首頁 > 從2003年起，中國科學(xué)院計算技術(shù)研究所連續(xù)三年承辦863計劃中文信息處理與智能人機接口技術(shù)評測，語音識別評測始終是其中的一個主要分項。三年間，863語音識別評測受到了國內(nèi)外語音識別研究者的關(guān)注，參加單位數(shù)逐年遞增，成為國內(nèi)語音識別領(lǐng)域最高級別的交流平臺，在國際上也具備了相當(dāng)?shù)挠绊懥Α?
2003年和2004年度語音識別評測采用現(xiàn)場評測方式，即各參評系統(tǒng)的運行在評測現(xiàn)場同時進行。這種組織形式比較嚴(yán)格，一旦參評系統(tǒng)運行出現(xiàn)故障將無法繼續(xù)。而且，要求所有參評單位必須到場，其成本也較高。為了避免這些問題，2005年的863評測采用目前國際通用的網(wǎng)上評測的方法，即在網(wǎng)上發(fā)布數(shù)據(jù)，各參評單位在自己的運行環(huán)境上運行參評系統(tǒng)后將識別結(jié)果通過網(wǎng)絡(luò)提交給評測單位。
863語音識別評測最大的特色在于測試數(shù)據(jù)的選取。文本語料的選取采用從大規(guī)模原始語料庫中篩選的方法，充分考慮到了對各種韻律學(xué)特征（音節(jié)、二音子、三音子、音連關(guān)系等）、語法特征（句型和句法結(jié)構(gòu)等）和各種領(lǐng)域、各種文體（散文、小說、實事新聞等）的覆蓋。錄音時不是采用實驗室加噪聲，而是在完全真實的場景中錄制數(shù)據(jù)，并且充分考慮到了說話人、信噪比等因素的覆蓋，在實驗的基礎(chǔ)上提出了真實環(huán)境中信噪比的分布模型，并在此模型的指導(dǎo)下錄制數(shù)據(jù)。這種以實驗和理論為依據(jù)、以算法為支撐，控制各種語音屬性，從而最大限度地擬合真實應(yīng)用的數(shù)據(jù)采集方法，在國際上也是很有特色的。目前國際上的同類評測，錄音場景多為實驗室，對各種影響因素一般只做寬泛的覆蓋，幾乎沒有按理論模型控制的方法。
863語音識別評測的另一個特點是對結(jié)果做了充分的統(tǒng)計分析。目前的國際評測一般除給出相應(yīng)的指標(biāo)外，還會做一些統(tǒng)計分析，而之前的國內(nèi)評測卻很少這么做。從2004年開始，863語音識別評測也開始對結(jié)果進行統(tǒng)計分析，而在2005年的評測中，更是采用專業(yè)統(tǒng)計學(xué)方法，采用實驗設(shè)計、假設(shè)檢驗、回歸分析、方差分析、協(xié)方差分析等一系方法對結(jié)果及影響結(jié)果的因素進行了深入分析，對各評測單位認(rèn)清自己系統(tǒng)的優(yōu)勢和缺點，進一步改進起到了很大作用。
另外，在電話連續(xù)語音關(guān)鍵詞識別評測中，在2004年嘗試了以語義槽為單位的基于語法關(guān)鍵詞識別任務(wù)和評測指標(biāo)，在2005年首次使用了兩個說話人一起錄制的自然對話語音，更加符合真實應(yīng)用的特點，這在國際同類評測中都是沒有的。
從評測結(jié)果看語音識別技術(shù)現(xiàn)狀
863語音識別評測，包括PC、電話、嵌入式設(shè)備三個語音通道，涉及聽寫機、對話查詢、命令詞識別等多種任務(wù)，基本上涵蓋了當(dāng)前語音識別的主要研究和應(yīng)用方向。而參評的又大都是國內(nèi)長期進行該項研究、有較高水平的單位和系統(tǒng)，因此，無論是采用的方法還是識別的效果，本次評測都可以真實反映出國內(nèi)語音識別技術(shù)的現(xiàn)狀。這里結(jié)合2004年的評測，對評測結(jié)果進行分析。之所以選擇2004年的評測結(jié)果，是因為它的評測分項最全，幾乎覆蓋了語音識別的各種應(yīng)用。
