摘 要:通過(guò)對(duì)特征提取模塊2個(gè)重要部分:端點(diǎn)檢測(cè)和線性預(yù)測(cè)倒譜(LPCC)相關(guān)原理的介紹分析，闡述了一種以線性預(yù)測(cè)倒譜(LPCC)為基礎(chǔ)，進(jìn)行特征提取的孤立詞語(yǔ)音識(shí)別的具體實(shí)現(xiàn)方法，并對(duì)該方法所描述的系統(tǒng)進(jìn)行了軟件建模。通過(guò)分析研究，給出了提高識(shí)別率的具體改進(jìn)方案。最后使用Matlab軟件對(duì)相關(guān)方法及結(jié)論進(jìn)行了驗(yàn)證，表明該方法確實(shí)在傳統(tǒng)方法的基礎(chǔ)上提高了識(shí)別率，且速度較快，具有實(shí)用性和良好的硬件可移植性，并討論了它在一些關(guān)鍵環(huán)節(jié)的未來(lái)實(shí)現(xiàn)及改進(jìn)方向。關(guān)鍵詞:語(yǔ)音識(shí)別; 特征提取; LPCC; Matlab

中圖分類(lèi)號(hào):TN912.3-34文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2010)16-0109-04

Realization and Improvement of Isolated Word Phonetic Recognition

LIU Li-yuan， YAN Jia-ming

(School of Electronic Information， Northwestern Polytechnical University， Xi’an 710129， China)

Abstract: An implementation method of the isolated word speech recognition with feature extraction based on the linear prediction cepstrum (LPCC) is elaborated by the analysis of the relevant principles of two important parts (the endpoint detection and LPCC) of the feature extraction module. The software modeling of the system which is described by the method is carried out. A specific improvement program to improve the recognition rate is given through the analysis. carried on the confirmation for the relevant method and conclusion are demonstrated with Matlab software. The demonstration shows that the method can raise the recognition rate indeed based on the traditional method， and has the characteristics of high-speed recognition， good practicability and hardware portability. The direction of the future implementation and improvement in some key links is discussed for the method.Keywords: phonetic recognization; feature extraction; LPCC; Matlab

收稿日期:2010-03-30

語(yǔ)音識(shí)別是機(jī)器通過(guò)識(shí)別和理解過(guò)程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本文件或命令的技術(shù)，而特征提取階段是其至關(guān)重要的一步。特征參數(shù)值選取的適當(dāng)與否，提取時(shí)篩選的合適與否，直接影響識(shí)別正確率的高低。此階段主要包括2個(gè)方面:端點(diǎn)檢測(cè)和特征參數(shù)提取。

1 端點(diǎn)檢測(cè)

在語(yǔ)音識(shí)別系統(tǒng)中，語(yǔ)音信號(hào)是由語(yǔ)音、靜音和背景噪音混合而成的，在其中提取語(yǔ)音，準(zhǔn)確地確定語(yǔ)音的起始點(diǎn)被稱(chēng)之為端點(diǎn)檢測(cè)。端點(diǎn)檢測(cè)的作用有以下幾個(gè)方面[1]:檢測(cè)每幀信號(hào)是語(yǔ)音，還是背景噪聲;減少識(shí)別器的數(shù)據(jù)處理量;許多噪聲中的語(yǔ)音識(shí)別算法需要估計(jì)噪聲的頻譜特性。

當(dāng)前方法中實(shí)用且普遍的應(yīng)屬雙門(mén)限檢測(cè)。雙門(mén)限端點(diǎn)檢測(cè)法是在短時(shí)能量檢測(cè)方法的基礎(chǔ)上，加上短時(shí)平均過(guò)零率，利用兩者作為特征來(lái)進(jìn)行檢測(cè)。首先為短時(shí)能量和過(guò)零率分別確定2個(gè)門(mén)限:一個(gè)是較低的門(mén)限，數(shù)值較小，對(duì)信號(hào)的變化比較敏感，很容易超過(guò);另一個(gè)是比較高的門(mén)限，數(shù)值較大。低門(mén)限被超過(guò)未必是語(yǔ)音的開(kāi)始，有可能是很短的噪聲引起的，高門(mén)限被超過(guò)，并且接下來(lái)的時(shí)間段內(nèi)語(yǔ)音超過(guò)低門(mén)限，意味著信號(hào)開(kāi)始[2-3]。

