语音识别技术的研究与发展

4.5 支持向量机（SVM)

支持向量机是应用统计学习理论的一种新的学习机模型，它采用结构风险最小化原理(SRM)，有效克服了传统经验风险最小化方法的缺点，在解决小样本、非线性及高维模式识别方面有许多优越的性能[4]。其基本思想可以概括为：首先通过非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面，而这种非线性变换是通过定义适当的内积函数实现的。目前，统计学习理论和支持向量机也是国际上机器学习领域的研究热点。

5语音识别所面临的问题

尽管语音识别取得很大成功，但是距离真正的人机自由交流还有很大的距离。例如，目前计算机还需要对用户做大量训练才能更准确识别，用户的语音识别率也并不是尽如人意。主要难题有以下几个方面：

(1)识别系统的适应性差。主要体现在对环境依赖性强，特别在高噪音环境下语音识别性能还不理想。

(2)语音识别系统从实验室演示系统到商品的转化过程中，还有许多具体问题需要解决。例如，识别速度、拒识等问题，还有连续语音中去除不必要语气词如“呃”、“啊”等语音的技术细节问题。

(3)语言学、生理学、心理学方面的研究成果已有不少，但如何把这些知识量化、建模并用于语音识别，还需要进一步研究。

面对上面的困难，语音识别技术要做到真正成功，在任何环境中都能人机进行自由地对话，不仅需要语音识别基础理论的突破，更需要大量的实际工作的积累。

6 语音识别技术的前景展望

语音作为当前通信系统中最自然的通信媒介，语音识别技术是非常重要的人机交互技术。随着计算机和语音处理技术的发展，语音识别系统的实用性将进一步提高。应用语音的自动理解和翻译，可消除人类相互交往的语言障碍。国外已有多种基于语音识别产品(如声控拨号电话、语音记事本等)的应用，基于特定任务和环境的听写机也已经进入应用阶段。这预示着语音识别技术有着非常广泛的应用领域和市场前景。随着语音技术的进步和通信技术的飞速发展，语音识别技术将为网上会议、商业管理、医药卫生、教育培训等各个领域带来极大的便利[5]，其应用和经济、社会效益前景非常良好。

参考文献

[1] 王炳锡，屈丹，彭煊.实用语音识别基础[M].北京：国防工业出版社，2005.

[2] 刘么和，宋庭新.语音识别与控制应用技术[M].北京：科学出版社，2008.

[3] 詹新明，黄南山，杨灿.语音识别技术研究进展[J].现代计算机，2008，291(9)：43-45.

[4] 柳春.语音识别技术研究进展[J].甘肃科技，2008，24(9)：41-43.

[5] 高新涛，陈乖丽.语音识别技术的发展现状及应用前景[J].甘肃科技纵横，2007，36(4)：13.