浅谈语音信号处理系列之一 概述

     

      我一直对语音信号处理技术比较感兴趣，但同时也一直困惑它今后的发展应用，写这个系列的目的，是通过梳理和总结语音信号处理技术的主要分支，与大家共同讨论语音信号处理的发展方向和新的应用。在这里，主要是根据个人的一些工程实践和研究，简要的介绍语音信号处理几个主要方面的概念、原理实现和技术发展，应用等，非常希望大家共同交流讨论。

 

      语言是人们最重要的交流工具，语音信号处理是语音学和数字信号处理相结合的交叉学科，同时又与心理声学、语言学、模式识别和人工智能等学科相联系。既依赖这些学科的发展，又可以促进这些学科的进步。

 

      语音信号处理的主要应用分支：

 

1、语音编解码：又称语音压缩，通过减少语音信号的冗余度和利用人耳掩蔽等特性实现数据压缩，目的是有利于存储、数字传输，节省带宽。 像ITU G.7xx、AMR等都是指语音编码的标准，GSM、3G手机中的语音通信以及电话录音等都离不开语音编码。有人说了，现在硬盘空间越来越大，网络带宽也越来越宽了，还有必要进行语音压缩吗？ 这话从头说起，以前考虑存储设备和网络的成本，需要将语音信号压缩到很低码率才能传输，同时语音质量也相应变差了，后来硬盘便宜了，网络宽了，大家更关注语音质量了，因此语音信号压缩的码率提高了，再后来又出现了宽带语音编码、多声道语音编码、超宽带语音编码...... 其实，最后它依赖于客户的需求和实现成本的权衡，在有些领域，如玩具、字典、学习机等更关注存储器的成本，同时希望语音质量能够尽可能的好；有些领域，如电话录音、视频监控等，会更注重语音质量或者说也没有必要过分压缩（语音带宽相比视频带宽根本不值一提）；同时还有一些领域，如卫星通信、军事低码率通信、地下救援通信等特殊应用就需要有较低的码率，是离不开语音压缩的。

 

一句话总结：需求决定应用，目前语音压缩标准较多，技术比较成熟了。

 

2、语音合成：目的是让机器能说话，例如读个短信、读读文本介绍、信息报站等等应用。目前语音合成的应用主要在从文本到语音的合成上，也就是通常所说的TTS（Text To Speech）系统。国内的科大讯飞在这个方面做的不错，我觉得语音合成这个技术非常实用，关键是国内很少有一些实用的技术可以在全球保持同步或者领先。

 

一句话总结：要是科大讯飞在北京建个研发中心就好了。

 

3、语音识别：目的是让机器能够识别和理解人类的语言内容，从而转化成相应的文本或命令的技术。比如打个报告，你一边说，电脑一边写成Word，再如可以跟一些智能设备（包括机器人等）进行人机交互等，这个技术是最受人期待，同时发展到实际应用产品也是最困难的。它涉及的分类众多，技术难点多，环境影响大，识别率不高等等难题。

 

一句话总结：好看的玫瑰，要想摘到手，当心不要刺到。

 

4、说话人识别：可以让机器识别说话的人，可以搭配指纹识别、虹膜识别等生物识别技术做一些安检、门禁的应用。

 

5、语音增强：提高语音的清晰度和可懂度，主要集中在语音信号的前后处理上，也是一个比较实用的技术。