本文所采用的方法是該方法的簡(jiǎn)易化，先算出背景噪聲能量與過(guò)零率的統(tǒng)計(jì)特性，確定能量高低門(mén)限、短時(shí)過(guò)零率門(mén)限，分別利用能量門(mén)限和過(guò)零率門(mén)限來(lái)提取出語(yǔ)音信息段，然后將兩者所篩選出的語(yǔ)段整合作為選擇出的語(yǔ)音段。該方法雖然簡(jiǎn)單，但對(duì)于基于本實(shí)驗(yàn)中較高信噪比的前提假設(shè)，仍能達(dá)到滿(mǎn)意效果。

2 特征參數(shù)提取算法

當(dāng)前，最常用的2種特征參數(shù)是線性預(yù)測(cè)倒譜系數(shù)(LPCC)和Mel倒譜系數(shù)(MFCC)。研究結(jié)果表明，這2種方法對(duì)語(yǔ)音識(shí)別的性能而有所提高[4]。其中，最常用的方法之一是線性預(yù)測(cè)分析(LPC)法，這是因?yàn)樗行У亟鉀Q了短時(shí)平穩(wěn)信號(hào)的模型化問(wèn)題[5]，可把語(yǔ)音信號(hào)看成是由全極點(diǎn)模型產(chǎn)生的;能很好地逼近共振峰，提供譜估計(jì);提供的語(yǔ)音信號(hào)模型參數(shù)簡(jiǎn)潔而準(zhǔn)確，計(jì)算量較小，便于實(shí)時(shí)處理;可用于低頻率傳輸?shù)沫h(huán)境。

2.1 線性預(yù)測(cè)分析原理[6-7]

線性預(yù)測(cè)分析的基本模型是建立在語(yǔ)音產(chǎn)生的數(shù)字模型基礎(chǔ)之上的。其基本原理在此不再贅述。最終在最小均方誤差意義上計(jì)算一組最佳預(yù)測(cè)系數(shù)，定義短時(shí)預(yù)測(cè)均方誤差為:

En=∑ne2(n)=∑n[S(n)-∑Pi=1aiS(n-i)]2(1)

經(jīng)過(guò)一系列數(shù)學(xué)推導(dǎo)可得:

∑pi=1aiφ(k，i)=φ(k，0)，k=1，2，…，p(2)

求解式(2)就可得到線性預(yù)測(cè)系數(shù)估值1，2，…，p及最小預(yù)測(cè)均方誤差n。

2.2 線性預(yù)測(cè)分析的求解方法

欲解式(2)，首先必須計(jì)算φ(k，i)。其中φ(k，i)定義為φ(k，i)=∑nx(n-k)x(n-i)，這是一個(gè)模糊的定義，式中n的求和范圍沒(méi)有具體化。因此，當(dāng)采用不同計(jì)算方法時(shí)，會(huì)存在不同的解法。最經(jīng)典的2種解法為:自相關(guān)法和協(xié)方差法。在這2種方法中，其方程組系數(shù)矩陣[φ(k，i)]都具有特殊的性質(zhì)，可用高效的方法來(lái)計(jì)算方程組的解。

本文采用自相關(guān)法[6-7]:定義n的求和范圍是一種較直接的方法，認(rèn)為語(yǔ)音段外的數(shù)據(jù)為零，只計(jì)算范圍n以?xún)?nèi)(0≤ n ≤N)的語(yǔ)音數(shù)據(jù)，這相當(dāng)于將語(yǔ)音加窗后再進(jìn)行處理。此時(shí)，φ(k，i)可表示為:

φ(k，i)=∑N-1+pn=0xω(n-k)xω(n-i)(3)

式中:k=1，2，…，p;i=0，1，2，…，p;xω (n)為加窗后的語(yǔ)音數(shù)據(jù)。由于假定窗外的語(yǔ)音數(shù)據(jù)為零，顯然存在著誤差。加窗后的自相關(guān)函數(shù)可以表示為:

