语音识别的主题论文
随着时代的发展，网络通信已广泛地应用于政治、军事，经济及科学等各个领域，它改变了传统的事务处理方式，对社会的进步和发展起着很大的推动作用。下面我给大家带来通信工程专业 毕业 论文题目_通信专业论文怎么选题，希望能帮助到大家!
通信工程毕业论文题目
1、 通信工程项目管理系统集成服务浅探[J]
2、 试述我国通信工程发展现状与前景[J]
3、 网络传输技术在通信工程中的应用探析[J]
4、 通信工程中多网融合技术的应用问题探析[J]
5、 探究有线传输技术在通信工程中的应用及发展方向[J]
6、 探讨通信工程项目的网络优化[J]
7、 应用型通信工程专业计算机类课程建设研究[J]
8、 结合3G/4G网络与GPS定位技术实现通信工程现场监理[J]
9、 通信工程的风险管理探讨[J]
10、 如何解决通信工程管理中的问题[J]
11、 通信工程设计单位标准化管理研究[J]
12、 传输技术在通信工程中的应用解析[J]
13、 通信工程施工管理模式的创新研究[J]
14、 通信工程中有线传输技术的应用及改进[J]
15、 通信工程项目中的风险管理与控制策略研究[J]
16、 探析通信工程中传输技术的广泛应用[J]
17、 浅谈通信工程项目的质量管理[J]
18、 项目管理 方法 在移动通信工程管理中的应用研究[J]
19、 通信工程项目管理研究[J]
20、 通信工程光缆施工的质量控制探讨[J]
21、 试论在通信工程施工过程中信息化管理的应用[J]
22、 浅谈传输技术在通信工程中的应用及发展[J]
23、 浅谈通信工程技术传输的有效管理策略[J]
24、 信息通信工程中传输技术的有效应用[J]
25、 铁路通信工程中无线接入技术的应用探究[J]
26、 试论通信工程的特点及发展现状与前景[J]
27、 浅谈通信工程发展前景[J]
28、 以华为公司为例探析通信工程技术的社会经济价值[J]
29、 传输技术在通信工程中的应用与发展趋势[J]
30、 通信工程建设进度控制研究[J]
31、 关于多网融合在通信工程中的应用分析[J]
32、 基于通信工程传输技术的应用研究[J]
33、 强化通信工程安全管理的对策[J]
34、 通信工程存在的经济问题和发展分析[J]
35、 通信工程管理在项目中的应用[J]
36、 探讨通信工程项目的网络优化方式[J]
37、 传输技术对通信工程的作用[J]
38、 浅谈通信工程传输技术的应用[J]
39、 通信工程中有线传输技术的应用及改进[J]
40、 刍议通信工程传输技术的现状与未来发展[J]
41、 浅析我国通信工程发展现状与展望[J]
42、 通信工程项目管理中关键点的标准化研究[J]
43、 软交换技术在通信工程中的应用及发展方向[J]
44、 探究通信工程专业学生就业现状及对策研究[J]
45、 如何提高通信工程监理企业的竞争力[J]
46、 通信工程监理企业竞争力探析[J]
47、 浅谈通信工程信息技术[J]
48、 通信工程中土建工程质量控制探讨[J]
49、 通信工程项目管理中系统化、集成化实现的路径分析[J]
50、 通信工程中有线传输技术的改进研究[J]
移动通信毕业论文题目
1、大数据分析在移动通信网络优化中的应用研究
2、典型移动通信基站电磁环境影响模型化研究
3、高速移动通信场景下基于LTE-A中继系统的资源调度关键技术研究
4、基于专利信息分析的我国4G移动通信技术发展研究
5、移动通信基础设施建设中多方合作研究
6、移动通信基站管理系统的设计与实现
7、“营改增”对内蒙古移动通信公司 财务管理 的影响及对策研究
8、低轨宽带卫星移动通信系统OFDM传输技术研究
9、雷电脉冲对移动通信基站影响的研究
10、平流层CDMA移动通信蜂窝网的性能研究
11、B3G/4G系统中的无线资源分配的研究
12、下一代移动通信系统中跨层资源分配研究
13、基于OFDM的GEO卫星移动通信系统关键技术研究
14、下一代移动通信系统中的关键传输技术研究
15、基于SCP的海峡两岸移动通信产业比较研究
16、多场景下移动通信系统业务承载性能研究
17、未来移动通信系统资源分配与调度策略研究
18、高速铁路移动通信系统性能研究
19、下一代移动通信网络中的无线资源管理与调度策略研究
20、下一代卫星移动通信系统关键技术研究
21、混能供电移动通信网络的节能方法研究
22、移动通信数据挖掘关键应用技术研究
23、移动通信系统中的认证和隐私保护协议研究
24、基于移动通信定位数据的交通信息提取及分析方法研究
25、电信运营商在移动通信标准发展中的产业作用关系研究
26、天津移动通信市场非线性预测及面向3G的发展策略研究
27、移动通信产业链创新系统研究
28、移动通信智能天线关键技术研究
29、移动通信运营商产品品牌 文化 研究
30、宽带移动通信系统资源调度和干扰管理的研究
31、未来移动通信基站体系结构--定性理论、方法与实践
32、移动通信系统中天线的分析与设计
33、基于客户的移动通信品牌资产模型及影响机理研究
34、中国移动通信业价格竞争行为研究
35、具有NFC功能的移动通信终端电路设计
36、具有电子支付功能的移动通信终端软件设计
37、移动通信服务业顾客满意度及忠诚度影响因素比较研究
38、移动通信企业 市场营销 成本管理研究
39、移动通信 无线网络 建设项目的质量管理研究
40、卫星移动通信系统编码协作技术
通信工程专业论文题目
1、基于61单片机的语音识别系统设计
2、红外遥控密码锁的设计
3、简易无线对讲机电路设计
4、基于单片机的数字温度计的设计
5、甲醛气体浓度检测与报警电路的设计
6、基于单片机的水温控制系统设计
7、设施环境中二氧化碳检测电路设计
8、基于单片机的音乐合成器设计
9、设施环境中湿度检测电路设计
10、基于单片机的家用智能总线式开关设计
11、 篮球 赛计时记分器
12、汽车倒车防撞报警器的设计
13、设施环境中温度测量电路设计
14、等脉冲频率调制的原理与应用
15、基于单片机的电加热炉温
16、病房呼叫系统
17、单片机打铃系统设计
18、智能散热器控制器的设计
19、电子体温计的设计
20、基于FPGA音频信号处理系统的设计
21、基于MCS-51数字温度表的设计
22、基于SPCE061A的语音控制小车设计
23、基于VHDL的智能交通控制系统
24、基于VHDL语言的数字密码锁控制电路的设计
25、基于单片机的超声波测距系统的设计
26、基于单片机的八路抢答器设计
27、基于单片机的安全报警器
28、基于SPCE061A的易燃易爆气体监测仪设计
29、基于CPLD的LCD显示设计
30、基于单片机的电话远程控制家用电器系统设计
31、基于单片机的交通信号灯控制电路设计
32、单片机的数字温度计设计
33、基于单片机的可编程多功能电子定时器
34、基于单片机的空调温度控制器设计
35、数字人体心率检测仪的设计
36、基于单片机的室内一氧化碳监测及报警系统的研究
37、基于单片机的数控稳压电源的设计
38、原油含水率检测电路设计
39、基于AVR单片机幅度可调的DDS信号发生器
40、四路数字抢答器设计
41、单色显示屏的设计
42、基于CPLD直流电机控制系统的设计
43、基于DDS的频率特性测试仪设计
44、基于EDA的计算器的设计
45、基于EDA技术的数字电子钟设计
46、基于EDA技术的智力竞赛抢答器的设计
47、基于FPGA的18路智力竞赛电子抢答器设计
48、基于USB接口的数据采集系统设计与实现
49、基于单片机的简易智能小车的设计
50、基于单片机的脉象信号采集系统设计
51、一种斩控式交流电子调压器设计
52、通信用开关电源的设计
53、鸡舍灯光控制器
54、三相电机的保护控制系统的分析与研究
55、信号高精度测频方法设计
56、高精度电容电感测量系统设计
57、虚拟信号发生器设计和远程实现
58、脉冲调宽型伺服放大器的设计
59、超声波测距语音提示系统的研究
60、电表智能管理装置的设计
通信工程专业毕业论文题目相关 文章 ：
★ 通信工程毕业论文题目
★ 通信工程毕业论文题目
★ 通信工程毕业论文选题
★ 通信工程专业毕业论文
★ 通信工程的毕业论文范例(2)
★ 通信工程的毕业论文(2)
★ 通信工程的毕业论文参考范文
★ 通信工程方面毕业论文(2)
★ 通信工程的毕业论文优秀范文(2)
★ 通信工程本科毕业论文
关于语音识别的文献论文题目
语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读!
