语音识别是人工智能的一项十分有趣的问题，想想看，人们的语音是多么复杂，不同国家、民族的人，说不同的国家和民族的语言，不同的人，口音不一样，例如中国还有许多方言，语音也不一样。一个本事大的人，可能懂七、八种语言，也能听懂男、女、小孩等等不同人、甚至不同方言的语言。但是要设计一个机器人能听懂七八种语言，甚至乡土的方言（例如在民航的接待处服务的机器人），这任务是十分困难的。但是我们可以期待，也许不久的将来就会实现。

再说，要在一篇科普文章中说清语音识别的技术，也有很大的难度。因为它用到了高等数学中的傅里叶变换的技术。也就是要用到“时域”和“频域”的两个概念，才容易讲清楚。那么什么是频域、什么是时域？也需要花点笔墨来介绍。

简单地讲，例如50周波的正弦波，在时域的图像上表示是一个连续上下波动的曲线，如果转换到“频域”，就是在频率轴（横轴）上的50处一个有幅度的点这不是很简单吗！

在上一篇“语音合成”一文中，已经介绍了人类语音的一些特征（例如说声母是相当于高频的噪声、韵母相当于周期重复的非规则波，声调是韵母的声高（频率）有变化的波等等），这是语音的时域形态。我们也说过，如果用示波器观看一般人说话的语音波形，是十分复杂，要研究它简直无从下手。但是经傅里叶转换到频域，就发现图形要简单得多了，语音波的频率表现在若干个频率点上有数值。比如男声低些，女声要高一些。小孩子的声频更高些。

除此之外，在更高的频率域处有数值，那是噪声域，相当于声母的部分，而在较低的频率点上也有一组数值，是韵母域，这些都表示的是不同说话人的口腔参数，不同人的口型、舌头形状不一样，这组参数也不一样。所以，在频域分析语音：是声母、韵母、是几声调、是什么人说的等等，就容易多了。也由此可以想到，人的天赋智能具备了多么复杂的本领，我们的脑子里事先已经存储好了各种模板数据（属于频域数据，）包括各个汉字的读音、某些已认识人的声音特征数据，甚至风声、雨声、鸟的鸣叫声等等，因此，人就能判别任何时间听到的声音是什么声音、代表什么文字，这种人所具备的智能也是几千万年人类进化而得来的。

设计机器的语音识别，先要在计算机里先存放好标准的语音参数，称为“模板”（如果要将识别的语音转换成文字，计算机里也先存放好了所有汉字的语音参数（可能还分男声和女声的数据库，存储的数据是对应某种语音的频域参数，不可能是时域的波形），这个数据库的建立也可称为机器的训练过程。

实际操作语音识别时，由麦克风读入待识别的语音，将输入数据先转换成频域数据，再和标准数据作比较，取参数最接近的作为识别结果，再输出，输出的是汉字（或某一国家的文字。）语音转换成文字还有一个同音字区分的问题，大多数汉语的一个读音对应多个汉字，有的发音对应许多个汉字，甚至上百个汉字（如音节“ji”对应的汉字有100多个）要去分辨某个发音是什么汉字，必须采用上下文的办法，就是看这个读音的前或后跟随的是什么汉字(或读音)，是否能组成词。这些词组都事先在计算机中存好，经由匹配对比成功的词来决定该选定的汉字，有时候不是任何读音都可能找到能匹配的上下文，就可能要从语义来判断。这就更复杂了。

如果要设计的系统是要寻找说话人是谁，而不是关于具体说的什么，那就只要对比频域参数就可以了。同样一句话，不同人说的，波形不同，频域中的特征数据也不同。

平时我们的耳朵听取外界的声音有很强的滤波功能，在噪声很大的情况下能滤除噪音，辩认出需要声音(如语音)。聋人用的助听器，如果仅仅是把声波放大，就会连同噪声一起放大，听起来十分费劲。高级助听器就有滤除噪音的功能，因而售价就很贵了，因为其中也用了信号处理技术。

顺便说一个故事，是说明傅里叶变换、信号处理的本领的。这是上世纪80年代初，美国麻省理工学院的奥本海姆教授来清华讲学（我曾担任他的讲课翻译）演示过的一段语音处理的片段：

一段帕瓦罗蒂的演唱，有场面庞大的乐队伴奏，当然很好听。奥本海姆教授演示用了信号处理技术，竟然可以把乐队伴奏的声音全部过滤掉，只剩下了帕瓦罗蒂的唱声，这就可以单独欣赏他的纯真的歌声，这里面用到了复杂的滤波技术完全是傅里叶变换的功劳。（他的歌唱频谱范围和乐队演奏声音的频谱范围是不同的。将频域里的乐队声的频谱信号删除，再还原到时域就只剩下了人的歌唱声了。）可见，信号处理的本领之大了。

语音识别技术经过最近几十年的研究发展，已经十分成熟，能听人语音发出命令而做事的机器人本领也愈来愈大了。我们清华人在其中作了贡献，也值得自豪！