19、机器人语音交互技术：从识别到合成的全面解析

机器人语音交互技术：从识别到合成的全面解析

1. 语音识别

语音识别是将人类语音转换为文本的过程，在机器人语音交互中起着至关重要的作用。它主要涉及声学模型和语言模型两个关键部分。

1.1 声学模型

声学模型的任务是描述语音的变化模式，并构建输入语音与输出声学单元之间的概率映射关系。常见的声学模型包括隐马尔可夫模型（HMM）、深度神经网络（DNN）和循环神经网络（RNN）等。

• 高斯混合模型（GMM） ：在HMM中，声音输入音节是可观测测量值O，对应的单词是隐状态S，通过观测状态转移概率矩阵B建立隐状态与可观测测量之间的联系。GMM用于获取B，即观测状态的似然值。
• 首先，使用单变量高斯密度函数估计特定的HMM状态i生成一维特征向量o。假设o满足正态分布，可观测变量的似然函数可以用高斯函数$b_i(o_t)$表示：
  • $b_i(o_t)=\frac{1}{\sqrt{2\pi\sigma_i^2}}\exp\left(-\frac{(o_t - \mu_i)^2}{2\sigma_i^2}\right)$
  • $\mu_i=\frac{\sum_{t = 1}^{T}\xi_t(i)o_t}{\sum_{t = 1}^{T}\xi_t(i)}$
  • $\sigma_i^2=\frac{\sum_{t = 1}^{T}\xi_t(i)(o_t - \mu_i)}{\sum_{t = 1}^{T}\xi_t(i)}$
• 由于麦克风输入的语音信号不能直接进行语音识别，