ZLG深度解析語(yǔ)音識(shí)別技術(shù)

　　語(yǔ)音識(shí)別已成為人與機(jī)器通過(guò)自然語(yǔ)言交互重要方式之一，本文將從語(yǔ)音識(shí)別的原理以及語(yǔ)音識(shí)別算法的角度出發(fā)為大家介紹語(yǔ)音識(shí)別的方案及詳細(xì)設(shè)計(jì)過(guò)程。

　　語(yǔ)言作為人類(lèi)的一種基本交流方式，在數(shù)千年歷史中得到持續(xù)傳承。近年來(lái)，語(yǔ)音識(shí)別技術(shù)的不斷成熟，已廣泛應(yīng)用于我們的生活當(dāng)中。語(yǔ)音識(shí)別技術(shù)是如何讓機(jī)器“聽(tīng)懂”人類(lèi)語(yǔ)言?本文將為大家從語(yǔ)音前端處理、基于統(tǒng)計(jì)學(xué)語(yǔ)音識(shí)別和基于深度學(xué)習(xí)語(yǔ)音識(shí)別等方面闡述語(yǔ)音識(shí)別的原理。

　　隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，人們對(duì)機(jī)器的依賴(lài)已經(jīng)達(dá)到一個(gè)極高的程度。語(yǔ)音識(shí)別技術(shù)使得人與機(jī)器通過(guò)自然語(yǔ)言交互成為可能。最常見(jiàn)的情形是通過(guò)語(yǔ)音控制房間燈光、空調(diào)溫度和電視的相關(guān)操作等。并且，移動(dòng)互聯(lián)網(wǎng)、智能家居、汽車(chē)、醫(yī)療和教育等領(lǐng)域的應(yīng)用帶動(dòng)智能語(yǔ)音產(chǎn)業(yè)規(guī)模持續(xù)快速增長(zhǎng)， 2018年全球智能語(yǔ)音市場(chǎng)規(guī)模將達(dá)到141.1億美元。

　　目前，在全球智能語(yǔ)音市場(chǎng)占比情況中，各巨頭市場(chǎng)占有率由大到小依次為：Nuance、谷歌、蘋(píng)果、微軟和科大訊飛等。

　　語(yǔ)音識(shí)別的本質(zhì)就是將語(yǔ)音序列轉(zhuǎn)換為文本序列，其常用的系統(tǒng)框架如下：

　　接下來(lái)對(duì)語(yǔ)音識(shí)別相關(guān)技術(shù)進(jìn)行介紹，為了便于整體理解，首先，介紹語(yǔ)音前端信號(hào)處理的相關(guān)技術(shù)，然后，解釋語(yǔ)音識(shí)別基本原理，并展開(kāi)到聲學(xué)模型和語(yǔ)言模型的敘述，最后，展示我司當(dāng)前研發(fā)的離線語(yǔ)音識(shí)別demo。

　　1.前端信號(hào)處理

　　前端的信號(hào)處理是對(duì)原始語(yǔ)音信號(hào)進(jìn)行的相關(guān)處理，使得處理后的信號(hào)更能代表語(yǔ)音的本質(zhì)特征，相關(guān)技術(shù)點(diǎn)如下表所述：

　　1)語(yǔ)音活動(dòng)檢測(cè)

　　語(yǔ)音活動(dòng)檢測(cè)(Voice Activity Detection, VAD)用于檢測(cè)出語(yǔ)音信號(hào)的起始位置，分離出語(yǔ)音段和非語(yǔ)音(靜音或噪聲)段。VAD算法大致分為三類(lèi)：基于閾值的VAD、基于分類(lèi)器的VAD和基于模型的VAD。

　　基于閾值的VAD是通過(guò)提取時(shí)域(短時(shí)能量、短時(shí)過(guò)零率等)或頻域(MFCC、譜熵等)特征，通過(guò)合理的設(shè)置門(mén)限，達(dá)到區(qū)分語(yǔ)音和非語(yǔ)音的目的。

　　基于分類(lèi)的VAD是將語(yǔ)音活動(dòng)檢測(cè)作為(語(yǔ)音和非語(yǔ)音)二分類(lèi)，可以通過(guò)機(jī)器學(xué)習(xí)的方法訓(xùn)練分類(lèi)器，達(dá)到語(yǔ)音活動(dòng)檢測(cè)的目的。

　　基于模型的VAD是構(gòu)建一套完整的語(yǔ)音識(shí)別模型用于區(qū)分語(yǔ)音段和非語(yǔ)音段，考慮到實(shí)時(shí)性的要求，并未得到實(shí)際的應(yīng)用。