语音识别技术概述
作者：刘钰 马艳丽 董蓓蓓
摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。
关键词：语音识别;特征提取;模式匹配;模型训练
Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to developing prospect ion and application of the speech-identification technology are discussed in the last part.
Keywords:Speech identification;Character Pick-up;Mode matching;Model training
一、语音识别技术的理论基础
语音识别技术：是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生 理学 、心理学、语言学、 计算 机 科学 以及信号处理等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行 自然 语言通信。
不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外，还涉及到语音识别单元的选取。
(一) 语音识别单元的选取
选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种，具体选择哪一种，由具体的研究任务决定。
单词(句)单元广泛应用于中小词汇语音识别系统，但不适合大词汇系统，原因在于模型库太庞大，训练模型任务繁重，模型匹配算法复杂，难以满足实时性要求。
音节单元多见于汉语语音识别，主要因为汉语是单音节结构的语言，而 英语 是多音节，并且汉语虽然有大约1300个音节，但若不考虑声调，约有408个无调音节，数量相对较少。因此，对于中、大词汇量汉语语音识别系统来说，以音节为识别单元基本是可行的。
音素单元以前多见于英语语音识别的研究中，但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成，且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母，这样虽然增加了模型数目，但提高了易混淆音节的区分能力。由于协同发音的影响，音素单元不稳定，所以如何获得稳定的音素单元，还有待研究。
(二) 特征参数提取技术
语音信号中含有丰富的信息，但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作，它对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这是信息压缩的过程。
线性预测(LP)分析技术是目前应用广泛的特征参数提取技术，许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型，没有考虑人类听觉系统对语音的处理特点。
Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱，在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的一些研究成果。实验证明，采用这种技术，语音识别系统的性能有一定提高。
也有研究者尝试把小波分析技术应用于特征提取，但目前性能难以与上述技术相比，有待进一步研究。
(三)模式匹配及模型训练技术
模型训练是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数，而模式匹配则是根据一定准则，使未知模式与模型库中的某一个模型获得最佳匹配。
语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元 网络 (ANN)。
DTW是较早的一种模式匹配和模型训练技术，它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题，在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统，目前已被HMM模型和ANN替代。
HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的Markor链，另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样，语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述，而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点，HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数，简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数，简称CHMM)以及半连续隐马尔可夫模型(SCHMM，集DHMM和CHMM特点)。一般来讲，在训练数据足够的，CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法，并不断被完善，以增强HMM模型的鲁棒性。
人工神经元 网络 在语音识别中的 应用是现在研究的又一 热点。ANN本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的，但ANN又不个有HMM模型的动态时间归正性能。因此，现在已有人研究如何把二者的优点有机结合起来，从而提高整个模型的鲁棒性。
二、语音识别的困难与对策
目前，语音识别方面的困难主要表现在：
(一)语音识别系统的适应性差，主要体现在对环境依赖性强，即在某种环境下采集到的语音训练系统只能在这种环境下应用，否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应，使用不方便。
(二)高噪声环境下语音识别进展困难，因为此时人的发音变化很大，像声音变高，语速变慢，音调及共振峰变化等等，这就是所谓Lombard效应，必须寻找新的信号分析处理方法。
(三)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，还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。
(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次，把这方面的现有成果用于语音识别，还有一个艰难的过程。
(五)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，识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。
三、语音识别技术的前景和应用
语音识别技术 发展 到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方 经济 发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、 旅游 、银行信息，并且取得很好的结果。
语音识别是一门交叉学科，语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。
参考 文献 ：
[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展. 企业 专栏.通讯世界,:(总l12期)
[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,
[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界, (总122期)
[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991
[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005
[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999
点击下页还有更多>>>浅谈语音识别技术论文
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
语音识别研究的重要性论文
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读!
语音识别技术概述
作者：刘钰 马艳丽 董蓓蓓
摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。
关键词：语音识别;特征提取;模式匹配;模型训练
Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to developing prospect ion and application of the speech-identification technology are discussed in the last part.
Keywords:Speech identification;Character Pick-up;Mode matching;Model training
一、语音识别技术的理论基础
语音识别技术：是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生 理学 、心理学、语言学、 计算 机 科学 以及信号处理等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行 自然 语言通信。
不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外，还涉及到语音识别单元的选取。
(一) 语音识别单元的选取
选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种，具体选择哪一种，由具体的研究任务决定。
单词(句)单元广泛应用于中小词汇语音识别系统，但不适合大词汇系统，原因在于模型库太庞大，训练模型任务繁重，模型匹配算法复杂，难以满足实时性要求。