Rn(k)=∑n+N-k-1n=0xω(m)xω(m+k)(4)

式中:Rn(k)為短時(shí)自相關(guān)函數(shù)，且Rn(k-i)僅與(k，i)的相對(duì)值有關(guān)。因此，φ(k，i)可表示為:

φ(k，i)=Rn(k-i)=Rn(|k-i|)(5)

于是式(2)轉(zhuǎn)化為自相關(guān)方程組，將其轉(zhuǎn)換成矩陣形式:

Rn(0)Rn(1)…Rn(p-1)

Rn(1)Rn(0)…Rn(p-2)

Rn(2)Rn(1)…Rn(p-3)

 

Rn(p-1)Rn(p-2)…Rn(0)1

2

3



p=Rn(1)

Rn(2)

Rn(3)



Rn(p)(6)

式(6)為Yule-walker方程，其系數(shù)矩陣被稱(chēng)為托布里茲(toeplitz)矩陣。對(duì)于這種方程組可用特殊的遞推算法來(lái)求解。其指導(dǎo)思想為:第i階方程組的解可以用第i-1階方程組的解來(lái)表示;第i-1階方程組的解又可以用第i-2階方程組的解來(lái)表示，依此類(lèi)推。因此只要解出一階方程的解，就可以通過(guò)逐步遞推來(lái)解出任意方程組的解。

2.3 LPCC線性預(yù)測(cè)倒譜分析

LPCC參數(shù)是線性預(yù)測(cè)系數(shù)在倒譜域中的表示。標(biāo)準(zhǔn)的倒譜系數(shù)計(jì)算流程運(yùn)算比較復(fù)雜。在實(shí)際計(jì)算中，基于LPC分析的倒譜，在獲得線性預(yù)測(cè)系數(shù)后，可以利用預(yù)測(cè)系數(shù)an及其復(fù)倒譜系數(shù)C(n)的遞推關(guān)系來(lái)簡(jiǎn)化計(jì)算，或由LPC得到[7]:

CLPCC(n)=CLPC(n)+∑n-1k=1n-knCLPCC(n-k)CLPC(k)(7)

式中:C(n)為倒譜系數(shù);an為預(yù)測(cè)系數(shù);n為倒譜系數(shù)階數(shù)(n為l～p);p為預(yù)測(cè)系數(shù)的階數(shù)。

2.4 改進(jìn)方案

2.4.1 提高階次

由分析可知，對(duì)語(yǔ)音信號(hào)進(jìn)行線性預(yù)測(cè)分析的基本思想是:一個(gè)語(yǔ)音的采樣能夠用過(guò)去若干個(gè)語(yǔ)音采樣的線性組合來(lái)逼近。為使模型能夠很好地符合語(yǔ)音產(chǎn)生的模型，需要考慮如下2個(gè)因素:模型階數(shù)p的選擇。階數(shù)p應(yīng)與共振峰的個(gè)數(shù)相吻合，通常一對(duì)極點(diǎn)對(duì)應(yīng)一個(gè)共振峰。因此當(dāng)共振峰數(shù)為5時(shí)，應(yīng)取10。此外，當(dāng)語(yǔ)音為鼻音和摩擦音時(shí)，聲道傳遞函數(shù)并不符合全極點(diǎn)模型的假定，而是一個(gè)既有極點(diǎn)又有零點(diǎn)的模型。但由于可以用多個(gè)極點(diǎn)來(lái)近似一個(gè)零點(diǎn)，所以仍然可以采用全極點(diǎn)模型的假定，但要求有足夠高的階數(shù)。通過(guò)預(yù)加重對(duì)高頻部分的提升。