　　2)降噪

　　在生活環(huán)境中通常會(huì)存在例如空調(diào)、風(fēng)扇等各種噪聲，降噪算法目的在于降低環(huán)境中存在的噪聲，提高信噪比，進(jìn)一步提升識(shí)別效果。

　　常用降噪算法包括自適應(yīng)LMS和維納濾波等。

　　3)回聲消除

　　回聲存在于雙工模式時(shí)，麥克風(fēng)收集到揚(yáng)聲器的信號(hào)，比如在設(shè)備播放音樂(lè)時(shí)，需要用語(yǔ)音控制該設(shè)備的場(chǎng)景。

　　回聲消除通常使用自適應(yīng)濾波器實(shí)現(xiàn)的，即設(shè)計(jì)一個(gè)參數(shù)可調(diào)的濾波器，通過(guò)自適應(yīng)算法(LMS、NLMS等)調(diào)整濾波器參數(shù)，模擬回聲產(chǎn)生的信道環(huán)境，進(jìn)而估計(jì)回聲信號(hào)進(jìn)行消除。

　　4)混響消除

　　語(yǔ)音信號(hào)在室內(nèi)經(jīng)過(guò)多次反射之后，被麥克風(fēng)采集，得到的混響信號(hào)容易產(chǎn)生掩蔽效應(yīng)，會(huì)導(dǎo)致識(shí)別率急劇惡化，需要在前端處理。

　　混響消除方法主要包括：基于逆濾波方法、基于波束形成方法和基于深度學(xué)習(xí)方法等。

　　5)聲源定位

　　麥克風(fēng)陣列已經(jīng)廣泛應(yīng)用于語(yǔ)音識(shí)別領(lǐng)域，聲源定位是陣列信號(hào)處理的主要任務(wù)之一，使用麥克風(fēng)陣列確定說(shuō)話(huà)人位置，為識(shí)別階段的波束形成處理做準(zhǔn)備。

　　聲源定位常用算法包括：基于高分辨率譜估計(jì)算法(如MUSIC算法)，基于聲達(dá)時(shí)間差(TDOA)算法，基于波束形成的最小方差無(wú)失真響應(yīng)(MVDR)算法等。

　　6)波束形成

　　波束形成是指將一定幾何結(jié)構(gòu)排列的麥克風(fēng)陣列的各個(gè)麥克風(fēng)輸出信號(hào)，經(jīng)過(guò)處理(如加權(quán)、時(shí)延、求和等)形成空間指向性的方法，可用于聲源定位和混響消除等。

　　波束形成主要分為：固定波束形成、自適應(yīng)波束形成和后置濾波波束形成等。

　　2.語(yǔ)音識(shí)別的基本原理

　　已知一段語(yǔ)音信號(hào)，處理成聲學(xué)特征向量之后表示為，其中表示一幀數(shù)據(jù)的特征向量，將可能的文本序列表示為，其中表示一個(gè)詞。語(yǔ)音識(shí)別的基本出發(fā)點(diǎn)就是求，即求出使最大化的w文本序列。將通過(guò)貝葉斯公式表示為：

　　其中，稱(chēng)之為聲學(xué)模型，稱(chēng)之為語(yǔ)言模型。大多數(shù)的研究將聲學(xué)模型和語(yǔ)言模型分開(kāi)處理，并且，不同廠家的語(yǔ)音識(shí)別系統(tǒng)主要體現(xiàn)在聲學(xué)模型的差異性上面。此外，基于大數(shù)據(jù)和深度學(xué)習(xí)的端到端(End-to-End)方法也在不斷發(fā)展，它直接計(jì)算，即將聲學(xué)模型和語(yǔ)言模型作為整體處理。本文主要對(duì)前者進(jìn)行介紹。

　　3.聲學(xué)模型

　　聲學(xué)模型是將語(yǔ)音信號(hào)的觀測(cè)特征與句子的語(yǔ)音建模單元聯(lián)系起來(lái)，即計(jì)算。我們通常使用隱馬爾科夫模型(Hidden Markov Model，HMM)解決語(yǔ)音與文本的不定長(zhǎng)關(guān)系，比如下圖的隱馬爾科夫模型中，

　　將聲學(xué)模型表示為

　　其中，初始狀態(tài)概率和狀態(tài)轉(zhuǎn)移概率(、)可用通過(guò)常規(guī)統(tǒng)計(jì)的方法計(jì)算得出，發(fā)射概率(