音节单元多见于汉语语音识别，主要因为汉语是单音节结构的语言，而 英语 是多音节，并且汉语虽然有大约1300个音节，但若不考虑声调，约有408个无调音节，数量相对较少。因此，对于中、大词汇量汉语语音识别系统来说，以音节为识别单元基本是可行的。
音素单元以前多见于英语语音识别的研究中，但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成，且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母，这样虽然增加了模型数目，但提高了易混淆音节的区分能力。由于协同发音的影响，音素单元不稳定，所以如何获得稳定的音素单元，还有待研究。
(二) 特征参数提取技术
语音信号中含有丰富的信息，但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作，它对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这是信息压缩的过程。
线性预测(LP)分析技术是目前应用广泛的特征参数提取技术，许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型，没有考虑人类听觉系统对语音的处理特点。
Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱，在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的一些研究成果。实验证明，采用这种技术，语音识别系统的性能有一定提高。
也有研究者尝试把小波分析技术应用于特征提取，但目前性能难以与上述技术相比，有待进一步研究。
(三)模式匹配及模型训练技术
模型训练是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数，而模式匹配则是根据一定准则，使未知模式与模型库中的某一个模型获得最佳匹配。
语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元 网络 (ANN)。
DTW是较早的一种模式匹配和模型训练技术，它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题，在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统，目前已被HMM模型和ANN替代。
HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的Markor链，另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样，语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述，而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点，HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数，简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数，简称CHMM)以及半连续隐马尔可夫模型(SCHMM，集DHMM和CHMM特点)。一般来讲，在训练数据足够的，CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法，并不断被完善，以增强HMM模型的鲁棒性。
人工神经元 网络 在语音识别中的 应用是现在研究的又一 热点。ANN本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的，但ANN又不个有HMM模型的动态时间归正性能。因此，现在已有人研究如何把二者的优点有机结合起来，从而提高整个模型的鲁棒性。
二、语音识别的困难与对策
目前，语音识别方面的困难主要表现在：
(一)语音识别系统的适应性差，主要体现在对环境依赖性强，即在某种环境下采集到的语音训练系统只能在这种环境下应用，否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应，使用不方便。
(二)高噪声环境下语音识别进展困难，因为此时人的发音变化很大，像声音变高，语速变慢，音调及共振峰变化等等，这就是所谓Lombard效应，必须寻找新的信号分析处理方法。
(三)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，还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。
(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次，把这方面的现有成果用于语音识别，还有一个艰难的过程。
(五)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，识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。
三、语音识别技术的前景和应用
语音识别技术 发展 到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方 经济 发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、 旅游 、银行信息，并且取得很好的结果。
语音识别是一门交叉学科，语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。
参考 文献 ：
[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展. 企业 专栏.通讯世界,:(总l12期)
[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,
[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界, (总122期)
[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991
[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005
[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999
点击下页还有更多>>>浅谈语音识别技术论文
我看好百度语音。
语音识别技术论文范文
沈雨娇为我院2012级英语专业本科学生，2017年考上上海外国语大学英语语言文学专业研究生，研究方向为跨文化交际，师从上外跨文化中心主任顾力行教授（Steve J. Kulich）和复旦大学人类社会学博士张晓佳老师。2021年1月获得日本早稻田大学的博士录取通知书，6月获得国家留学基金委员会公派奖学金，将于2022年4月赴日进行为期三年的博士学习，专业为国际文化与交流，研究方向为视觉文化，师从早稻田大学国际文化与交流学院主任吉本光弘教授。
1.《基于深度学习的自然语言处理技术研究》2.《基于深度学习的计算机视觉技术研究》3.《基于深度学习的语音识别技术研究》4.《基于深度学习的机器翻译技术研究》5.《基于深度学习的自动驾驶技术研究》6.《基于深度学习的智能家居技术研究》7.《基于深度学习的智能机器人技术研究》8.《基于深度学习的智能推荐系统技术研究》9.《基于深度学习的自然语言理解技术研究》10.《基于深度学习的智能安全技术研究》
沈雨娇写的论文有撵炉胶，春夜喜雨等论文。沈雨娇的很多偏关于社会学的论文，发表在人才杂志上，引起很大反向。
一、概念 语音识别是指将声音内容转换成文字的技术。 它是一门交叉的、非常复杂的学科，需要具备生理学、声学、信号处理、计算机科学、模式识别、语言学、心理学等相关学科的知识。 二、发展 随着科技的发展，语音识别技术在理论和应用方面都取得了重大突破，越来多的应用到了日常生活中。比如智能家居，车载娱乐，语音识别听写器、语音寻呼答疑平台、智能客服等。 三、简单应用原理 通常语音识别有两种工作模式，唤醒模式和识别模式。所谓唤醒模式，即应用处于待唤醒状态，此种状态引擎会一直在后台录音，用于判别是否有【唤醒词】，如果识别到唤醒词，即转为识别模式。所谓识别模式，是指我们说出的语音被转为文字以及带有特定格式的一段数据，即对于所识别到的语音进行结构化处理。处理后通常会以json的形式提供给外部应用进行再次解析处理，用于满足应用自身功能。 比如一些支持语音功能的智能家居，首先把应用唤醒（比如，小爱同学），然后说指令（比如，开空调）。语音识别引擎识别出语义，把结果（json数据）给到APP，APP把结构化的语义进行分类处理。再比如，如果想查询天气，语音说“明天天气如何”。识别引擎会根据位置信息，联网检索相关天气信息提供给APP。注： 唤醒词：用于唤醒应用的特定语音，例如“hi，siri”，通常用户可以自定义
语音情感识别毕业论文
