语音识别控制系统

概念定义

语音识别控制系统以人类语音作为输入，并将识别结果用于执行功能指令。在汽车应用中，系统先把驾驶者或乘员说出的内容转换为可处理的文字或符号序列，再将其对应至车辆功能，使使用者可通过语音操作部分设备，减少对实体按键、旋钮或触控界面的直接操作。

语音识别关注话语中包含的词汇内容，说话人识别或说话人确认则用于识别或验证发出语音的人。车载语音控制在语音识别基础上加入指令匹配及功能执行环节，使识别出的内容对应至多媒体、导航、电话或车身设备。

工作原理

系统取得语音信号后，先进行信号处理及特征提取。语音具有随时间变化的特性，通常被划分为多个短时分析帧，再从每帧中提取可供模型处理的声学特征。处理过程还会降低环境噪声、传输信道及不同说话方式对特征造成的影响。

统计式语音识别结合声学模型、发音词典和语言模型进行解码。声学模型估计输入特征与发音单元之间的关系；发音词典建立发音单元与词汇之间的映射；语言模型评估不同词串出现的可能性。解码器综合这些信息，在候选结果中寻找与输入语音最相符的词串。控制系统随后把识别结果与可用指令及目标功能对应，并将操作请求传递至相关车载系统。

技术构成

典型系统包括信号处理与特征提取、声学模型、发音词典、语言模型及解码器。信号处理模块负责将原始语音转换为特征序列，常见声学特征包括线性预测系数、倒谱系数、梅尔频率倒谱系数和感知线性预测特征。声学模型负责分析这些特征，语言模型提供词语组合的概率信息，解码器整合各模块的结果。

用于汽车控制时，系统还需建立指令与功能之间的对应关系。系统能够处理的词汇、表达方式及控制项目取决于其发音词典、语言模型和预先提供的功能范围。环境噪声、说话人的发音差异及输入信号品质也会影响特征处理和识别结果。

应用场景

车载语音识别控制可覆盖资讯娱乐、导航、通讯、车内环境调节及部分车身设备。多媒体控制用于操作影音功能；导航控制用于处理路线与导航相关操作；电话控制用于执行通讯功能；空调控制用于调节车内环境；天窗和车窗控制用于操作相应的车身设备。同一套系统可以连接多个车内功能，实际支持项目由车辆所提供的语音控制范围决定。

技术演进

早期语音识别曾采用共振峰跟踪、线性预测编码和动态时间规整等方法。隐马尔可夫模型后来成为统计语音识别的重要建模方式，并被用于大词汇量系统。此后，深度神经网络与隐马尔可夫模型结合的声学模型得到应用，语音识别也逐渐发展出端到端方案。这些方案从连续语音信号中提取稳定特征，并输出与输入内容相符的词语序列。