1. 識別結(jié)果的評價
評測的主要目標(biāo)就是通過對識別結(jié)果的評價、分析了解參評系統(tǒng)的性能的和語音技術(shù)的現(xiàn)狀。因此，制訂有效的、能夠真實反映出系統(tǒng)性能的評價指標(biāo)也是很重要的研究任務(wù)。
對于大詞匯量連續(xù)語音識別來說，國際上通用的指標(biāo)是文字錯誤率（對于英語，文字指單詞; 對于漢語，文字指字，下同）。其基本思想為采用動態(tài)規(guī)劃算法將標(biāo)準(zhǔn)答案與識別結(jié)果對齊，以得到“正確文字?jǐn)?shù)”、“替換文字?jǐn)?shù)”、“插入文字?jǐn)?shù)”、“刪除文字?jǐn)?shù)”四項參數(shù)，然后計算文字錯誤率。
錯誤文字?jǐn)?shù) ＝ 替換 ＋ 插入 ＋ 刪除文字?jǐn)?shù)
文字錯誤率 ＝ 錯誤文字?jǐn)?shù) / 原文答案文字?jǐn)?shù)
下面給出一個例子:
LAB: 新 增 四 百 萬 千 瓦 時 的 強 大 電 流 輸 入 云 南 的 電 網(wǎng)
REC: 新 增 四 百 花 錢 忙 時 的 槍 打 電 流 于 樹 綠 云 南 電 網(wǎng)
C C C C N N N C C N N C C I N N C C D C C
其中，LAB是標(biāo)準(zhǔn)答案，REC是識別結(jié)果，上面的格式是根據(jù)編輯距離最小對齊的結(jié)果，第三行標(biāo)記了各類文字，C表示正確文字，N表示替換文字，I表示插入文字，D表示刪除文字。
2004年863語音識別評測中的電話連續(xù)語音識別評測分項采用的主要指標(biāo)是語義槽識別正確率，即用語料文本解析得到的標(biāo)準(zhǔn)答案和識別結(jié)果相比較，完全匹配的槽認(rèn)為是識別正確的，定義槽識別正確率為:
槽識別正確率 ＝ 正確識別的槽的個數(shù) / 標(biāo)準(zhǔn)答案中槽的總數(shù)
對于嵌入式設(shè)備命令詞識別，由于是孤立詞識別，因此采用命令詞識別正確率即可:
命令詞識別正確率 ＝ 正確識別的命令詞數(shù) / 命令詞總數(shù)
2. 識別系統(tǒng)性能
對各系統(tǒng)給出的識別結(jié)果計算上述指標(biāo)，得到對各系統(tǒng)識別性能的評價。表1給出了每個分項中識別效果最好的系統(tǒng)的指標(biāo)，以及前三名系統(tǒng)的平均指標(biāo)。為了統(tǒng)一，將電話連續(xù)語音識別中的槽識別正確率和嵌入式設(shè)備命令詞識別中的命令詞識別正確率統(tǒng)稱為正確率。對桌面（這里指PC，以下同）連續(xù)語音識別，采用文字正確率，定義為（目前研究者對文字正確率定義稍有不同，本文中一律以下面的定義為準(zhǔn)）:
文字正確率 ＝ 1 － 文字錯誤率
表中的最高正確率基本可以代表該分項的最高水平，前三名的正確率均值可以一定程度上反映該分項的平均水平，而前三名正確率的方差可以反映該分項中各系統(tǒng)的性能差異程度。
從表中可以看到，桌面連續(xù)語音識別分項中，漢語的識別效果遠(yuǎn)遠(yuǎn)好于英語（文字正確率最多相差20個百分點）。其原因顯然在于國內(nèi)對漢語語音識別的研究比英語多而且深入。另外，英語訓(xùn)練語料的相對缺乏，也是一個重要原因。
在采用了語法限制的語義槽識別任務(wù)和槽識別正確率作為評測指標(biāo)后，電話連續(xù)語音的槽識別正確率較低。事實上，由于電話語音的錄制環(huán)境為辦公室環(huán)境，其噪音比桌面語音要小得多，所以正確率較低的原因主要在于對語法的處理和槽識別正確率較低。