普通话对英语语音的迁移作用摘 要： 本文在论述语言迁移理论本质的基础上，分析了影响迁移的因素，对汉英两种语言对比，从音素、音位、声调/语调语言、重音和节奏等层面分析了普通话对英语学习的负迁移作用，以便更好地帮助学生克服普通话的负迁移影响，促进英语语音的学习。关键词： 普通话；英语语音；语言迁移；对比研究The Transferring Effect of Mandarin on English PhoneticsLin YuhangDepartment of Foreign Languages and Literatures, Zhangzhou Teachers College 01021225Abstract: This paper is meant to help the Chinese English-learners to overcome the negative phonetic transfer and promote the study of English phonetics by dealing with language transfer theories, analyzing the factors affecting language transfer, comparing and analyzing some phonetic features of the Chinese and English languages, such as phone, phoneme, tone/intonation language, stress and words: Mandarin; English phonetics; language transfer; comparative analysis语音过关是英语学习的关键，同时也是难点。然而，外语界对语音教学问题的探讨却明显少于其他领域，这难免有些“避重就轻”之嫌。将英汉两种语音进行对比研究，对比教学，不失为一种良策，如张凤桐教授编著的《英国英语语音学和音系学》就是按照这一指导思想编写的教材。对比研究的理论基础是语言迁移，同时，对比研究和教学是正视语言迁移作用的科学方法和手段。然而就在将两种语音进行对比教学的过程中，产生了一些似是而非的说法，例如“普通话好，英语语音就好”是其中最具代表性的。这一说法过分夸大了语际间的正迁移作用，而忽略了负迁移作用。应该说这一问题的答案是不确定的。世界上有各种各样的语言,虽然各种语言有其相通的一面,但每一种语言都有其特有的语音体系,并有自己独特的发音规律。要全面正确地了解普通话对英语语音的迁移作用，就应该在认识语言迁移的本质和产生语言迁移因素的基础之上，将英汉语音、音位相关的方面作科学的对比研究。一、 语言迁移概念及其实质奥苏伯尔的认知结构迁移理论代表从认知的观点来解释迁移的一种主流倾向,然后有符号性图式理论、产生式理论、结构匹配理论与情境性理论等迁移理论。根据奥苏伯尔的认知结构迁移理论，“迁移是一种认知活动，体现了个体主动的心理加工过程”[1]。但也存在分歧，一些研究者着眼于各理论在更高层次上的概括,将迁移概括为“一种学习中习得的经验对其他学习的影响，是新旧经验的整合过程”[2]，这种整合过程可以通过同化、顺应与重组三种方式实现，其实质是原有认知结构与新学习的相互影响、相互作用，从而形成新的认知结构的过程。迁移(transfer)作为一个心理术语,是指已获得的指示、技能、方法等对学习新知识、技能的影响。迁移是人类认知的一个普遍特征。在外语学习中,迁移“指的是人们已经掌握的知识在新的学习环境中发挥作用的心理过程”[3],主要是母语及母语学习经历对学习新语言的影响。语言迁移可分为正迁移(positive transfer)和负迁移(negative transfer)。如果某个外语结构在母语中有对应结构,或母语对外语的学习起促进作用,在学习中就会出现正迁移现象。但是如果某个结构在母语中没有对应的结构,或者两种语言中的对应结构有差异,也就是说,母语对外语的学习起干扰或抑制作用,就会产生反面的迁移,从而影响外语的学习,这就是学习中的负迁移现象。系统的语言迁移研究可追溯到上个世纪四五十年代的语言学家弗赖伊斯()和雷多()。他们从斯金娜()的行为主义心理学理论出发,认为“学习是刺激与反应的强化,是习惯的形成,是新旧知识的联结。因而在外语学习中,母语这种先前语言学习的习惯会对新的外语学习产生迁移作用”[4]。基于这一观点,他们认为“外语学习的主要困难是由两种语言的差异引起的,学习的主要任务就是找出并克服这种差异”[4],据此他们提出了对比分析假说(contrastive analysis hypothesis),即“将学习者的母语(mother tongue/native language)与目标语(target language)进行各方面的比较分析,找出两者的差异,解释或预测外语学习中已经或将要出现的困难与错误,并以此为指导教材的编写和教学活动。”[4]20世纪60年代末,乔姆斯基提出了语言习得机制( language acquisition device)假说和普遍语法 (universal grammar)理论。他认为：“人类语言结构存在着普遍性(language/linguistic universals),这种语言的普遍性反映了人类的经验过程,反映了人类获得新知识能力的普遍性”[5]。也就是说,人类生来就有自然学习语言的能力,它植根于人的内在机制,即语言习得机制。格林伯格( )通过对跨语言调查(cross-linguistic surveys)特别是对语序的分析来研究和证明语言的普遍性。总之,无论是强调母语迁移作用的对比分析假说,还是强调人类语言的普遍性而忽视母语迁移现象的普遍语法理论,都从不同的方面说明了正是各种语言具有一定的共性,母语才会对外语学习产生积极影响的正迁移作用,同时每种语言所具有的特殊性又使母语迁移对外语学习产生一定的负面影响,即负迁移。二、语言迁移产生的因素语言迁移绝非简单的母语与外语或第二语言间的迁移，也不是两种语言间的相似性或共同性就能决定迁移的程度。相反，它涉及各种不同类型的迁移，也涉及不同的主客观因素。任何迁移形式的产生都受到许多主客观因素的制约。影响英语语音学习迁移的因素很多，包括学习材料间的共同因素、对材料的理解程度、知识经验的概括水平、定势作用、认知结构的清晰性和稳定性及知识的运用等。奥苏伯尔认为，认知结构的3个变量影响新的学习或迁移的发生。认知结构即学生头脑中的知识结构，从广义上讲，它是学生已有观念的全部内容及其组织；从狭义上讲，它是学生在某一特殊领域中的观念的全部内容及其组织。认知结构变量就是学习者应用他的原有知识同化新知识时，原有认知结构在内容和组织方面的特征。影响陈述性知识迁移的变量是：可利用性、可辨别性和稳定性。此外，有学者认为以下问题与语言迁移密切相关。首先，情境特征引起的关注。情境包括最初的学习情境和后来的迁移情境，两种情境是否相似影响迁移水平。研究发现，物理的和社会的场景也是整个学习中重要的、有意义的组成部分。不同的场景或情境，其学习与迁移可能不同。因此，真实的英语学习情境，如外语角等，有助于将学得的语言知识与语言技能迁移到实际情境中去。其次，强调迁移的主动性与通达性。通达体现了学习者的主观能动性，意味着学习者可在迁移机会出现时，顺利地提取有关的经验或可利用的资源。有效的学习者有强烈的内部动机来调节自己的语言学习活动，如主动识别先前的语言学习与目前任务的相关性，识别恰当的语言使用和语言迁移情境，主动提取可利用的资源等，这些都是语言迁移产生的必要条件。三、 对比研究中普通话对英语语音的迁移作用对比研究是建立在美国学者雷多（R. Lado） 1957年提出的“对比分析（contrastive analysis）”基础上的一种语言分析方法。雷多的对比研究是一种在语音、语法和文化层次上对第一语言和第二语言进行严格的、逐一比较的体系。该对比研究的理论基础和焦点是语言迁移。语言的对比研究有助于人们认识语言间的区别和联系。李庭芗先生指出,“英、汉语在语音方面有哪些相同和相异的地方,是每个英语教师所必须了解的。英、汉对比的知识能帮助教师根据英、汉语的异同,预见学生在学习中的难点和重点,从而在教学方法上采取相应措施,以提高英语教学的质量”[6]。要学好英语语音,首先要了解哪些音是汉语中没有的,哪些音容易受汉语语音的干扰,英、汉语音之间怎样互相干扰的。普通话学习者在英语语音学习中产生的迁移，虽然不完全是具体知识的迁移，却是普通话发音习惯、发音部位的迁移，也是一种发音技能的迁移。对两者进行音素（phone）、音位（phoneme）及音节（syllable）等方面作系统的对比研究，无疑会促进找准正迁移作用的条件，而减少负迁移产生的干扰，有助于英语语音的学习。语音的最小单位是音素，但是在言语交际中能区别意义的最小语音单位是音位。音位分为音段音位（segmental phonemes）和超音段音位（super-segmental phonemes）两种，前者包括元音、辅音，元音与辅音、辅音与音在词中的组合，即音位组合或音节；后者则指重音（stress），音程（length）,节奏（rhythm），音调（tone），语调（intonation）及音渡（juncture）等。以下是两种语言音位的对比分析和迁移作用的情况:1. 元音、辅音和声母和韵母属于印欧语系日耳曼语族的英语有20个元音、28个辅音。英语的音位是区别词义的最小单位。属于汉藏语系汉语的音位和英语一样，也是区别词义的最小单位。普通话是汉语的代表语言，有辅音音位，即声母22个，韵母31个。声母一般位于音节的开头，韵母是声母后的一部分，一般由元音或元音加辅音/n、n^/构成，如/B、o、Bi、en、uBn^/等韵母。英语元音分为单元音和双元音；普通话的元音分为单韵母和复韵母。英语的单元音数量比普通话的单韵母要多，而且分得细。普通话里只有6个单韵母；英语有12个单元音，而且分为前、中、后元音。其中/I、U、e、A、Q/等单元音在普通话中找不到近似的音，很难说普通话说得好的人一定就能发好这些音和包含这些音位的单词和句子。而在普通话中 能找到的近似音如/i、u/，前者发音的舌位比英语更靠前，后者则更靠后[7]。另外，普通话的复韵母/ei、Bi、Bo、ou/和英语的双元音/eI、aI、au、EU/虽都以强元音为主，向弱元音方向滑动。但是，普通话滑动较快，而且并没有达到弱元音的位置，念起来两音浑然一体；英语的双元音滑动较明显，两者相对独立，普通话较好的人很容易将like误念成/lak/或/lek/。值得注意的是两者在发音的部位和口形上都存在差异。发复韵母/ei、Bi、Bo、ou/的口形张得小于发双元音/eI、aI、aU、[U/，但舌位略靠后[7]。当然，能掌握汉语中的渐强复韵母，如/iB、ie、uB、uo/的学习者更容易发好英语中的双元音/I[、Z[、U[/。普通话和英语里都有三元音，其发音方法各不相同：发普通话三元音的方法是由弱到强，再由强到弱，中间的元音紧张度强，形成一个音节，如/iBo、uBi、ioU、iBo/等；英语的三元音由双元音加/[/组成，但不是出现在同一个音节里，其发音方法是由强到弱，再由弱到次强。普通话和英语的辅音音位也存在异同。英语的辅音多数是清浊成对的，如 /p、b/，/t、d/，/k、g/等；而普通话的辅音多数分为送气和不送气的清辅音，如/p、b、t、d、k、g、j、q、x、zh、ch、sh、z、c、s/等，浊辅音只有/r、m、n、l、ng/5个。汉语的送气和不送气区别意义；英语的清浊可以区别词义，影响元音的长度和同化相邻的辅音，如/lIt/中的/I/就发得比/lId/中的/I/短促，浊音能延长前面带的元音。又如元音/R：/在 caw，cord，caught三个单词中的音程不同，在caw中发音最长，在cord中次之，caught中则最短。此外，英语中的辅音根据所处的位置不同和所连接的音位的关系，产生音位变体（allophone）。如音位/t/在不同的发音环境中，它的发音是不一样的，在top中是送气的（aspirated）；在stop中是不送气的（unaspirated）；在certain中是鼻腔爆破（nasalized plosive）；在little中是舌边爆破（lateral plosive）；在that kid中是不完全爆破（incomplete plosive）；在that day中是失去爆破（loss of plosive）。