前言：在开始进行语音识别研究之前，首先要建立一个语音数据库。目前在医学领域并没有专门的语音识别词库和模型。
语音识别即通过麦克风捕捉用户发出的声音，将声波信号转换成机器可以处理的“发音特征”，再从发音和语言的“模型空间”中快速搜索最匹配的句子，即识别结果。语音识别过程就是一个模型匹配的过程，模型训练的好坏直接关系到系统识别的结果。
为了得到一个好的模型，往往需要有大量的原始语音数据来进行训练，特别是对于非特定人的语音识别系统来说，这一点显得更为重要。因此，在开始进行语音识别研究之前，首先要建立一个语音数据库。数据库包括不同性别、年龄、口音的说话人的声音，并且必须具有代表性，能均衡地反映实际使用情况。模型训练就是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数。
目前在医学领域并没有专门的语音识别词库和模型。由于医学术语、药物名称、疾病名称等用词的专业性很强，识别率会大幅下降。我带领团队花费了7个月的时间，分别于iOS平台和Android平台，采用科大讯飞和云之声两个主流第三方SDK，对药品词库的36176个药品名称和疾病词库的23501个疾病名进行了测试，训练出错率较高的词汇，初步搭建了医学语音识别领域的第三方素材库，并决定免费给任何有志于开发移动医疗APP的创业团队和个人。
下面以Android为例，具体介绍我们构建体系的流程、标准和测试方法，以帮助各位移动医疗开发人员快速上手：
测试平台：2台android4.0系统手机(小米2、中兴U930HD)、珍立拍系统、科大讯飞SDK
测试方法：对所有药品和疾病名称进行反复测试，使用纠正训练法，来克服语音识别体系中HMM的训练效果。小组A测试药品，小组B测试疾病，普通线. 总结出识别易错词汇，两组交叉测试后，随后交给程序人员，按科大讯飞SDK模型训练，输入相应代码，完善建库。
1. 读错：由于医学词汇中有很多较为生僻的汉字，读错很难避免，很多医生即使会写这个词，但是发音也可能会错。
由统计结果可以看出，疾病名的识别率高于药品名。笔者分析，造成此结果的原因在于，疾病名的广普率要高于药品名，所以各个语音识别公司比较重视，而且疾病生僻汉字较少，而药品种类要远多于疾病种类，其中生僻汉字也较多。二次测试的正确率较一次测试大约提升了一个百分点左右，还是可以适当减少错误数据库中的词汇量。
音节短的词出错率较高，如：单音节词，痣(识别结果“志”)，双音节词，义眼(识别结果“一眼”)，长音节词出错率低，原因可能是音节越短的词，其同音节的普通词较其更常见，而且如果其尾音特殊的话，影响较大。
虽然有用户词表，但是目前科大讯飞用户词表仅限数量2000，经沟通后他们正在扩大词汇表数量中。但如果数据过大，将会导致数据包过重的问题，而移动端由于存储和运算能力受限，所以无法满足数量庞大的整个医学词库，因此我们只能先做常用库。
语音识别虽然在实用性上已得到很大提高，但是由于目前语音识别的单一性(只能单纯的识别中文或者英文)，以及使用、语音差异化等因素的影响，容易造成识别错误。就这些因素而言，我们为此做了大量的基础工作，用于搭建第三方数据库，在尽可能排除其它干扰因素的情况下，检测出识别错误的词汇，也为下一步构建专业领域的识别模型搭建出了样本数据库(针对大量样本数据库，精简出识别错误的小样本数据库，减少模型训练词库)。
对于有大量专业词汇的识别系统来说，使用模型训练可以有效提升识别率，目前模型训练比较常用的有四种方法：最大似然估计、纠正训练法、最小分类错误、最大互信息方法。模型训练需要专业的技术，并与语音识别公司进行合作，由企业提库信息和语音集，专业人员采用模型训练对需要识别的词库进行训练，最终给出个性化定制的识别模型，以提升识别率。
语音识别技术在移动医疗领域中的应用会越来越普遍，但还有大量的基础工作需要我们大家齐心协力去完成。希望业内的精英之士能够对此多交流，多合作，抛开一些利益的纠葛，共同为行业的发展贡献出自己的力量。
最新评论