嵌入式設(shè)備命令詞識別的正確率與桌面語音字正確率大致相當(dāng)。一方面，連續(xù)語音識別要比孤立詞識別困難，另一方面，嵌入式設(shè)備的語音通道和計算資源都比PC差得多，從結(jié)果可以看出，這兩方面的因素基本抵消。
從各分項前三名的正確率方差可以看出，漢語桌面連續(xù)語音識別和嵌入式設(shè)備命令詞分項中各系統(tǒng)的性能差異較小，而英語桌面連續(xù)語音識別，特別是一倍實時任務(wù)中各系統(tǒng)性能差異較大。這是因為當(dāng)前語音識別的研究重點在于前者，研究者較多，研究也比較深入，而英語的識別相對來說研究者較少。
3. 影響系統(tǒng)識別性能的因素
從上面的識別結(jié)果評價可以看出，對真實噪音環(huán)境下錄制的語音數(shù)據(jù)，當(dāng)前的語音識別系統(tǒng)識別正確率偏低，還很難達到實用。
從語音識別產(chǎn)生以來，噪音一直是影響識別效果的主要因素。為了分析噪音對識別的影響，將評測數(shù)據(jù)按信噪比（SNR）分段，從參評系統(tǒng)選取三個，分別計算其在各段內(nèi)的識別正確率，可以看出，識別正確率基本上隨著SNR的增大而提高，SNR在20dB以上的數(shù)據(jù)正確率比SNR在5～10dB的數(shù)據(jù)高近30個百分點。對桌面連續(xù)語音識別的其他分項和嵌入式命令詞識別的結(jié)果分析也得到類似的結(jié)果。
對于電話連續(xù)語音識別來說，由于錄制環(huán)境是辦公室真實環(huán)境，因此噪音并不是影響性能的主要因素。電話連續(xù)語音識別分為5個子領(lǐng)域，每個子領(lǐng)域各有一套語法。評測句子由語法生成的有效成分在前后加上任意長的填充詞（filler）構(gòu)成，如語法生成的句子為“從天安門到中關(guān)村怎么坐公交車”，而實際錄制的句子是“你好，請問從天安門到中關(guān)村怎么坐公交車，可以查到嗎？”，其中的“你好，請問”和“可以查到嗎”就是filler。由分析可以發(fā)現(xiàn)，不同領(lǐng)域內(nèi)的槽識別正確率相差很大。這主要有兩個原因，一是不同領(lǐng)域的語法復(fù)雜度不同，二是不同領(lǐng)域內(nèi)有filler的句子所占比例不同。為了進一步衡量filler對識別的影響，選取三個識別系統(tǒng)，將有filler的句子和沒有filler的句子分別計算識別率，統(tǒng)計結(jié)果如圖2所示。從圖中可以看出，filler對識別的影響是相當(dāng)大的，無filler的句子比有filler的句子識別正確率可以高幾十個百分點。
從上面的介紹可以看到，國內(nèi)語音識別研究發(fā)展迅速，識別性能日益提高，
但在對真實環(huán)境下錄制的數(shù)據(jù)，特別是信噪比較低的情況下，識別性能還無法達到實用要求。對于桌面連續(xù)語音和嵌入式設(shè)備上的孤立詞識別，對噪音的魯棒性不高是系統(tǒng)面臨的主要問題。對于電話查詢系統(tǒng)來說，對語義的解析和無關(guān)語句的處理還存在一定困難。另外，對非朗讀的自然語音，如對話、會議內(nèi)容的識別，對電視廣播節(jié)目內(nèi)容的識別或檢索近年來吸引了越來越多研究者的注意，國外的一些評測機構(gòu)也組織了這方面的評測，863語音識別評測也在考慮增加相應(yīng)的項目�？傊�863語音識別評測將繼續(xù)針對這些任務(wù)，針對噪音、方言、自然語音等關(guān)鍵問題構(gòu)建評測語料庫，開展評測，提供結(jié)果分析，組織討論交流，以促進語音識別技術(shù)的發(fā)展。