2.4.2 還原解法自身相關(guān)性

由分析知，對(duì)LPC使用自相關(guān)法，不僅計(jì)算方便簡(jiǎn)單，容易實(shí)現(xiàn)，而且能滿(mǎn)足求解方程組的要求。但是從解法自身不難發(fā)現(xiàn)，由于其需要加窗截取才能進(jìn)行計(jì)算，而分幀這一操作又破壞了其本身所依賴(lài)的相關(guān)性，所以經(jīng)仿真證明，其效果并不理想，而且受噪音的影響較大。經(jīng)過(guò)反復(fù)試驗(yàn)證明，在實(shí)際應(yīng)用中，當(dāng)N和p相當(dāng)接近時(shí)，自相關(guān)法的誤差較大。所以人為地使N>>p，這時(shí)自相關(guān)法不但可以克服其誤差大的缺點(diǎn)，得到較好的識(shí)別率，而且具有高效遞推算法的優(yōu)勢(shì)也非常明顯了。

所以在傳統(tǒng)的LPCC識(shí)別方法上，可以進(jìn)行如下改進(jìn):一般傳統(tǒng)的LPCC方法經(jīng)過(guò)最初的分幀，斷點(diǎn)檢測(cè)等一系列操作直接進(jìn)行特征提取，而在本文仿真中雖在端點(diǎn)檢測(cè)之前對(duì)原始的語(yǔ)音信號(hào)進(jìn)行了分幀加窗的處理，但此處理僅僅是為了提高端點(diǎn)檢測(cè)和整體語(yǔ)音識(shí)別的正確率所加的處理過(guò)程。當(dāng)進(jìn)行LPCC特征參數(shù)提取時(shí)，本文將經(jīng)過(guò)端點(diǎn)檢測(cè)后確定的語(yǔ)音段的各幀還原為原始的連續(xù)語(yǔ)音序列向量后，再進(jìn)行特征提取。這樣大大提高了識(shí)別的正確率。

3 軟件建模結(jié)果及分析

本文討論的是孤立詞、小詞匯量識(shí)別。按照識(shí)別原理模型，設(shè)計(jì)的整體結(jié)構(gòu)框架如圖1所示。

圖1 語(yǔ)音識(shí)別總體結(jié)構(gòu)框架設(shè)計(jì)圖

在試驗(yàn)中，在建立模板庫(kù)時(shí)，選取了8條英語(yǔ)語(yǔ)句，進(jìn)行模板訓(xùn)練。本文基于Matlab R2007a的環(huán)境，下面對(duì)仿真主要模塊及代碼進(jìn)行簡(jiǎn)介:

(1) 語(yǔ)音輸入與輸出實(shí)現(xiàn)。在此采用軟件編寫(xiě)函數(shù)直接輸入的方式，其實(shí)現(xiàn)代碼如下[8]:

y = wavrecord(n*fs， fs， type);%錄語(yǔ)音

wavplay(y);%播放指令

其中:n為錄音時(shí)間長(zhǎng)度;fs為設(shè)定的采樣頻率;type為所指定的采樣精度。

(2) 語(yǔ)音段檢測(cè)。語(yǔ)音段檢測(cè)在本文實(shí)驗(yàn)中包括2部分:一是對(duì)輸入的語(yǔ)音采樣序列進(jìn)行分幀加窗，進(jìn)行初步的分割便于以后處理操作;二是對(duì)分幀處理后的語(yǔ)音序列進(jìn)行端點(diǎn)檢測(cè)，截取出有效語(yǔ)音段，為減少計(jì)算量，提高識(shí)別率服務(wù)。

① 語(yǔ)音的分幀、加窗處理。在Matlab環(huán)境下對(duì)信號(hào)進(jìn)行分幀處理，可以使用voice box工具箱中的enframe函數(shù):

y=enframe(x，F(xiàn)rameLen，F(xiàn)ramelnc)

其中:x為原始信號(hào);FrameLen為指定幀長(zhǎng);Framelnc為指定幀移;y為分幀后形成的二維數(shù)組。本文使用哈明窗，窗寬設(shè)定為256，幀移設(shè)定為80。

② 端點(diǎn)檢測(cè)。采用雙門(mén)限算法，在開(kāi)始進(jìn)行端點(diǎn)檢測(cè)之前。其中，門(mén)限的確定是通過(guò)對(duì)相應(yīng)環(huán)境下的無(wú)語(yǔ)音噪聲進(jìn)行與語(yǔ)音段相同的采集處理，計(jì)算其每幀的能量與過(guò)零率，根據(jù)經(jīng)驗(yàn)公式[9]，計(jì)算出高門(mén)限Hig，低門(mén)限Low和過(guò)零率門(mén)限ZT。其相關(guān)實(shí)現(xiàn)代碼如下:

i1=min (0.03*(max (b)-min (b)) +c， 4*c);

i2=5*i1;Low=i1;Hig=i2;