这些现象是英语中特有的，普通话再好，如果没有具备该语音知识，也学不好英语语音。诚然，普通话语音系统中的一些音位与英语的某些音位无大差别。比如，鼻辅音（nasal）在两种语音系统中构成一个自然类，可以用同样的区别特征加以描述，/m/，/n/，/N/可分别描述为〔＋辅音性，＋鼻音性，－后部性，＋双唇性〕；〔＋辅音性，＋鼻音性，－后部性，＋齿龈性〕；〔＋辅音性，＋鼻音性，＋后部性，＋软颚性〕。能发好普通话鼻辅音的学习者，语言的正迁移作用就能让他正确发好英语的鼻辅音。但学习者更应关注的那些和普通话发音的部位和方法有差异的近似音和汉语中根本没有的音位，如／W、T／，／F、V／，／tF、dV／等，不管普通话说得多地道的学习者，不加强练习，也不容易发好齿摩擦音（dental fricative）／W、T／，颚龈摩擦音（palato-alveolar fricative）／F、V／和颚龈塞擦音（palato-alveolar affricate）／tF、dV／。特别值得注意的是以下辅音在普通话和英语中的不同描述：／s、z／在英语中为齿龈摩擦音（alveolar fricative）；在汉语中前者为齿摩擦音（dental fricative），后者为齿塞擦音（dental affricate）。／h／在英语中为喉擦音（glottal fricative）；在汉语中为软颚摩擦音（velar fricative）。／r／在英语中为无摩擦延续音（approximate）；在汉语中为卷舌摩擦音（retroflex fricative）[7]。2．音位组合—音节对比音节既是语音学中的一个概念，也是音位学中的重要概念。对音节的定义说法不一。就其结构而言，“音节是由一个或一系列音位构成的语音结构”[7]（P20）。音节通常由起音（onset），领音（peak）和收音（coda）构成，领音一般是元音（vowel），起音和收音常常是辅音（consonant）。英语音节构成形态要比普通话音节构成复杂得多。具体形态如下：英语音节：V－VV－VVV－CV－CVV－CVVV－VC－ VCC－CCVV－CVC－CVVC－CCV－VCCC－CCVC－CC CVC－CCCVVCC－CCCV－CCVVC－CCVVCC－CCVCC C－CCVCCCC－CVCC－CVCCC－CVCCCC汉语音节：V－VV－VVV－CV－CVV－CVVV－VC－CVC－ CVVC从以上对比中可看出，普通话的音节结构比较简单，通常是单辅音加元音；英语音节的首、尾常常出现辅音群（consonant clusters）如 must tempt texts thousandths等。换言之，普通话中只有单辅音型的音节，没有辅音群型的音节。辅音群型的音节成为中国学习者，包括能说标准普通话学习者的语音难点。学习者习惯于在读英语辅音群中夹带元音，如把green念成/^[ri:n/。另外升调时容易从词尾的辅音开始,试图把它拉的很长,因而很费力,发出的音也很不规范。这是因为汉语的音节除/n/和/ng/两个鼻辅音外,都以元音结尾,即为开音节,而且节峰前最多只有一个辅音；而英语的音节节峰前最多可有三个辅音,如/sprIt/等,而节峰后最多可有四个。由于两种语言的音节系统不同,学生易将汉语的音节特征转移到英语学习中。3．语调语言(intonation language)和声调语言(tone language)汉语中的每一个字(或音节)都有一个区分字义作用的声调, 如/mā/妈，/má/麻，/mǎ/马，/mà/骂，/mB/吗,语音学家称汉语为声调语言；然而在英语中,单词的音调不改变它的词义,如book/buk/在读成平调、升调或降调时始终是“书”的意思,但英语的单词被用于句子时,就要赋予它一定的语调,来表达说话者的态度、语气等,这种语调的核心一般放在语句的末尾,所以语音学家把英语叫做语调语言。如:This is your↘seat.句未的降调表示肯定的语气,但 This is your ↗seat?表示疑问的口吻,以求取得对方的证实。汉语句子的语调也常常落在句未的重读字上,但由于这个重读字本身又有固定的声调,其实际语调必然受到该字本身的声调和所需语调的共同影响,即在原来字调的基础上,按所需语调去稍加调制、改变,使它既不完全失去原来的声调,又符合所需语调的要求。如:“这是我的球↘。”句中的“球”字本身是升调(阳平),而句末要求用降调,实际话语中只能采取折衷的办法,把“球”字的升调上升幅度减少一些。又如:“你的书↗,还是他的？”句中“书”字原本是高平调(阴平),而句子中间需要升调,语言实践中只能是把“书”字在原来的高平调后面接着稍微升高一些,成为高平调加升调。可见,由于汉语语调受字调的限制,升降规则比英语复杂,升降的幅度也要小。中国学生由于受汉语的这种声调、语调的负迁移影响,讲英语时往往语调平平,抑扬不太分明,升降起伏较小,很难学会英语那种梯级下降型的语调。近年来,语音学家趋向于更加强调英语语调的重要性,认为元音辅音是英语本身,而语调是英语的灵魂。假如元音辅音念得很准,而语调不对,听起来就不像英语。相反,假如元音辅音读得有些毛病,但语调正确,听起来还像英语。既然英语语调这样重要,那么我们要学好英语就必须注意汉语和英语在语调上的区别,努力在说英语时克服汉语语调的影响,勤学苦练,逐步掌握英语语调。4．其他语音方面的负迁移英语单词没有辨义的声调,重音是重要的语音要素,有区别词义的作用，如：´converse(名词,相反的事务),con´verse(动词,交谈)。在汉语词组中起辨义作用的是声调而不是重音,声调比重音在话语中具有更加重要的作用,除词尾含有虚词的词组(如桌子、木头等)和个别词组(如爸爸、妈妈等)外,大部分词组中的每个字都读成同样的轻重程度,如教师、电话、汽车、天气等。这种母语特点迁移到英语学习中,常常使初学者读多音节英语单词是重读、轻读音节不明甚至重音错位,如把´diligent读成´di´li´gent,di´ligent或dili´gent。在节奏和韵律方面,汉英之间的差别也很大。汉语是以音节(字)为计时单位的,而英语则以重音为计时单位的。汉语中,音节(字)的数目是韵律的基础,除了一些助词念得较快较含糊外,一般每个字所占用的时间大致相等,读得也清清楚楚。例如古诗中总是根据每行的字数来决定它的韵律或节奏,如柳宗元的《江雪》:千山鸟飞绝,万径人踪灭。孤舟蓑笠翁,独钓寒江雪。即使音节(字)有思想表达上所需的轻重之分,也不像英语那么明显、分明,所以,一般字较多的一句话所占用的时间,要比字较少的一句话占用的时间长，如“他有汽车。”和“他有一辆上海产的汽车。”但在英语中,重音和轻音是交替出现的,而重读音节才是节奏的基础、主体。重读音节总是声调较高,响度较大,发音清楚,所占时间较长；而轻读音节则声调较低,响度小,读得快而含糊,所占时间较短。所以,重音与重音之间总是保持大致相等的实际距离。重音之间的轻读音节越多,就读得越快越含糊。如:“Ann ´found the ´book she ´lost at ´last.”和“E´lizabeth ´found the ´article she was ´studying at the ´library.”前一个句子有8个音节,后一句却有19个音节,但两个句子同样只有5个重读音节。为了保持每两个重读音节之间所用时间大致相等,重读音节之间的轻读音节所占用的时间就不完全相同。后句话中,第一和第二个重读音节之间,第二和第三个重读音节之间分别由2个和1个轻读音节,而第三和第四个重读音节之间,第四和第五个重读音节之间各有4个轻读音节,为了保持5个重读音节之间大致相等的时间距离,第三至第五重读音节之间的轻读音节就要读得轻而快。中国学生对英语的这一特点较难把握,往往是按汉语习惯把每个音节(字)说得都很清楚,而不习惯把几个轻读音节压缩在一起,快速而含糊地读出来,因而听起来不是很自然。另外,在音节的衔接(juncture)方面,英语有汉语中所没有的连读(liaison)现象,也会给初学者带来一定的困难。在英语学习中,许多人可以发好一个单词的音,却说不出流畅、连贯的句子；能听懂英语单词,却听不懂连贯的句子。这种现象,我认为,主要原因之一就是他们没有掌握好英语中的连读。英语中有许多词是以辅音结尾的,在与紧接他们后面的一个词词首的元音连起来念,就产生了连读现象。但实际上汉语中也存在这种连读,只是我们平常没有意识到。汉语的连读一般出现在感叹句中,如:我的天哪! Wo de tiBn B好苦哇! HBo ku B然而汉语的连读范围不像英语连读现象那么普遍,而且大多数字以韵母结尾,使连读受到很大限制,所以学生在碰到英语连读时就会感到非常困难,同时也极大地限制了学生的听力发展。同化现象也是英语中最常见的一种音变现象,在连贯的说话或朗读中,音与音之间的相互影响是很自然的。其实,在汉语中也存在着类似的现象,如:面包 miBn-bBo → miBm-bBo难免 nBn-miBn → nBm-miBn这里的“面”和“难”都以/n/结尾,但因为受后面音/b/和/m/(双唇音)的影响,因此,“面”、“难”后面的/n/音就同化为双唇音/m/了。音渡指语音结构中两个音段界限之间的停顿过渡。普通话和英语两种语言中，音渡都有辨义功能，普通话好的学习者，一般能够注意英语音渡，但要完全掌握，仍然需要大量实践。四、结束语普通话和英语在发音的特征与规律、音位的数量与性质等方面都存在异同，而且差异性大于相似性，在二者相似性较强的方面，正迁移作用较为明显；二者差异表现明显的方面，负迁移作用却占了上风。既然普通话在英语语音学习中有“正迁移”和“负迁移”两方面的双重作用,因此,在英语语音教学中教师应与学生一起,尽量克服普通话对英语语音学习的干扰,促进普通话对英语语音学习的积极作用。在教学中教师帮助学生克服干扰时要突出要害,使学生深刻理解两种语言在发音方法以及语言表达方式上的异同。根据对比分析的理论观点,通过描写、选择、对比、预测对比分析的步骤,对普通话和英语进行科学的结构分析,找出两者之间的区别,以及区别程度的大小。通过这种有意识地对英汉语音系统进行对比分析,帮助学生做出有意义的概括,培养学生英汉语音系统差异的敏感性。正如吕淑湘在《中国人学英语》一文中指出:对于中国学生最有用的帮助就是让他认识英语和汉语的差别,对每一个具体问题,都尽可能用汉语的情况来跟英语作比较,让他通过这种比较得到更深刻的体会。中国学生必须认识到汉语、英语的差异,警惕汉语的干扰,尽量在英语学习中克服,避免汉语的干扰,这样才能更有效全面地学习英语。通过以上的讨论，很难说普通话好的学习者，英语语音就一定好；也不能说普通话不好的学习者英语语音就一定不好。影响英语语音学习迁移的因素很多，包括普通话和英语之间的异同因素、个体对异同因素的理解程度、知识经验的概括水平。此外，情境也参与迁移活动；学习者的主观能动性、个体特征等都是语言迁移得以产生的必要条件。普通话对英语语音的迁移作用绝非是单一的，两种语言之间的相似性也不能决定迁移的程度，它涉及多种不同的主客观影响因素，应综合考虑。孤立地研究某一因素或某一类型的迁移，不利于真正揭示迁移的本质，对英语语音学习也无实质性的助益。普通话好，只能说从语言学习的态度、方法等方面具备了发生语言迁移的可能性，但是否能克服语言负迁移的影响，真正发挥语言正迁移的作用于英语学习，还需要学习者发挥主体作用，了解一定的英语语音、音位理论知识，按照英语的语音、音位规律，掌握发音技巧，通过大量的训练，才能有较好的英语语音，说地道的英语。参考文献：1. D． .Educational Psychology：A Cognitive View〔M〕．New York：Holt，Rinehart and Winston，1968．2. 冯忠良.结构—定向教学的理论（上）[M].北京：北京师范大学出版社，1992．3. 蒋祖康.第二语言习得研究[M].北京:外语教学与研究出版社，. . Linguistic Across Culture[M].Ann Arbor: University of Michigan Press,. . Syntactic Structure[M].The Huge:Mouton,. 李庭芗.英语教学法[M].北京:高等教育出版社，. 张凤桐.英国英语语音学和音系学[M].成都：四川大学出版社，1998．8. 秦秀白.英语通论[M].武汉：华中师大出版社，1988．
