鄭方，1967年生于江蘇省，獲清華大學(xué)計算機科學(xué)與技術(shù)專業(yè)學(xué)士、碩士及博士學(xué)位�，F(xiàn)為清華大學(xué)副教授，清華－adidsp技術(shù)研究中心主任及語音實驗室主任。鄭方作為主要承擔(dān)者或負責(zé)人參與了許多語音識別領(lǐng)域的國家重點攻關(guān)項目和863高科技項目并多次獲獎。另外，他還負責(zé)開發(fā)了若干基于ti和adi的dsp語音識別產(chǎn)品。他的專業(yè)興趣包括信號處理，聲學(xué)／語言模型建模，孤立詞／連續(xù)語音識別，關(guān)鍵詞檢出，語音聽寫，語言理解等�，F(xiàn)為ieee會員，中國《中文信息學(xué)報》編委。他已發(fā)表40余篇有關(guān)語音處理的學(xué)術(shù)論文，其中數(shù)篇獲獎。



　　語音識別雖然已經(jīng)有比較大的進步，但必須有大的創(chuàng)新才可能有大的突破。主要包括以下幾個方面：

　　1．提高系統(tǒng)魯棒性和自適應(yīng)能力，包括語音特征提取、聲學(xué)模型、語言模型等諸多方面的魯棒性和自適應(yīng)等。

　　語音的特征提取和聲學(xué)模型對含噪語音、不同信道傳輸施加給語音的影響、不同發(fā)音人及其不同方式等要有魯棒性和自適應(yīng)能力；語言模型對各種不同的應(yīng)用領(lǐng)域要有魯棒性和自適應(yīng)能力。

　　2．在語音識別中使用語音學(xué)知識和語言學(xué)知識。語音模型的建立仍然是一個基本問題，但對什么樣的發(fā)音建什么樣的模型就不僅是數(shù)學(xué)建模的問題，還需把語音知識和語言知識結(jié)合起來，以高層知識作為建模和識別的引導(dǎo)。這些知識不管在聲學(xué)模型部分還是在語言模型部分都應(yīng)該盡可能應(yīng)用。

　　3．重視海量語音庫和語料庫的制作和標(biāo)注。語音庫用以訓(xùn)練語音模型，語料庫則用以訓(xùn)練統(tǒng)計語言模型，它們的制作和標(biāo)注有著舉足輕重的地位。一個海量的、科學(xué)標(biāo)注了的語音庫和語料庫對提高聲學(xué)模型和語言模型是非常重要的。

　　4．策略型和多模態(tài)方案。在目前的技術(shù)還不是特別成熟的前提下，可能需要綜合利用各種已有技術(shù)來提高系統(tǒng)的整體性能。比如充分利用各種可以利用的特征、集成各種識別性能互補的若干識別器、結(jié)合語音識別和手寫體文字識別，為用戶提供各種不同應(yīng)用的方案。這些都是有益的解決方案。

　　5．窄帶應(yīng)用和口語對話應(yīng)用。語音聽寫機之所以不能很好推廣，也許是因為目前有不少出色的漢字輸入方法，如全拼、雙拼、五筆等。但是有些場合，如通過帶寬很窄的電話線對遠程的數(shù)據(jù)庫進行信息檢索和查詢（如天氣預(yù)報、旅游信息、股市行情、航班信息等）時，語音識別就會發(fā)揮很大的作用，從而會有很大的應(yīng)用前景。這是因為，語音是非常自然的方式，而且由于電話上只有數(shù)字鍵，相對于用數(shù)字鍵進行逐級的需求確認來說，語音識別更具有競爭力。

　　在這種應(yīng)用中，需要解決的技術(shù)難點包括：（一）由于電話信道帶寬窄（只有3．4khz），語音信號的信息損失較大，電話機和信道質(zhì)量差異大，背景噪音和信道噪音種類繁多，因此必須有性能優(yōu)異的語音增強、特征提取、語音識別與理解等算法。（二）由于說話人的在查詢時使用的都是自然語言，因此必須研究口語現(xiàn)象。（三）必須研究語言理解技術(shù)。聽寫機只能解決語音到文本的轉(zhuǎn)換，卻不知其意；但口語對話系統(tǒng)必須有語言理解部分才能知道用戶的查詢需求，并有針對性地提供相應(yīng)的信息。

　　6．制定軟件開發(fā)工具（sdk）。為了推廣語音產(chǎn)品，制定方便中間開發(fā)人員使用sdk也非常重要。一些知名公司無不在此傾注力量，以期制定工業(yè)標(biāo)準(zhǔn)。如ibm的ibm sdk、微軟的microsoft sapi、dragon公司的dragon sdk、以及l(fā)＆h公司的spark等都是用于開發(fā)語音產(chǎn)品的軟件開發(fā)工具。這也是國內(nèi)研發(fā)機構(gòu)需要學(xué)習(xí)和注意的地方。

得意音通公司供稿 原文《中國計算機報》，第91期，1999年12月6日