整合滿(mǎn)足2種門(mén)限的語(yǔ)音采樣序列，從而實(shí)現(xiàn)門(mén)限檢測(cè)功能。對(duì)語(yǔ)音樣本進(jìn)行端點(diǎn)檢測(cè)后的仿真圖像如圖2所示。圖2(a)是原始信號(hào)波形圖，圖2(b)，(c)分別為篩選后的各幀短時(shí)能量和短時(shí)過(guò)零率圖。這便排除掉那些不必要的語(yǔ)音段，減少運(yùn)算量，使識(shí)別更加準(zhǔn)確、可靠，也縮短了運(yùn)行時(shí)間。

圖2 語(yǔ)音樣本端點(diǎn)檢測(cè)圖

③ 特征參數(shù)提取?；贚PCC方法對(duì)所提及的3種方式分別進(jìn)行了仿真對(duì)比:

傳統(tǒng)方式 直接進(jìn)行特征提取及以后操作。

提高階次 分別將p值設(shè)定為8，10，12，14進(jìn)行對(duì)比。

還原方法 雖在端點(diǎn)檢測(cè)之前對(duì)原始的語(yǔ)音信號(hào)進(jìn)行了分幀加窗處理，當(dāng)進(jìn)行LPCC特征參數(shù)提取時(shí)，將經(jīng)過(guò)端點(diǎn)檢測(cè)后確定的語(yǔ)音段的各幀還原為原始的連續(xù)語(yǔ)音序列向量后，再按照前文所述特征提取算法進(jìn)行特征提取。

3種方式均可根據(jù)式(7)計(jì)算LPCC系數(shù)。

④ 模式匹配及模板訓(xùn)練。采用DTW算法的模式匹配過(guò)程。DTW是孤立詞識(shí)別系統(tǒng)的主流識(shí)別方法。從目前來(lái)看基于動(dòng)態(tài)時(shí)間歸整匹配的DTW算法，可能是一個(gè)最為小巧的語(yǔ)音識(shí)別算法，系統(tǒng)開(kāi)銷(xiāo)小，識(shí)別速度快，在小詞匯量的語(yǔ)音命令控制系統(tǒng)中是一個(gè)非常有效的算法[10]。

對(duì)每一幀語(yǔ)音信號(hào)提取LPCC特征參數(shù)以后，便得到一組LPCC特征向量。語(yǔ)音識(shí)別是將測(cè)試語(yǔ)音的特征向量同模板庫(kù)中的語(yǔ)音特征向量進(jìn)行模式匹配，尋找最短距離模式作為識(shí)別結(jié)果。設(shè)測(cè)試語(yǔ)音特征矢量序列為T={t1，t2，…，tN}，參考模板特征矢量序列為R={r1，r2，…，rM}。它們之間的相似度用它們之間的距離D[T，R]來(lái)度量，距離越小，相似度越高。DTW就是要尋找一個(gè)時(shí)間規(guī)整函數(shù)m=W(n)，它將測(cè)試矢量的時(shí)間軸n非線性地映射到模板的時(shí)間軸m上，使w滿(mǎn)足[11]:

D=minw(n)∑Ln=1d{Q(n)，M[w(n)]} (8)

⑤ 結(jié)果對(duì)比如下:

提高階次 LPC階數(shù)對(duì)識(shí)別率的影響見(jiàn)表1。可見(jiàn)，當(dāng)階次到達(dá)一定值時(shí)，提高階次，不但識(shí)別率提高不明顯，而且可影響識(shí)別率，如表1所示。

