close
甫獲中研院院士的莊炳湟教授(Biing Hwang Juang)，目前任教於美國喬治亞理工學院，於2006/12/26下午在清大資電館發表演說，演講內容談及語音技術的歷史以及未來的走向。這次的題材主要沿自於國際聲學語音信號處理演討會(ICASSP)所發表的演說，從語音合成談到語音辨識。
一開始闡述人類如何試著利用機械化的器材來模擬發聲的過程，這個機器的主要部份包含風箱、一些卡榫以及簧片，而手必須去捏一個管子，試圖讓管子的形狀能模擬出口腔的形狀，演說中有播放機器產生出來的聲音，基本上只能聽出有說話的聲調，詳細的咬字則難以辨別。到了1920年代，發展出一個類似鋼琴的語音合成器，壓著不同的按鍵能產生不同的音高，詳細的內部構造並沒有顯現出來，而展示的聲音中，已經可以略微辨識出些許的字眼，比較另人感到有趣的地方在於可以利用它來產生出類似唱歌的感覺。而在1950年代之後，語音合成的技術有些許的分野，大致可以分成兩個派別，第一個派別認為發音的過程應該要像人類的發聲過程一樣，要分別描述各個發音器官的變化，再予以組合起來發出聲音；另一派別則是分析聲音的波形，試圖找出有用的參數(LPC)，並將這些參數與發音時的頻譜及器官位置做連結。從現在的角度來回顧這些不同派別的做法，後者很明顯地勝出，影響直到今日。
利用參數化來發音的方式，其優點在於分析簡易，能讓許多信號處理的方法應用進來；但缺點就是產生出來的聲音機械感太重，不是非常的自然，若以音素或音節為最小發音單位，人類講話時會平順地將數個單位連結在一起，但參數化的發音卻無法精確地描述這種單位間的轉換過程。雖然1980年代的技術已經演進到聽起來還可以接受的地步，但1990年代電腦儲存裝置容量的持續進展，卻改變了語音合成技術的著眼點。參數化的方式漸漸不吃香，取而代之的是將人聲直接儲存到電腦中，再利用技術把想要的聲音擷取出來，重新組成想要的句子。這種方式自然能保留語音信號當中微小但重要的隨機成份，大大增強合成語音的自然度，然而先前參數化的方式很難做到這一點。不過莊教授以信號處理的觀點來看這個趨勢，認為目前方法的發展空間較小，而以往參數化的發展空間較大，但若以應用的角度來看，目前的方式的確優異，克服了許多以往達不到的流暢程度。
談完語音合成的演變，接下來的話題談到語音辨識，故事從愛迪生留聲機所產生出來的蠟筒開始，為了將刻畫在蠟筒上的資訊轉成文字，有公司開始投入大量的人力，把蠟筒上的留言聽完後，再用打字機將留言以文字的形式呈現，這可以算是最早的語音辨識。為了節省人力成本，1950年代Bell Lab.開始研究如何利用電腦來實現語音辨識，爾後輔以語音學家所提供的知識，以大量的規則來建構一個系統，但語音學家間存在歧異點，有些地方沒有一致性的答案，再加上這種方法無法自動化以及一般化，以至於1970年代推出隱藏式馬可夫模型之後，這些以規則建構的系統就不再受人青睞。美國的語音辨識主要由DARPA所推動，每個時期提出不同的目標，希望各地的學者能一同來解決。如最早期是數字串的辨識，當幾年後錯誤率低到一個程度，就把辨識的目標放在更多詞彙的辨識，甚至不同的說話型態下也能辨識。直到最近，自發性對話的辨識以及理解是一項極需眾人之力來克服的目標，對於大量自發性對話語料的辨識，錯誤率一直局高不下，原因不外乎在日常對話中，大量的語助詞、發音變異以及不按文法的句子大量穿插，系統無法有效地面對這種說話的多變性。聲音轉成文字只是一個最基本的工作，接下來理解句子的意思以及系統如何反應，則是更高層次對話系統所要面對的課題，莊教授打個比方，現在的語音辨識器就好比小學二三年級的學生，字可以大略聽得懂，但句子意涵就未必能全然了解，這個比方也清楚地描述出未來的改進方向，就是如何讓小學生成長為中學生。
一小時的演講其實不長，許多地方並沒有著墨到，題材內容也略於簡略，比較適合一般沒有語音處理背景的聽眾，話雖如此，但也不失為一場豐富的歷史之旅。對於這類外來的思想及技術，沒有對其發展史多做瞭解，是無法體會前人如何看待這些問題，以及前人逐步解決問題的思維模式。這也是國內比較沒著重的地方，若只是一股腦兒的直接以工程的角度跳下去解決問題，較無法宏觀的看出未來的走向，只能落到跟隨別人腳步走的地步。
莊炳湟教授於喬治亞理工學院的鏈結
