聶曉飛，趙 禹，詹慶才

（1.北京交通大學(xué) 電子信息工程學(xué)院，北京 100044；2.北京電力公司密云供電公司 北京 101500；3.北京四方繼保自動(dòng)化股份有限公司 北京 100085）

語音識(shí)別的研究方向有3個(gè)：基于聲道模型和語音知識(shí)的方法、利用人工神經(jīng)網(wǎng)絡(luò)的方法以及模版匹配的方法。第1種方法需要系統(tǒng)能聽懂人類語言，并理解他的意思，對(duì)人工智能的依賴很大。第2個(gè)方法是完全模擬人類的大腦活動(dòng)，就像一個(gè)嬰兒一樣從頭學(xué)習(xí)某一種語言，因此需要極其龐大的數(shù)據(jù)庫來存儲(chǔ)數(shù)據(jù)。目前，這兩個(gè)方法基本還處于研究階段。

第3種模版匹配方法是目前應(yīng)用最廣的方法，它廣泛應(yīng)用于各種需要控制和身份識(shí)別的場(chǎng)合。這種方法第一步是進(jìn)行模板訓(xùn)練，通過訓(xùn)練得到模板庫。以后的工作就是將得到的信號(hào)按同樣的規(guī)則處理后所得數(shù)據(jù)與模板庫中的數(shù)據(jù)進(jìn)行匹配。算法的關(guān)鍵在于如何將語音信號(hào)處理成盡可能簡(jiǎn)單，但又不會(huì)失去特征的一組數(shù)據(jù)，以及判定這些數(shù)據(jù)是否符合匹配的標(biāo)準(zhǔn)。最后將與語音信號(hào)最相似的模板作為判定結(jié)果。如果相似度過小，則要求重新輸入語音信號(hào)。

1 系統(tǒng)框圖

可以看出整個(gè)系統(tǒng)實(shí)際上工作于兩種模式[1-3]，即訓(xùn)練模式和工作模式。訓(xùn)練模式中，不輸出結(jié)果，只需要將語音處理后得到的數(shù)據(jù)加入模板庫中。工作模式中，需要進(jìn)行截取語音信號(hào)，生成特征參量，模板匹配判斷，輸出判定結(jié)果4步操作[4]。具體的實(shí)現(xiàn)框圖如圖1所示。

圖1 系統(tǒng)流程Fig.1 System flow

在如上框圖中，t這個(gè)變量決定系統(tǒng)工作于哪一個(gè)模式，是很關(guān)鍵的一個(gè)變量。同時(shí)，它還作為數(shù)據(jù)文件的文件名。

2 語音識(shí)別流程

2.1 預(yù)處理

首先是對(duì)聲音信號(hào)的預(yù)處理。預(yù)處理第1步是采樣，按照8 kHz的采樣頻率進(jìn)行直接采集。根據(jù)奈奎斯特定理，這個(gè)采樣頻率可以保證聲音信號(hào)的無失真復(fù)原。第2步是對(duì)聲音信號(hào)幅值的一個(gè)削弱，因?yàn)槁曇粜盘?hào)由麥克輸入，聲音幅值會(huì)很大，造成不必要的干擾。第3步是加窗，加漢明窗，濾掉高頻成分，可以有效防止頻譜的混疊。由于用麥克輸入的聲音信號(hào)的信噪比都比較高，所以就不用考慮濾波這個(gè)環(huán)節(jié)了。預(yù)處理這個(gè)環(huán)節(jié)就是為了給后面的各個(gè)模塊提供品質(zhì)較好的語音信號(hào)數(shù)據(jù)。

