孤立词语音识别系统设计与实现

　　0 引 言

　　在孤立词语音识别中，为简单有效的方法是采用动态时间规整（Dynamic Time Warping，DTW）算法，该算法解决了发音长短不一的模板匹配问题，是语音识别中出现早、较为经典的一种算法。用于孤立词识别，该算法较现在比较流行的HMM算法在相同的环境条件下，通过反复计算才能得到模型参数，而DTW算法的训练中几乎不需要额外的计算。所以在孤立词语音识别中，DTW算法仍得到广泛的应用。本系统就采用了该算法。

　　1 系统概述

　　语音识别系统的典型实现方案如图1所示。输入的模拟语音信号首先要进行预处理，包括预滤波、采样和量化、加窗、断点检测、预加重等。语音信号经过预处理后，接下来重要的一环就是特征参数提取，其目的是从语音波形中提取出随时间变化的语音特征序列。然后建立声学模型，在识别的时候将输入的语音特征同声学模型进行比较，得到的识别结果。

　　2 硬件构成

　　2.1 系统构成

　　DSP芯片，也称数字信号处理器， 是一种具有特殊结构的微处理器。DSP芯片的内部采用程序和数据分开的哈佛结构，具有专门的硬件乘法器，广泛采用流水线操作，提供特殊的DSP指令，可以用来快速的实现各种数字信号处理算法。

　　这里采用DSP芯片为（图2），系统包括直接双访问快速SRAM、一路ADC／一路DAC及相应的模拟信号放大器和抗混叠滤波器。外部只需扩展FLASH存储器、电源模块等少量电路即可构成完整系统应用。

　　2.2 系统主要功能模块构成

　　语音处理模块采用TI TMS320VC5402，其主要特点包括：采用改进的哈佛结构，一条程序总线（PB），三条数据总线（CB，DB，EB）和四条地址总线（PAB，CAB，DAB，EAB），带有专用硬件逻辑CPU（40位算术逻辑单元（ALU），包括1个40位桶形移位器和二个40位累加器；一个17×17乘法器和一个40位专用加法器，允许16位带或不带符号的乘法），片内存储器（八个辅助寄存器及一个软件栈），片内外专用的指令集，允许使用业界的定点DSP C语言编译器。TMS320VC5402含4 KB的片内ROM和16 KB的双存取RAM，一个HPI（HostPortInterface）接口，二个多通道缓冲单口MCBSP（Multi-Channel Buffered SerialPort），单周期指令执行时间10 ns，带有符合IEEE1149.1标准的JTAG边界扫描仿真逻辑。16位数据结构，音频采样频率为2～22.05 kHz，内含抗混叠滤波器和重构滤波器的模拟接口芯片，还有一个能与许多DSP芯片相连的同步串行通信接口。TLC320AD50C片内还包括一个定时器（调整采样率和帧同步延时）和控制器（调整编程放大增益、锁相环PLL、主从模式）。TLC320AD50C与TMS320VC5402的硬件连接，如图3所示。

　　3 语音识别算法实现

　　3.1 语音信号的端点检测

　　语音的端点检测是语音识别中基本的模块，在嵌入式语音识别系统中更是占有非常重要的地位：一方面端点检测的结果不准确，系统的识别性能就得不到保证；另一方面如果端点检测的结果过于放松，虽然语音部分被很好地包含在处理的信号中，但是增加过多的静音则会增加系统的运算量，同时对识别性能也有负面影响。另一个是比较高的门限，数值比较大，信号必须达到一定的强度，该门限才可能被超过。低门限被超过未必就是语音的开始，有可能是时间很短的噪声引起的。高门限被超过，则基本确信是由于语音信号引起的。

　　整个语音信号的端点检测可以分为四段：静音、过渡段、语音段、结束。程序中使用一个变量status来表示当前所处的状态。在静音段，如果能量或过零率超越了低门限，就应该开始标记起始点，进入过渡段。在过渡段中，由于参数的数值比较小，不能确信是否处于真正的语音段，因此只要两个参数的数值都回落到低门限以下，就将当前状态恢复到静音状态。当前状态处于语音段时，如果两个参数的数值降低到低门限以下，而且总的计时长度小于短时间门限，则认为这是一段噪音，继续扫描以后的语音数据。否则就标记好结束端点，并返回。

