孤立詞語音識(shí)別系統(tǒng)的實(shí)現(xiàn)

　　整個(gè)語音信號(hào)的端點(diǎn)檢測(cè)可以分為四段：靜音、過渡段、語音段、結(jié)束。程序中使用一個(gè)變量status來表示當(dāng)前所處的狀態(tài)。在靜音段，如果能量或過零率超越了低門限，就應(yīng)該開始標(biāo)記起始點(diǎn)，進(jìn)入過渡段。在過渡段中，由于參數(shù)的數(shù)值比較小，不能確信是否處于真正的語音段，因此只要兩個(gè)參數(shù)的數(shù)值都回落到低門限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)。而如果在過渡段中兩個(gè)參數(shù)中任意一個(gè)超過了高門限，就可以確信進(jìn)入語音段了。一些突發(fā)性的噪聲可以引發(fā)短時(shí)能量或過零率的數(shù)值很高，但是往往不能維持足夠長(zhǎng)的時(shí)間，這些可以通過設(shè)定最短時(shí)間門限來判別。當(dāng)前狀態(tài)處于語音段時(shí)，如果兩個(gè)參數(shù)的數(shù)值降低到低門限以下，而且總的計(jì)時(shí)長(zhǎng)度小于最短時(shí)間門限，則認(rèn)為這是一段噪音，繼續(xù)掃描以后的語音數(shù)據(jù)。否則就標(biāo)記好結(jié)束端點(diǎn)，并返回。

　　語音特征參數(shù)的提取

　　近年來，一種能夠比較充分利用人耳這種特殊的感知特新的參數(shù)得到了廣泛的應(yīng)用，這就是Mel尺度倒譜參數(shù)(Mel-scaled Cepstrum Coefficients，MFCC)。

　　參數(shù)是按幀計(jì)算的。首先要通過FFT得到該幀信號(hào)的功率譜，轉(zhuǎn)換為Mel頻率下的功率譜。這需要在計(jì)算之前先在語音的頻譜范圍內(nèi)設(shè)置若干個(gè)帶通濾波器Hm(n)。MFCC參數(shù)的計(jì)算流程為：

　　確定每一幀語音采樣序列的點(diǎn)數(shù)，本系統(tǒng)采取N=256點(diǎn)。對(duì)每幀序列s(n)進(jìn)行預(yù)加重處理后再經(jīng)過離散FFT變換，取模的平方得到離散功率譜s(n)。

　　計(jì)算s(n)通過M個(gè)Hm(n)后所得的功率值，即計(jì)算s(n)和Hm(n)在各個(gè)離散頻率點(diǎn)上乘積之和，得到M個(gè)參數(shù)Pm，m=0，1，…，M-1。

　　計(jì)算Pm的自然對(duì)數(shù)，得到Lm，m=0，1，…，M-1。

　　對(duì)L0，L1，…，LM-1計(jì)算其離散余弦變換，得到Dm，m=0，1，…，M-1。

　　舍去代表直流成分的D0，取D1，D2，…，Dk作為MFCC參數(shù)。此處K=12。

　　特定人語音識(shí)別算法

　　在孤立詞語音識(shí)別中，最為簡(jiǎn)單有效的方法是采用DTW動(dòng)態(tài)時(shí)間規(guī)整算法，設(shè)參考模板特征矢量序列為A={a1，a2，…，aj)，輸入語音特征矢量序列為B={b1，b2，…，bk}，j≠k。DTW算法就是要尋找一個(gè)最佳的時(shí)間規(guī)整函數(shù)，使得語音輸入B的時(shí)間軸K映射到參考模板A的時(shí)間軸j上總的累計(jì)失真最小。

　　將己經(jīng)存入模板庫(kù)的各個(gè)詞條稱為參考模板，一個(gè)參考模板可以表示為{R(1)，R(2)，…，R(M)}，m為訓(xùn)練語音幀的時(shí)序標(biāo)號(hào)，m=1為起點(diǎn)語音幀，m=M為終點(diǎn)語音幀，因此M為該模式包含的語音幀總數(shù)，R(m)為第m幀語音的特征矢量。所要識(shí)別的一個(gè)輸入詞條語音稱為參考模板，可表示為{T(1)，T(2)，…，T(N))，n為測(cè)試語音幀標(biāo)號(hào)，模板*包含N幀音，T(n)為第n幀音的特征矢量。

