32、语音机器翻译技术全解析

语音机器翻译技术全解析

1. 语音翻译概述

语音翻译面临两大新问题，首要的是识别源语言的语音。尽管近三十年来语音识别有显著进步，但仍未完全解决。在理想条件下，如高质量、清晰发音且话题常见的语音（像训练有素的新闻播音员朗读的内容），单词错误率约为 5%，而人类转录此类语音时标注者间的分歧通常低于 1%，可见即使最佳情况仍远逊于人类表现。一旦偏离理想条件，任务难度大增，话题不寻常、说话更自然、有口音或方言、存在声学退化（如噪音或混响）等情况都会使单词错误率大幅上升至 20%、30%甚至更高。

语音识别过程可分为特征计算、声学建模和语言建模三部分。特征计算方面，我们计算与感知扭曲频率轴上的短期功率谱相关的特征，为增强特征能力，常串联多帧特征，部分方法甚至考虑半秒内的特征。

目前，所有先进的语音识别器都以隐马尔可夫模型（HMMs）为基本方法，但使用 HMMs 对可能的声学（特征）序列进行建模有多种方式，不同系统在参数共享和估计标准上存在差异。语言建模中，常用马尔可夫链模型（n - gram 模型）估计给定前 n - 1 个单词时下一个单词的概率。

不同语言有其特殊情况。阿拉伯语书写通常省略变音符号，单词数量多，且存在多种方言，与正式的现代标准阿拉伯语差异较大。普通话则通过声调区分不同单词，书写时字符间无空格，难以确定单词边界。此外，语音识别系统会对翻译过程产生影响，语音缺乏文本中清晰的句子断点和标点信息，系统需在无此信息的情况下工作或尝试重建。

2. 前端特征

2.1 前端特征简介

多数先进的语音识别系统采用倒谱前端。近年来流行多流方法，从语音信号中提取不同类型的特征，并在特征级、模型级或多系统输出端