、、)可以通過(guò)混合高斯模型GMM或深度神經(jīng)網(wǎng)絡(luò)DNN求解。

　　傳統(tǒng)的語(yǔ)音識(shí)別系統(tǒng)普遍采用基于GMM-HMM的聲學(xué)模型，示意圖如下：

　　其中，表示狀態(tài)轉(zhuǎn)移概率，語(yǔ)音特征表示，通過(guò)混合高斯模型GMM建立特征與狀態(tài)之間的聯(lián)系，從而得到發(fā)射概率，并且，不同的狀態(tài)對(duì)應(yīng)的混合高斯模型參數(shù)不同。

　　基于GMM-HMM的語(yǔ)音識(shí)別只能學(xué)習(xí)到語(yǔ)音的淺層特征，不能獲取到數(shù)據(jù)特征間的高階相關(guān)性，DNN-HMM利用DNN較強(qiáng)的學(xué)習(xí)能力，能夠提升識(shí)別性能，其聲學(xué)模型示意圖如下：

　　GMM-HMM和DNN-HMM的區(qū)別在于用DNN替換GMM來(lái)求解發(fā)射概率

，GMM- HMM模型優(yōu)勢(shì)在于計(jì)算量較小且效果不俗。DNN-HMM模型提升了識(shí)別率，但對(duì)于硬件的計(jì)算能力要求較高。因此，模型的選擇可以結(jié)合實(shí)際的應(yīng)用調(diào)整。

　　4.語(yǔ)言模型

　　語(yǔ)言模型與文本處理相關(guān)，比如我們使用的智能輸入法，當(dāng)我們輸入“nihao”，輸入法候選詞會(huì)出現(xiàn)“你好”而不是“尼毫”，候選詞的排列參照語(yǔ)言模型得分的高低順序。

　　語(yǔ)音識(shí)別中的語(yǔ)言模型也用于處理文字序列，它是結(jié)合聲學(xué)模型的輸出，給出概率最大的文字序列作為語(yǔ)音識(shí)別結(jié)果。由于語(yǔ)言模型是表示某一文字序列發(fā)生的概率，一般采用鏈?zhǔn)椒▌t表示，如w是由組成，則可由條件概率相關(guān)公式表示為：

　　由于條件太長(zhǎng)，使得概率的估計(jì)變得困難，常見(jiàn)的做法是認(rèn)為每個(gè)詞的概率分布只依賴(lài)于前幾個(gè)出現(xiàn)的詞語(yǔ)，這樣的語(yǔ)言模型成為n-gram模型。在n-gram模型中，每個(gè)詞的概率分布只依賴(lài)于前面n-1個(gè)詞。例如在trigram(n取值為3)模型，可將上式化簡(jiǎn)：

　　5.語(yǔ)音識(shí)別效果展示

　　基于PC的語(yǔ)音識(shí)別展示demo如下視頻所示：

　　此處插入視頻zal_asr_demo_video.mp4

　　視頻包括使用“小致同學(xué)”喚醒設(shè)備，設(shè)備喚醒之后有12秒時(shí)間進(jìn)行語(yǔ)音識(shí)別控制，空閑時(shí)間超過(guò)了12秒將再次休眠。

　　我們的語(yǔ)音識(shí)別算法已經(jīng)部分移植到了基于AWorks的cortex-m7系列M1052-M16F12 8AWI -T平臺(tái)。語(yǔ)音識(shí)別的聲學(xué)模型和語(yǔ)言模型是我司訓(xùn)練的用于測(cè)試智能家居控制的相關(guān)模型demo，在支持65個(gè)常用命令詞的離線識(shí)別測(cè)試中(數(shù)量越大識(shí)別所需時(shí)間越長(zhǎng))，使用讀取本地音頻文件的方式進(jìn)行語(yǔ)音識(shí)別“打開(kāi)空調(diào)”所需時(shí)間0.46s左右。下面是在M1052-M16F128AWI- T的實(shí)測(cè)效果：

　　最后附上M1052-M16F128AWI-T產(chǎn)品圖片：

　　6.關(guān)于算法庫(kù)獲取

　　目前語(yǔ)音識(shí)別系統(tǒng)處于研發(fā)階段，廣大客戶(hù)可將自身需求反饋給廣州立功科技股份有限公司與立功科技·致遠(yuǎn)電子相關(guān)市場(chǎng)人員，我們會(huì)以最快速度研發(fā)客戶(hù)需要的產(chǎn)品。