬ）提供情标签并构建了一个便于复用的准工业级汉语语音驱动面部动画解同等支持．并且隐藏了所有细节．提供了一个基于世界对象和其他直决方案观类的接口

Speech API使用方法

Speech API使用方法微软语音识别分两种模式:文本识别模式和命令识别模式.此两种模式的主要区别,主要在于识别过程中使用的匹配字典不同.前者使用的是通用字典,特点是内容多,覆盖的词汇量大,字典由sdk提供.适用于没有预定目标的随机听写之类的应用.同时因为词汇量大直接导致识别的精度降低,识别速度较慢.后者的字典需要开发者自己编写,就是你们所说的xml文件.xml文件作为一种数据存储的方式,有一定的格式,定义了sdk需要确定的一些标签,和用以匹配的词汇.这种方式由开发者定义词汇的数量,大大降低匹配过程中需要检索的词汇量,提高了识别速度.同时因为侯选项极少,所以一般不会识别错误.其缺点也是明显的:词汇量小,只有预先输入字典的词汇可以被识别出来,所以一般用来作为常用命令的识别,方便用户操作,代替菜单命令等.利用微软Speech SDK 5.1在MFC中进行语音识别开发时的主要步骤，以Speech API 5.1+VC6为例：1、初始化COM端口一般在CWinApp的子类中，调用CoInitializeEx函数进行COM初始化，代码如下：::CoInitializeEx(NULL,COINIT_APARTMENTTHREADED); // 初始化COM注意：调用这个函数时，要在工程设置（project settings）->C/C++标签,Category中选Preprocessor，在Preprocessor definitions:下的文本框中加上“,_WIN32_DCOM”。

否则编译不能通过。

2、创建识别引擎微软Speech SDK 5.1 支持两种模式的：共享（Share）和独享（InProc）。

一般情况下可以使用共享型，大的服务型程序使用InProc。

如下：hr = m_cpRecognizer.CoCreateInstance(CLSID_SpSharedRecognizer);//Sharehr = m_cpRecognizer.CoCreateInstance(CLSID_SpInprocRecognizer);// InProc如果是Share型，可直接进到步骤3；如果是InProc型，必须使用ISpRecognizer::SetInput 设置语音输入。

微软TTS语音引擎编程入门

我们都使用过一些某某词霸的英语学习工具软件，它们大多都有朗读的功能，其实这就是利用的Windows的TTS（Text To Speech)语音引擎。