http://www.ece.gatech.edu/faculty-staff/fac_profiles/bio.php?id=124
一開始闡述人類如何試著利用機械化的器材來模擬發聲的過程，這個機器的主要部份包含風箱、一些卡榫以及簧片，而手必須去捏一個管子，試圖讓管子的形狀能模擬出口腔的形狀，演說中有播放機器產生出來的聲音，基本上只能聽出有說話的聲調，詳細的咬字則難以辨別。到了1920年代，發展出一個類似鋼琴的語音合成器，壓著不同的按鍵能產生不同的音高，詳細的內部構造並沒有顯現出來，而展示的聲音中，已經可以略微辨識出些許的字眼，比較另人感到有趣的地方在於可以利用它來產生出類似唱歌的感覺。而在1950年代之後，語音合成的技術有些許的分野，大致可以分成兩個派別，第一個派別認為發音的過程應該要像人類的發聲過程一樣，要分別描述各個發音器官的變化，再予以組合起來發出聲音；另一派別則是分析聲音的波形，試圖找出有用的參數(LPC)，並將這些參數與發音時的頻譜及器官位置做連結。從現在的角度來回顧這些不同派別的做法，後者很明顯地勝出，影響直到今日。利用參數化來發音的方式，其優點在於分析簡易，能讓許多信號處理的方法應用進來；但缺點就是產生出來的聲音機械感太重，不是非常的自然，若以音素或音節為最小發音單位，人類講話時會平順地將數個單位連結在一起，但參數化的發音卻無法精確地描述這種單位間的轉換過程。雖然1980年代的技術已經演進到聽起來還可以接受的地步，但1990年代電腦儲存裝置容量的持續進展，卻改變了語音合成技術的著眼點。參數化的方式漸漸不吃香，取而代之的是將人聲直接儲存到電腦中，再利用技術把想要的聲音擷取出來，重新組成想要的句子。這種方式自然能保留語音信號當中微小但重要的隨機成份，大大增強合成語音的自然度，然而先前參數化的方式很難做到這一點。不過莊教授以信號處理的觀點來看這個趨勢，認為目前方法的發展空間較小，而以往參數化的發展空間較大，但若以應用的角度來看，目前的方式的確優異，克服了許多以往達不到的流暢程度。
談完語音合成的演變，接下來的話題談到語音辨識，故事從愛迪生留聲機所產生出來的蠟筒開始，為了將刻畫在蠟筒上的資訊轉成文字，有公司開始投入大量的人力，把蠟筒上的留言聽完後，再用打字機將留言以文字的形式呈現，這可以算是最早的語音辨識。為了節省人力成本，1950年代Bell Lab.開始研究如何利用電腦來實現語音辨識，爾後輔以語音學家所提供的知識，以大量的規則來建構一個系統，但語音學家間存在歧異點，有些地方沒有一致性的答案，再加上這種方法無法自動化以及一般化，以至於1970年代推出隱藏式馬可夫模型之後，這些以規則建構的系統就不再受人青睞。美國的語音辨識主要由DARPA所推動，每個時期提出不同的目標，希望各地的學者能一同來解決。如最早期是數字串的辨識，當幾年後錯誤率低到一個程度，就把辨識的目標放在更多詞彙的辨識，甚至不同的說話型態下也能辨識。直到最近，自發性對話的辨識以及理解是一項極需眾人之力來克服的目標，對於大量自發性對話語料的辨識，錯誤率一直局高不下，原因不外乎在日常對話中，大量的語助詞、發音變異以及不按文法的句子大量穿插，系統無法有效地面對這種說話的多變性。聲音轉成文字只是一個最基本的工作，接下來理解句子的意思以及系統如何反應，則是更高層次對話系統所要面對的課題，莊教授打個比方，現在的語音辨識器就好比小學二三年級的學生，字可以大略聽得懂，但句子意涵就未必能全然了解，這個比方也清楚地描述出未來的改進方向，就是如何讓小學生成長為中學生。
一小時的演講其實不長，許多地方並沒有著墨到，題材內容也略於簡略，比較適合一般沒有語音處理背景的聽眾，話雖如此，但也不失為一場豐富的歷史之旅。對於這類外來的思想及技術，沒有對其發展史多做瞭解，是無法體會前人如何看待這些問題，以及前人逐步解決問題的思維模式。這也是國內比較沒著重的地方，若只是一股腦兒的直接以工程的角度跳下去解決問題，較無法宏觀的看出未來的走向，只能落到跟隨別人腳步走的地步。
莊炳湟教授於喬治亞理工學院的鏈結
http://www.ece.gatech.edu/faculty-staff/fac_profiles/bio.php?id=124
全站熱搜
留言列表
