人的語(yǔ)音識(shí)別有很多特征與我們介紹過(guò)的語(yǔ)音自動(dòng)識(shí)別模型的很多特征是共同的。前面說(shuō)過(guò)，像PLP分析這樣的信號(hào)處理算法的設(shè)計(jì)，實(shí)際上明顯地受到人的聽覺系統(tǒng)特性的啟發(fā)。此外，人的詞匯存?。╨exical access，也就是人從心理詞典中檢索單詞的過(guò)程）的四個(gè)特性在ASR中也是存在的,這四個(gè)特性是：頻度(frequency)、平行性(parallelism)、鄰近效應(yīng)（neighborhood effect）和基于提示的處理（cue-based processing）。例如，與N元語(yǔ)言模型的ASR一樣，人的詞匯存取也是對(duì)單詞頻度敏感的。與低頻度的口語(yǔ)單詞相比，高頻度的口語(yǔ)單詞存取的速度比較快，或者存取時(shí)需要的信息比較少。在噪聲環(huán)境下，或者在單詞中只有局部部分呈現(xiàn)出來(lái)時(shí)，高頻度的單詞比低頻度的單詞更容易被成功識(shí)別。正如ASR一樣，人的詞匯存取是并行的：在同樣的時(shí)刻可以激活多個(gè)單詞。人對(duì)單詞的存取還顯示出鄰接效應(yīng)（一個(gè)單詞的鄰近詞是一些與它類似的單詞）。帶有較高頻度權(quán)值鄰近詞的單詞，它的存取速度比那些鄰近詞比較少的單詞慢一些。Jurafsky(1996)指出,存取時(shí)的鄰近效應(yīng)可以用ASR中的貝葉斯模型來(lái)解釋。

最后，人的語(yǔ)音感知還是基于提示的（cue-based）：語(yǔ)音輸入要結(jié)合很多不同層次的提示來(lái)解釋。例如，業(yè)已證明，人對(duì)于單個(gè)音子的感知要把許多不同的提示結(jié)合起來(lái)進(jìn)行，包括聲學(xué)提示，例如共振峰的結(jié)構(gòu)或發(fā)音的確切時(shí)間，視覺提示，例如嘴唇的運(yùn)動(dòng)，詞匯提示，例如音子所在單詞的同一性。還有一個(gè)通常稱為音位復(fù)原效應(yīng)（phoneme restoration effect)的例子。Warren(1970)取一個(gè)語(yǔ)音樣本并且在咳嗽聲的背景下替換其中的一個(gè)音子（例如，替換legislature中的[s]這個(gè)音子）。Warren發(fā)現(xiàn)，受試者在聽到這樣的錄制磁帶時(shí)，在典型的情況下聽到的仍然是包含[s]在內(nèi)的整個(gè)單詞legislature，而且還感覺到了咳嗽聲背景的存在。在人的語(yǔ)音感知中，其他的提示還有語(yǔ)義方面的單詞聯(lián)想（word association）和重復(fù)優(yōu)先（repetition priming）。所謂“單詞聯(lián)想”指的是，如果同時(shí)還聽到一個(gè)語(yǔ)義上相關(guān)的詞，單詞的存取會(huì)比較快。所謂“重復(fù)優(yōu)先”指的是，當(dāng)再聽剛才已聽到的單詞時(shí)，其存取速度會(huì)比較快。這兩種與語(yǔ)義有關(guān)的研究結(jié)果，已經(jīng)被應(yīng)用于一些新近的語(yǔ)言模型中。例如，Kuhn and Mori(1990)的存儲(chǔ)模型就使用了重復(fù)優(yōu)先的原理；Rossenfeld(1996)的觸發(fā)器模型,Coccaro and Jurafsky(1998)的LSA模型以及Bellegarda(1999)都使用了單詞聯(lián)想的原理。值得注意的是，這些卓越的思想絕不是現(xiàn)在才提出的，Cole and Rudnicky(1983)在他們一篇引人入勝的評(píng)述文章中指出，對(duì)于單詞和音子處理的上下文效應(yīng)這種深刻的關(guān)系，事實(shí)上早就被William Bagley(1901）發(fā)現(xiàn)了。Bagley的成就，除了單詞和音子的上下文效應(yīng)之外，還包括對(duì)于音位復(fù)原效應(yīng)的早期研究，這些成果在愛迪生（Edison）留聲機(jī)滾筒的錄音中得到了應(yīng)用，后來(lái)又進(jìn)行過(guò)修改，并且把它們公之于眾。Bagley的這些成果被遺忘了，很久以后才被再次發(fā)現(xiàn)。