2.2 聲音截取和分幀

接下來就是端點(diǎn)的檢測(cè)。語音信號(hào)經(jīng)過預(yù)處理后，要提取出字詞，就必須通過進(jìn)行端點(diǎn)檢測(cè)來去除前后兩端無聲區(qū)的影響，使得聲音信號(hào)盡可能不受人為輸入反應(yīng)時(shí)間的干擾。第一步是計(jì)算所有聲音信號(hào)幅值的平均值a，當(dāng)聲音的幅值達(dá)到平均值的（1/2）a，我們就認(rèn)為這個(gè)字開始了，當(dāng)聲音信號(hào)再次下降到平均值的（1/3）a，我們就認(rèn)為這個(gè)字結(jié)束了。在這里，幅值代替了功率的作用，（1/2）a 和（1/3）a 作為判斷的兩個(gè)閾值。因?yàn)檎f話的聲音的幅值肯定大于背景噪聲，所以這個(gè)方法在安靜環(huán)境下或者采用麥克風(fēng)輸入時(shí)效果還可以接受。如果環(huán)境質(zhì)量不高，還可以結(jié)合過零率[5]等參數(shù)來進(jìn)行端點(diǎn)檢測(cè)。偽代碼：

如果端點(diǎn)檢測(cè)成功，就說明有聲音輸入了，接下來需要做的就是特征參量的提取了。按照常識(shí)，一個(gè)字一般持續(xù)時(shí)間為0.25 s，以8 kHz的采樣率，可得到2 000個(gè)點(diǎn)，按2 048算。每幀有128個(gè)點(diǎn)，共分16幀。為了提高精度，將每幀和它的下一幀合起來作為一個(gè)256點(diǎn)的語音信號(hào)幀，每幀之間有互相的包含。這樣對(duì)整個(gè)信號(hào)的處理就變成對(duì)每幀信號(hào)的處理。

2.3 幀處理得到數(shù)據(jù)文件

幀處理的過程如下：

第1步，對(duì)語音信號(hào)每一幀的加窗語音Xn（m）做256點(diǎn)的DFT變換，得到頻域上的表達(dá)式，即功率譜。

第 2步，劃分臨界帶。在 0～fs/2（fs為采樣頻率）中確定 f1，f2，f3…作為臨界帶頻率的13個(gè)分割點(diǎn)。確定的方法是將i=1，2，3…代入（1）－0.53 中。由此可以求出 f1，f2，f3…并且，由f1與f2構(gòu)成第一臨界帶，f2與f3構(gòu)成第二臨界帶，以此類推。因此在0.1～4 kHz范圍內(nèi)需要安排12個(gè)臨界帶。

第3步，求臨界帶特征矢量。將每一個(gè)臨界帶中的功率譜累加，即可得到相應(yīng)的臨界帶特征矢量。從而，每幀都可以得到一個(gè)12維的臨界帶特征矢量。

也就是說，每一個(gè)語音信號(hào)都產(chǎn)生了16×12個(gè)特征參量。我就就是要通過比較這些特征參量來進(jìn)行語音的識(shí)別。至此，一幀語音信號(hào)的的特征矢量提取完畢。當(dāng)錄入一次語音信號(hào)后，首先將其分幀，每一幀語音信號(hào)進(jìn)行如上特征矢量提取，最終一段語音信號(hào)所有幀的特征矢量提取完畢之后共同組成這一段語音信號(hào)的特征矢量。

在實(shí)驗(yàn)中我們得到[0，177，5 303，296，918，298，186，56，82，259，42，9]是“4”這個(gè)音的第一幀的臨界帶特征矢量。偽代碼為：

2.4 模板的匹配判斷

比較語音參量我們用的是動(dòng)態(tài)時(shí)間規(guī)整 （Dynamic Time Warping，DTW）算法，DTW算法[6]能夠較好地解決用于孤立詞識(shí)別時(shí)說話速度不均勻的難題。測(cè)試的語音參數(shù)共有N幀矢量，而參考模板有M幀矢量，且M不等于N，則DTW就是尋找一個(gè)時(shí)間歸整函數(shù)，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，并使該函數(shù)滿足第n幀測(cè)試矢量和第m幀模板矢量之間的距離測(cè)度最小。