　　3.2 语音特征参数的提取

　　近年来，一种能够比较充分利用人耳这种特殊的感知特新的参数得到了广泛的应用，这就是Mel尺度倒谱参数（Mel-scaled Cepstrum Coefficients，MFCC）。它和线性频率的转换关系是：

　　fMel=2 596log10（1+f／700）

　　MFCC参数是按帧计算的。首先要通过FFT得到该帧信号的功率谱，转换为Mel频率下的功率谱。这需要在计算之前先在语音的频谱范围内设置若干个带通滤波器Hm（n）。MFCC参数的计算流程为：

　　（1）确定每一帧语音采样序列的点数，本系统采取N=256点。对每帧序列s（n）进行预加重处理后再经过离散FFT变换，取模的平方得到离散功率谱s（n）。

　　（2）计算s（n）通过M个Hm（n）后所得的功率值，即计算s（n）和Hm（n）在各个离散频率点上乘积之和，得到M个参数Pm，m=0，1，…，M-1。

　　（3）计算Pm的自然对数，得到Lm，m=0，1，…，M-1。

　　（4）对L0，L1,…，LM-1计算其离散余弦变换，得到Dm，m=0，1，…，M-1。

　　（5）舍去代表直流成分的D0，取D1，D2，…，DK作为MFCC参数。此处K=12。

　　3.3 特定人语音识别算法

　　语音识别是一门交叉学科。近二十年来，语音识别技术取得显着进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。 语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。 语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。

　　根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition），关键词识别（或称关键词检出，keyword spotting）和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。

　　根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。

　　另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。

　　在孤立词语音识别中，为简单有效的方法是采用DTW动态时间规整算法，设参考模板特征矢量序列为A={a1，a2，…，aj），输入语音特征矢量序列为B={b1，b2，…，bk），j≠k。DTW算法就是要寻找一个的时间规整函数，使得语音输入B的时间轴k映射到参考模板A的时间轴j上总的累计失真。

　　将己经存入模板库的各个词条称为参考模板，一个参考模板可以表示为{R（1），R（2），…，R（M）}，m为训练语音帧的时序标号，m=1为起点语音帧，m=M为终点语音帧，因此M为该模式包含的语音帧总数，R（m）为第m帧语音的特征矢量。所要识别的一个输入词条语音称为参考模板，可表示为{T（1），T（2），…，T（N）），n为测试语音帧标号，模板中共包含N帧音，T（n）为第n帧音的特征矢量。

　　为了比较它们的相似度，可以计算，它们之间的失真D[T，R]，失真越小相似度越高。为了计算这一失真，应从T和R中各个对应帧之间的失真算起。如图4所示，横坐标对应“1”这个字音的较短的发音，经过分帧和特征矢量计算后共得到一个长度为43帧的语音序列，而纵坐标对应“1”这个字音的较长的发音，该语音特征序列共有56帧。为了找到两个序列的匹配路径，现把测试模式的各个帧号n=1～N（图4中N=43）在一个二维直角坐标系中的横轴上标出，把参考模式的各帧号m=1～M（图4中M=56）在纵轴上标出。

　　通过这些表示帧号的整数坐标画一些纵横线即可形成一个网格，网格中何一个节点（n，m）表示测试模式中的某一帧和参考模式中的某一帧的交汇点。动态时间规整算法可以归结为寻找一条通过此网格中若干交叉点的路径，路径通过的交叉点即为参考模式和测试模式中进行失真计算的帧号。为了引入这个限制，可以对路径中各通过点的路径平均斜率的值和值予以限制。通常斜率定为2，平均斜率定为1／2。路径的出发点可以选择（n，m）=（1，1）点，也可以选择（n，m）=（1，2）或（1，3）或（2，1）或（3，1）…点出发。前者称为固定起点，后者称为松弛起点。同样，路径可在（n，m）=（N，M）点结束，也可以在（n，m）=（N，M-1）或（N，M-2）或（N-1，M）或（N-2，M）…点结束。前者称为固定终点，后者称为松弛终点。

　　使用DTW算法为直接构造识别系统十分简单，首先通过训练得到词汇表中各参考语音的特征序列，直接将这些序列存储为模板。该方法显着的优点是识别率极高，大大超过目前多数的HMM语音识别系统和VQ语音识别系统。但其明显的缺点是由于需要对大量路径及这些路径中的所有节点进行匹配计算，导致计算量极大，随着词汇量的增大其识别过程甚至将达到难以接受的程度，因此无法直接应用于大、中词汇量识别系统。

　　4 结 语

　　以本系统为基础开发了一种语音拨号系统，经过大量实验表明，该系统电路运行稳定，且识别率可以达到90％。系统成本低，稍加改进就可把该语音识别模块移植应用到各种系统设备中。