表1 不同階次的識(shí)別率比較

p階數(shù)識(shí)別率/%p階數(shù)識(shí)別率/%

8階84.212階90.9

10階92.114階80.6

還原法 經(jīng)過(guò)反復(fù)試驗(yàn)總結(jié)驗(yàn)證，傳統(tǒng)檢測(cè)方式的識(shí)別率為70.6%，而本設(shè)計(jì)的語(yǔ)音識(shí)別程序其識(shí)別率能到達(dá)92.1%左右，且速度較快。這表明當(dāng)N和p相當(dāng)接近時(shí)，人為地使N>>p，這時(shí)自相關(guān)法不但克服其誤差大的缺點(diǎn)，得到較好的識(shí)別率，而且其高效遞推算法的優(yōu)勢(shì)就非常明顯了。

4 結(jié) 語(yǔ)

依據(jù)小碼本孤立詞的語(yǔ)音識(shí)別系統(tǒng)模型完成了對(duì)LPCC 算法的基本原理仿真驗(yàn)證，并對(duì)傳統(tǒng)方法給予了改進(jìn)討論，驗(yàn)證其有效性，同時(shí)為應(yīng)用系統(tǒng)的硬件實(shí)現(xiàn)提供了一定的參考價(jià)值。

在設(shè)計(jì)中，隨著對(duì)數(shù)字信號(hào)處理及語(yǔ)音音頻處理技術(shù)等方面的深入研究不難發(fā)現(xiàn)，語(yǔ)音識(shí)別的實(shí)現(xiàn)有許多選擇可作為以后的改進(jìn):一是端點(diǎn)檢測(cè)方面，除本文選擇的方法外，還有一些新的方法也能取得較好的識(shí)別效果，如:語(yǔ)音的短時(shí)能頻值;二是特征參數(shù)提取方法還有一種比較成熟的算法，如MFCC算法;三是匹配算法，時(shí)下比較流行的匹配算法還有隱馬爾可夫模型(HMM)和人工神經(jīng)網(wǎng)絡(luò)(ANN);四是應(yīng)用方面隨著數(shù)字信號(hào)處理技術(shù)、嵌入式技術(shù)、集成電路的迅速發(fā)展，將語(yǔ)音識(shí)別技術(shù)應(yīng)用到硬件上是必然趨勢(shì)，也是推動(dòng)語(yǔ)音識(shí)別技術(shù)全面走進(jìn)人類(lèi)生活的基礎(chǔ)。將語(yǔ)音識(shí)別更為高效地與硬件結(jié)合，將是長(zhǎng)期發(fā)展的方向。

參考文獻(xiàn)

[1]王志強(qiáng).孤立詞語(yǔ)音識(shí)別系統(tǒng)關(guān)鍵問(wèn)題的研究[D].北京:北京郵電大學(xué)，2006.

[2]GERVEN S， XIE FEI. A comparative study of speech detection method[C]. EUROSPEECH， Greece， 1997:1015-1020.

[3]夏敏磊.語(yǔ)音端點(diǎn)技術(shù)研究[D].江蘇:浙江大學(xué)，2005.

[4]GU H，TSENG C，LEE L. Isolated-utterance speech recognition using hidden markov models with bounded states durations[J]. IEEE Transaction onSP，l991，39(8):1743-1752.

[5]肖江南.漢語(yǔ)孤立詞識(shí)別系統(tǒng)開(kāi)發(fā)與研究[D].桂林:廣西師范大學(xué)，2004.

[6]易出克，田斌，付強(qiáng).語(yǔ)音信號(hào)處理[M].北京:國(guó)防工業(yè)出版社，2003.

[7]韓紀(jì)慶，張磊，鄭鐵然.語(yǔ)音信號(hào)處理[M].北京:清華大學(xué)出版社，2004.

[8]韓利竹，王華.Matlab 電子仿真與應(yīng)用[M].北京:國(guó)防工業(yè)出版社，2007.

[9]胡光銳.語(yǔ)音處理與識(shí)別[M].上海:上?？茖W(xué)技術(shù)文獻(xiàn)出版社，1994.

[10]SILVERMAN H F， PMORGAN D. The application of dynamic programming to connected speech recognition[J]. IEEE Assp Mag.， 1990，17(7): 6-25.

[11]趙力.語(yǔ)音信號(hào)處理[M].北京:機(jī)械工業(yè)出版社，2009.