現(xiàn)代ASR模型和人的語(yǔ)音識(shí)別之間的一個(gè)差別是ASR模型的時(shí)間導(dǎo)向性（time-course）。在執(zhí)行ASR算法時(shí)，解碼搜索的過(guò)程是在整個(gè)語(yǔ)段上進(jìn)行優(yōu)化的，這一點(diǎn)很重要。這意味著，解碼器在句子的結(jié)尾時(shí)返回的最佳句子假設(shè)可能與在句子中途返回的當(dāng)前最佳句子假設(shè)有很大的差別。與

此不同的是，有充分的證據(jù)表明，人的語(yǔ)音處理是在線的（on-line）。人們把一個(gè)語(yǔ)段一步步地切分成若干個(gè)單詞，當(dāng)他們聽到相應(yīng)單詞的時(shí)候就指派給該單詞一個(gè)解釋，這個(gè)過(guò)程是遞增進(jìn)行的。例如，Marslen-Wilson(1973)曾經(jīng)研究過(guò)所謂的“緊密背影”(close shadower)：當(dāng)人們聽到一個(gè)語(yǔ)音片斷時(shí)，會(huì)在250ms的短時(shí)間內(nèi)留下該語(yǔ)音片斷的背影（即向后重復(fù)）。Marslen-Wilson還發(fā)現(xiàn)，當(dāng)這些背影出現(xiàn)錯(cuò)誤時(shí)，它們會(huì)根據(jù)上下文，利用句法和語(yǔ)義特征來(lái)進(jìn)行校正，在這250ms之內(nèi)進(jìn)行單詞的切分、剖析以及解釋。Cole(1973)和Cole and Jakimik(1980)發(fā)現(xiàn)，在關(guān)于錯(cuò)誤發(fā)音檢查的研究中也存在著類似的效應(yīng)。在這些研究成果的基礎(chǔ)上，學(xué)者們研制了一些關(guān)于人類語(yǔ)音感知的心理模型，例如隊(duì)列模型和TRACE計(jì)算模型。TRACE計(jì)算模型重點(diǎn)研究了單詞選擇和切分的時(shí)間導(dǎo)向。例如，TRACE模型是一個(gè)連接主義的模型或者神經(jīng)網(wǎng)絡(luò)的交互式激活模型。在這個(gè)模型中，獨(dú)立的計(jì)算單元被組織為三個(gè)平面：特征平面、音位平面和單詞平面。每個(gè)單元表示關(guān)于它在輸入中出現(xiàn)的一個(gè)假設(shè)。輸入時(shí)，各個(gè)單元被并行地激活，單元之間的激活可以流動(dòng)；不同平面的單元之間的連接是可激發(fā)的，而同一平面上的單元之間的連接是抑制的。所以，一個(gè)單詞被激活之后，就可能稍微抑制所有其他單詞的激活。

人的語(yǔ)音識(shí)別和機(jī)器的語(yǔ)音識(shí)別之間有相似性的，但它們之間還有很多差別。特別是，許多事實(shí)表明，很多其他方面的提示在人的語(yǔ)音識(shí)別中也在發(fā)揮作用，而且這樣的提示也被成功地結(jié)合到ASR系統(tǒng)中。這些被忽視的提示中最重要的是韻律。這里我們只舉一個(gè)簡(jiǎn)單的例子，Cutler and Norris(1988)和Cutler and Carter(1987)都注意到，英語(yǔ)多音節(jié)單詞有很多詞的“例”的重音都在開始的音節(jié)，因此在“矩陣切分策略”(metrical segmentation strategy,簡(jiǎn)稱MSS）中提出把重音用來(lái)作為單詞切分的一個(gè)提示。

責(zé)任編輯：admin