　　為了比較它們的相似度，可以計(jì)算，它們之間的失真D[T，R]，失真越小相似度越高。為了計(jì)算這一失真，應(yīng)從T和R中各個(gè)對(duì)應(yīng)幀之間的失真算起。將各個(gè)對(duì)應(yīng)幀之間的失真累計(jì)起來就可以得到兩模式間的總失真。很容易想到的辦法是當(dāng)兩模式長(zhǎng)度相等時(shí)，直接以相等的幀號(hào)相匹配后累加計(jì)算總失真，而當(dāng)兩個(gè)模式長(zhǎng)度不等時(shí)則利用線性擴(kuò)張或線性壓縮的方法使兩模式具有相等長(zhǎng)度，隨后進(jìn)行匹配計(jì)算失真度。但由于人類發(fā)音具有隨機(jī)的非線性變化，這種方法效果不可能是最佳的。為了達(dá)到最佳效果，可以采用動(dòng)態(tài)時(shí)間規(guī)整的方法。如圖4所示，橫坐標(biāo)對(duì)應(yīng)“1”這個(gè)字音的一次較短的發(fā)音，經(jīng)過分幀和特征矢量計(jì)算后共得到一個(gè)長(zhǎng)度為43幀的語音序列，而縱坐標(biāo)對(duì)應(yīng)“1”這個(gè)字音的一次較長(zhǎng)的發(fā)音，該語音特征序列共有56幀。為了找到兩個(gè)序列的最佳匹配路徑，現(xiàn)把測(cè)試模式的各個(gè)幀號(hào)n=1～N(圖4中N=43)在一個(gè)二維直角坐標(biāo)系中的橫軸上標(biāo)出，把參考模式的各幀號(hào)m=1～M(圖4中M=56)在縱軸上標(biāo)出。

　　通過這些表示幀號(hào)的整數(shù)坐標(biāo)畫一些縱橫線即可形成一個(gè)網(wǎng)格，網(wǎng)格中何一個(gè)節(jié)點(diǎn)(n，m)表示測(cè)試模式中的某一幀和參考模式中的某一幀的交匯點(diǎn)。動(dòng)態(tài)時(shí)間規(guī)整算法可以歸結(jié)為尋找一條通過此網(wǎng)格中若干交叉點(diǎn)的路徑，路徑通過的交叉點(diǎn)即為參考模式和測(cè)試模式中進(jìn)行失真計(jì)算的幀號(hào)。路徑不是隨意選擇的，首先任何一種語音的發(fā)音快慢可能有變化，但是各部分的先后順序不可能改變，因此所選的路徑必定從左下角出發(fā)，在右上角結(jié)束。其次為了防止漫無目的的搜索，可以刪去那些向n軸方向或者m軸方向過分傾斜的路徑(例如，過分向n軸傾斜意味著R(m)壓縮很大而T(n)擴(kuò)張很大，而實(shí)際語音中這種壓、擴(kuò)總是有限的)。為了引入這個(gè)限制，可以對(duì)路徑中各通過點(diǎn)的路徑平均斜率的最大值和最小值予以限制。通常最大斜率定為2，最小平均斜率定為1／2。路徑的出發(fā)點(diǎn)可以選擇(n，m)=(1，1)點(diǎn)，也可以選擇(n，m)=(1，2)或(1，3)或(2，1)或(3，1)…點(diǎn)出發(fā)。前者稱為固定起點(diǎn)，后者稱為松弛起點(diǎn)。同樣，路徑可在(n，m)=(N，M)點(diǎn)結(jié)束，也可以在(n，m)=(N，M-1)或(N，M-2)或(N-1，M)或(N-2，M)…點(diǎn)結(jié)束。前者稱為固定終點(diǎn)，后者稱為松弛終點(diǎn)。

　　使用DTW算法為核心直接構(gòu)造識(shí)別系統(tǒng)十分簡(jiǎn)單，首先通過訓(xùn)練得到詞匯表中各參考語音的特征序列，直接將這些序列存儲(chǔ)為模板。在進(jìn)行識(shí)別時(shí)，將待識(shí)語音的特征序列依次與各參考語音特征序列進(jìn)行DTW匹配，最后得到的總失真度最小且小于識(shí)別閾值的就認(rèn)為是識(shí)別結(jié)果。該方法最顯著的優(yōu)點(diǎn)是識(shí)別率極高，大大超過目前多數(shù)的HMM語音識(shí)別系統(tǒng)和VQ語音識(shí)別系統(tǒng)。但其最明顯的缺點(diǎn)是由于需要對(duì)大量路徑及這些路徑中的所有節(jié)點(diǎn)進(jìn)行匹配計(jì)算，導(dǎo)致計(jì)算量極大，隨著詞匯量的增大其識(shí)別過程甚至將達(dá)到難以接受的程度，因此無法直接應(yīng)用于大、中詞匯量識(shí)別系統(tǒng)。

　　結(jié) 語

　　以本系統(tǒng)為基礎(chǔ)開發(fā)了一種語音撥號(hào)系統(tǒng)，經(jīng)過大量實(shí)驗(yàn)表明，該系統(tǒng)電路運(yùn)行穩(wěn)定，且識(shí)別率可以達(dá)到90％。系統(tǒng)成本低，稍加改進(jìn)就可把該語音識(shí)別模塊移植應(yīng)用到各種系統(tǒng)設(shè)備中。