這個(gè)匹配過程實(shí)際上在尋找一條從點(diǎn) （1，1）到點(diǎn)（16，16）最短的路程，路徑程度就是每幀特征參量間的差值。偽代碼為：

DTW算法之所以有這種特性是因?yàn)閯?dòng)態(tài)規(guī)劃算法的基本特性：每個(gè)點(diǎn)的最優(yōu)解累積起來就是最優(yōu)解，不用再向前再考慮。由于聲音只可能是由于說話速度不均勻造成兩個(gè)模板相同幀之間標(biāo)號(hào)的不一樣，但二者肯定都是按順序來的。舉例來說，如果信號(hào)的第3幀與模板的第2幀匹配，那么與模板第3幀匹配的幀必然是信號(hào)的第4幀乃至第4幀以后的幀，不用再向前考慮。這和動(dòng)態(tài)規(guī)劃的精神是契合的。所以我們選擇DTW算法來進(jìn)行最后的模板匹配判斷。

3 實(shí)驗(yàn)結(jié)果

記錄了 30 次的測(cè)試結(jié)果如下表，3 個(gè)音 （“4”，“5”，“8”）各 10 次，模板 1，2，3 對(duì)應(yīng)聲音“4”，“5”，“8”。

表1 測(cè)試結(jié)果Tab.1 Test results

可以看出正確率還是很高的。除了一次5被認(rèn)成8以外都是正確的。當(dāng)然，這與聲音的選取也是有很大關(guān)系的。如果選取1，4，7這3個(gè)發(fā)音比較相近的音，正確率就不會(huì)有這么高。

4 結(jié)束語

總的來說，這種語音識(shí)別算法雖然是一種比較簡(jiǎn)單的方法，但也包括3一個(gè)完整的語音識(shí)別過程，可以通過改進(jìn)每一個(gè)流程采取的算法來提高整個(gè)系統(tǒng)的性能。筆者希望這篇文章能對(duì)語音識(shí)別的嵌入式系統(tǒng)開發(fā)的初學(xué)者提供一些借鑒。

[1]肖永江，張興嬌，文如泉.一種雷達(dá)目標(biāo)模擬器的DSP軟件設(shè)計(jì)[J].艦船電子工程，2011，31（4）:117-121.XIAO Yong-jiang， ZHANG Xing-jiao， WEN Ru-quan.DSP software design of a radar echo signal simulator[J].Ship Elctronic Engineering，2011，31（4）:117-121.

[2]何翔，劉大健.孤立詞語音識(shí)別系統(tǒng)的DSP實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2009，32（17）：118-123.HE Xiang，LIU Da-jian.Realization of isolated speech recognition based on DSP[J].Modern Electronic Technique，2009，32（17）:118-123.

[3]蘇明武.基于DSP的語音識(shí)別技術(shù)研究與實(shí)現(xiàn)[D].哈爾濱:哈爾濱工程大學(xué)，2005.

[4]梁俊，楊燕翔，王娟，等.基于DSP的語音識(shí)別計(jì)算器設(shè)計(jì)[J].電子設(shè)計(jì)工程，2010，18（5）:135-138.LIANG Jun， YANG Yan-xiang， WANG Juan， et al.Design of speech recognition calculators based on DSP[J].Electronic Design Engineering，2010，18（5）:135-138.

[5]胡鋼.一種語音端點(diǎn)檢測(cè)算法在DSP上的實(shí)現(xiàn)[J].鞍山師范學(xué)院學(xué)報(bào)，2009，11（6）:44-47.HU Gang.DSP implementation of speech recognition based on endpoint detection of speech[J].Journal of Anshan Normal University，2009，11（6）:44-47.

[6]呂濤，劉白芬，燕賢青.一種基于定點(diǎn)DSP的語音識(shí)別算法實(shí)現(xiàn)[J].華東交通大學(xué)學(xué)報(bào)，2008，25（6）:68-72.LV Tao，LIU Bai-fen，YAN Xian-qing.The realization of a fixed-point speech recognition algorithm based on DSP[J].Journal of East China Jiaotong University，2008，25 （6）:68-72.