出版专著：Mao X., Li Z. Multimodal Intelligent Tutoring Systems[M]. E-Learning--Organizational Infrastructure and Tools for Specific Areas. Feb, 2012. ISBN:978-9-5351-0053-9.(专著章节)毛峡，薛雨丽. 人机情感交互[M]. 科学出版社, 2011年7月1日. ISBN: 978-7-0303-1799-5. （专著）Mao X., Li Z. Web-based Affective Human-agent Interaction Generation[M]. Ronald Hartung (Ed.), Agent and Multi-agent system technology for Internet and Enterprise Systems, Springer-Verlag Berlin Heidelberg 2010, pp. 323-345,2010 ISBN: 978-3-642-13525-5. (专著章节)Mao X, Xue Y, Li Z, et al. Layered Fuzzy Facial Expression Generation: Social, Emotional and Physiological[M]. Affective Computing,Focus on Emotion Expression, Synthesis and Recognition, I-Tech Education and Publishing, pp. 83-106, May 2008, ISBN 978-3-902613-23-3. (专著章节)主要论文：SCI收录:X. Wu, X. Mao, L. Chen, Y. Xue, and A. Rovetta, Kernel optimization using nonparametric Fisher criterion in the subspace, Pattern Recognition Letters, vol. 54, pp. 43-49, 2015. (SCI)Yi J, Mao X, Chen L, et al. Illuminant direction estimation for a single image based on local region complexity analysis and average gray value[J]. Applied optics, 2014, 53(2): 226-236. (SCI)Yi J, Mao X, Chen L, et al. Facial expression recognition considering individual differences in facial structure and texture[J]. Computer Vision, IET, 2014, 8(5): 429-440.(SCI)Yuan S, Mao X, Xue Y, et al. SQR: a simple quantum representation of infrared images[J]. Quantum Information Processing, 2014, 13(6): 1353-1379.(SCI)Chen L, Mao X, Wei P, et al. Speech emotional features extraction based on electroglottograph[J]. Neural computation, 2013, 25(12): 3294-3317.(SCI)Yuan S, Mao X, Chen L, et al. Quantum digital image processing algorithms based on quantum measurement[J]. Optik-International Journal for Light and Electron Optics, 2013, 124(23): 6386-6390.(SCI)Mao X, Liu Y L, Chen L J, et al. A More Precise Empirical Formula for Estimating Normalized Fog Attenuation in the Millimeter-Wave Frequency Range 30~ 100 GHz[J]. Journal of Infrared, Millimeter, and Terahertz Waves, 2013, 34(3-4): 308-315.(SCI)Wang X,Mao X, Caleanu C D, et al. Statistical shape analysis for face movement manifold modeling[J]. Optical Engineering, 2012, 51(3): 037004-1-037004-8.(SCI)Chen L, Mao X, Wei P, et al. Mandarin emotion recognition combining acoustic and emotional point information[J]. Applied Intelligence, 2012, 37(4): 602-612.(SCI)Zheng H C, Mao X, Xue Y L, et al. Evaluation for detection probability of infrared point target under complicated backgrounds[J]. Journal of Electromagnetic Waves and Applications, 2012, 26(11-12): 1528-1537.(SCI)Chen L, Mao X, Xue Y, et al. Speech emotion recognition: Features and classification models[J]. Digital Signal Processing, 2012, 22(6): 1154-1160.(SCI)Li Z, Mao X. Emotional eye movement generation based on Geneva Emotion Wheel for virtual agents[J]. Journal of Visual Languages & Computing, 2012, 23(5): 299-310.(SCI)Mao X, Jiang L, Xue Y. Affect Computation of Chinese Short Text[J]. IEICE TRANSACTIONS on Information and Systems, 2012, 95(11): 2741-2744.(SCI)Diao, W. H., Mao, X, Zheng, H C, Xue, Y. L., & Gui, V. (2012). Image Sequence Measures for Automatic Target Tracking[J]. Progress In Electromagnetics Research, 130, 447-472(SCI)Li, Z., Mao, X. (2012). EEMML: the emotional eye movement animation toolkit[J]. Multimedia Tools and Applications, 1-21(SCI)Catalin-Daniel Caleanu, Xia Mao, Gilbert Pradel, Sorin Moga, Yuli Xue. Combined pattern search optimization of feature extraction and classification parameters in facial recognition[J]. Pattern Recognition Letters 32 (9),1250-1255，2011(SCI)W. H. Diao, X. Mao, . Metrics for Performance Evaluation of Pre-processing Algorithm In Infrared Small Target Images[J]. Progress In Electromagnetics Research, , 2011(SCI)Yu-Li Xue, Xia Mao, Catalin-Daniel Caleanu, ShanWei Lv, Layered Fuzzy Facial Expression Generation of Virtual Agent[J]. Chinese Journal of Electronics 19 (1), 69-74,2010 (SCI)Wang ., Mao, X., Caleanu. . Nonlinear shape-texture Manifold learning[J]. IEICE Transaction on Information and Systems 93 (8), 2016-2019, 2010(SCI)X. Mao, . Emotion Recognition Based on Parametric Filter and Fractal Dimension [J]. IEICE Transactions on Information and Systems 93 (8), 2324-2326, 2010(SCI)Kang Huang, Xia Mao. Novel Metric of Relative Characteristics of Small Targets and Backgrounds in Infrared Images[J]. Optical Engineering, 49(10), 2010 (SCI)Kang Huang, Xia Mao. Detectability of infrared small targets[J]. Infrared Physics & Technology, 53(3), 208- 217, 2010 (SCI)Xia Mao, Zheng Li. Generating and Describing Affective Eye Behaviors[J]. IEICE Transaction on Information and Systems, IEICE Press, 2010 (SCI)Xia Mao, Zheng Li. Agent Based Affective Tutoring Systems: A Pilot Study[J]. Computer & Education, Elsevier Press, 2010 (SCI)Wei-he Diao, Xia distance evaluation method for infrared imaging system under complicated backgrounds[J]. Electronics Letters. 45(25), 2009 (SCI)Xia Mao, Wei-he Diao. Criterion to evaluate the quality of infrared small target images [J]. In: International Journal of Infrared and Millimeter Waves,2008 (SCI)Xia Mao, Yu-Li Xue, Lee-Lung Cheng, Yun Sun. Harmonious Graphics Generating Based on the 1/f Function Theory. Chaos, Solitons & Fractals, v 32, n 2, April, 2007, 521-525 (SCI)Mao Xia, et al. Study on the Affective Property of music[J]. Chaos,Solitons & Fractals,. 2005 (SCI）Mao Xia, et al. Affective Property of Image and Fractal Dimension [J].Chaos,Solition & Fractal, . 905-910 (SCI）EI/ISTP收录:Wu X, Mao X, Chen L, et al. View-Invariant Gesture Recognition Using Nonparametric Shape Descriptor[C]//Pattern Recognition (ICPR), 2014 22nd International Conference on. IEEE, 2014: X, Liu X, Feng T, et al. A communication protocol of man overboard system based on BeiDou [C]//Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on. IEEE, 2014: 1910-1911.易积政， 毛峡， 薛雨丽。 基于特征点矢量与纹理形变能量参数融合的人脸表情识别[J]. 电子与信息学报刘运龙，薛雨丽，袁素真，毛峡。基于局部均值的红外小目标检测算法[J]. 红外与激光工程. 2013.毛峡，刘运龙，薛雨丽. 基于未加权区域采样的直线反走样算法[J]. 北航学报. 2013.袁素真, 毛峡, 陈立江, 薛雨丽. 基于双量子比特态测量的量子自适应中值滤波[J]. 北京航空航天大学学报Wu X, Mao X, Chen L, et al. Combined Motion and Region-Based 3D Tracking in Active Depth Image Sequence[C]//Green Computing and Communications (GreenCom), 2013 IEEE and Internet of Things (iThings/CPSCom), IEEE International Conference on and IEEE Cyber, Physical and Social Computing. IEEE, 2013: J, Mao X, Xue Y, et al. Facial Expression Recognition Based on t-SNE and AdaboostM2[C]//Green Computing and Communications (GreenCom), 2013 IEEE and Internet of Things (iThings/CPSCom), IEEE International Conference on and IEEE Cyber, Physical and Social Computing. IEEE, 2013: L, Mao X, Wei P, et al. Speech Synthesis Research Based on EGG[C]//Green Computing and Communications (GreenCom), 2013 IEEE and Internet of Things (iThings/CPSCom), IEEE International Conference on and IEEE Cyber, Physical and Social Computing. IEEE, 2013: J, Mao X, Chen L. Fast Motion Estimation Algorithm Based on H. 264[C]//Green Computing and Communications (GreenCom), 2013 IEEE and Internet of Things (iThings/CPSCom), IEEE International Conference on and IEEE Cyber, Physical and Social Computing. IEEE, 2013: L,Mao X, Xue Y L, et al. Speech Emotional Features Measured by Power-law Distribution based on Electroglottography[C]//BIOSIGNALS. 2012: X, Luo N, Xue Y L. Emphasizing on the Timing and Type-Enhancing the Backchannel Performance of Virtual Agent[C]//ICAART (2). 2012: 259-263.毛峡，李硕. 基于AVS音频编码的信息隐藏方法[J]. 华中科技大学学报, 2012.毛峡，李硕. AAC窗型判别和量化模块的改进算法[J] 信号处理, Xue, Xia Mao and Qing Chang. Facial Action Unit Recognition and Inference for Facial Ecpression Analysis[C]. VISIGRAPP Zheng, Xia Mao, Lin Jiang and Yuli Xue. Detection probability evaluation method for infrared point target under complicated backgrounds[C]. 11th International Conference on Quantitative InfraRed X, Jiang L, Xue Y. Textual Affect Detection in Human Computer Interaction[M]//Intelligent Autonomous Systems 12. Springer Berlin Heidelberg, 2013: X, Wang C, Xue Y. Expression Intensity Recognition Based on Multilayer Hybrid Classifier[M]//Intelligent Autonomous Systems 12. Springer Berlin Heidelberg, 2013: 739-748.陈立江，毛峡，Mitsuru Ishizuka. 基于Fisher准则与SVM的分层语音情感识别[J]. 模式识别与人工智能, 2012.毛峡，刘言，梁晓庚. 极坐标框架两轴平台光轴稳定算法[J]. 兵工学报, 2011.毛峡，常乐，刁伟鹤复杂背景下红外点目标探测概率估算[J]. 北航学报, 2011.王晓侃, 毛峡, Mitsuru Ishizuk.基于非线性流形学习的人脸面部运动估计[J]. 电子与信息学报, 2011.黄康，毛峡，梁晓庚.红外小目标图像背景杂波量化方法[J]. 光学学报, 2011.黄康, 毛峡, 梁晓庚. 红外小目标图像背景杂波量化方法[J].光学学报, Caleanu,Xia Mao,Vigil Tiponut, Yuli Xue. Direct Search as Unsupervised Training Algorithm for Neural Networks[A]. 14th WSEAS Int. Conf. on Systems, Z, Mao of Virtual Agent's Pupil Size, Blink Rate and Saccade on Person Impressions[J]. 10th International Conference on Intelligent Virtual Agents (IVA'10), Philadelphia, USA. 2010.毛峡， 常乐，刁伟鹤. 复杂背景下红外点目标探测概率估算[J]. 北京航空航天大学学报.薛雨丽,毛峡, Catalin-Daniel Caleanu, 常青. 基于社交、情感和生理的分层模糊表情生成[J]. 模式识别与人工智能. 2010.黄康, 毛峡,梁晓庚, 一种新的红外背景抑制滤波算法[J]. 航空学报, 31(6), .Xia Mao,Zheng Li. Emotional Eye Movement Markup Language for Virtual Agents[A], 10th International Conference on Autonomous Agents and Multiagent Systems (AAMAS'10), Toronto, Canada 2010.刁伟鹤, 毛峡.一种新的红外目标图像质量评价方法[J]. 航空学报，2010.刁伟鹤,毛峡.自动目标识别中的图像序列质量评价方法[J]. 电子与信息学报，2010.薛雨丽，毛峡，Catalin-Daniel Caleanu，吕善伟.遮挡条件下的鲁棒表情识别方法[J], 北京航空航天大学学报，2010.刁伟鹤, 毛峡, 梁晓庚. 复杂背景红外成像系统作用距离估算方法[J]. 北京航空航天大学学报, 35(8), 1022-1026, 2009.黄康, 毛峡, 胡海勇，梁晓庚. 复杂背景下红外弱小运动目标检测的新方法,航空学报, 30(9), 1754-1760, Mao, Zheng Li, Lei Liu. Providing Expressive Eye Movement to Virtual Agents[A]. 11th International Conference on Multimodal Interfaces (ICMI-MLMI'09), Doctoral Spotlight Session. MIT Media Lab, pp. 241-244, Boston, MA, USA (2009).Xia Mao, Zheng Li, YuLi Xue. Emotional Gaze Behaviors Generation in Human-agent Interaction[A]. 27th ACM International Conference on Human Factors in Computing Systems (ACMCHI'09), Extended Abstracts, pp. 3691-3696. Boston, MA, USA, Mao, Zheng Li. Implementing Emotion-Based User-Aware E-Leaning[A]. 27th ACM International Conference on Human Factors in Computing Systems (ACMCHI'09), Extended Abstracts, pp. 3787-3792. Boston, MA, USA, Mao, Zheng Li, YuLi Xue. Emotional Gaze Behaviors Generation in Human-agent Interaction[A]. 27th ACM International Conference on Human Factors in Computing Systems (ACMCHI'09), Extended Abstracts, pp. 3691-3696. Boston, MA, USA, Mao, Zheng Li, Hai-Yan Bao. Extension of MPML with Emotion Recognition Functions Attached[A]. Proceeding of IVA08, Tokyo, Japan Mao, Zheng Li, Hai-Yan Bao. Generating and Describing Affective Human-agent Interaction[A]. Proceeding of ICNC08, Jinan, China, Mao, Zheng Li, Hai-Yan Bao. A Rough Set and SVM Based Approach to Chinese Textual Affect Sensing[A].Proceedings - 8th International Conference on Intelligent Systems Design and Applications, Taipei, China, Mao, Hai-Yan Bao, Zheng Li. Intelligent Emotion Decision System for Autonomous Agents[A]. Proceedings - 8th International Conference on Intelligent Systems Design and Applications, Taipei, China, Fu, Xia Mao. Speaker Independent Emotion Recognition Based SVM/HMMs Fusion System[A]. IEEE International Conference On Audio, Language And Image Processing (ICALIP), Shanghai, China, Fu, Xia Mao, LiJiang Chen. Speaker Independent Emotion Recognition Using HMMs Fusion System with Relative Speech Features. International Conference on Intelligent Networks and Intelligent Systems (ICINIS) , Wuhan, China, 2008.刁伟鹤，毛峡, 董旭阳. 一种红外小目标图像质量的评定方法[J]. 北京航空航天大学学报， Xia, Zhang Bing, Luo Yi. Emotion Recognition Based on a Hybrid of HMM/ANN[A]. 7th WSEAS Int. Conf. on Applied Informatics and Communications, Athens, Greece, Xia, Xue Yu-Li, Li Zheng and Diao WeiHe. Modeling of Layered Fuzzy Facial Expression Generation[A]. 12th Conf. on Huamn-Computer Interaction, Beijing, China, Xia, Xue YuLi, Li Zheng and Hu HanYong. Research on Multiple Facial Expressions of Emotions[A]. 5th Conf. on Computing, Communications and Control Technologies, Orlando, Florida, USA, 2007.毛峡, 赵兴圆，沈巍. 一种基于模糊决策的矩形目标提取算法[J]. 北京航空航天大学学报.2007.毛峡, 薛雨丽等. BHU人脸表情数据库的设计与实现[J]. 北京航空航天大学学报, (02): Xue,Xia UNIVERSITY FACIAL EXPRESSION DATABASE AND MULTIPLE FACIAL EXPRESSION RECOGNITIO[A]. International Conference on Machine Learning and Cybernetics 2006.毛峡, 孟庆宇. 基于小波分析和神经网络的脑电信号分类方法[J]. 北京航空航天大学学报., 31(10): Xia,et al. Analysis and Synthesis of Two Dimensional Fractional Brownian Motion Based on Wavelet[A]. The 6th World Multi-Conference on SYSTEMICS, CYBERNETICS AND INFORMATICS, America, Xia, et al. Study on Transforming From Painting to EURASIP – IEEE Region 8 International Symposium on Video/Image Processing and Multimedia Communications. (VIPromCom – 2002 ), Xia, et al. Analysis of Affective Characteristics and Evaluation of Harmonious Feeling of Image Based on 1/f Fluctuation Theory [A]. International Conference on Industrial & Engineering Applications of Artificial Intelligence & Expert Systems(IEA/AIE 2002)[C], Australia,: 780-789.毛峡等. 1/f波动数据的产生及其舒服感评价[J].北京航空航天大学学报，2002, 28(3):253-256.毛峡等. 基于小波的2-D分形布朗运动分析与合成[J].电子学报, .毛峡等. 图像的情感特征分析及其和谐评价[J]. 电子学报, Xia,et al. Characterization of Dried Seaweed Fluctuation Analysis[A]. of Japan [C], 1997,