無錫機(jī)電高等職業(yè)技術(shù)學(xué)校自動化工程系 郭 昕

1.引言

語音識別的研究工作始于20世紀(jì)50年代，1952年Bell實驗室開發(fā)的Audry系統(tǒng)是第一個可以識別10個英文數(shù)字的語音識別系統(tǒng)。隱馬爾可夫模型是20世紀(jì)70年代引入語音識別理論的，它的出現(xiàn)使得自然語音識別系統(tǒng)取得了實質(zhì)性的突破。目前大多數(shù)連續(xù)語音的非特定人語音識別系統(tǒng)都是基于HMM模型的。[1]

一般來說，語音識別的方法有三種：基于聲道模型和語音知識的方法、模板匹配的方法以及利用人工神經(jīng)網(wǎng)絡(luò)的方法。語音識別一個根本的問題是合理的選用特征。特征參數(shù)提取的目的是對語音信號進(jìn)行分析處理，去掉與語音識別無關(guān)的冗余信息，獲得影響語音識別的重要信息，同時對語音信號進(jìn)行壓縮。非特定人語音識別系統(tǒng)一般側(cè)重提取反映語義的特征參數(shù)，盡量去除說話人的個人信息；而特定人語音識別系統(tǒng)則希望在提取反映語義的特征參數(shù)的同時，盡量也包含說話人的個人信息。

而隨著時頻技術(shù)的研究發(fā)展，使人們在進(jìn)行信號處理時，可以將語音信號分解在一組完備的正交基上。從而，語音信號的能量在分解以后將分散分布在不同的基上。但是，語音信號是一種典型的非平穩(wěn)信號，其性質(zhì)隨時間快速變化，在兩個不同的時間瞬間，在同一個頻率鄰域內(nèi)，信號可以有完全不同的能量分布。因此，有必要找到一種精確表示語音信號時頻結(jié)構(gòu)，便于特征提取的方法。[2]

立足于此，本文提出，通過平移窗口，用余弦基乘以窗口函數(shù)，構(gòu)造出局部余弦基，分離不同時間區(qū)間，很適合于逼近語音信號。本文使用這種具有活動窗口特性的局部余弦基表示語音信號。為了減少計算量，并進(jìn)一步提高局部余弦基原子時頻分布的分辨率，采用匹配追蹤(MP)算法分解信號，并結(jié)合時頻分析技術(shù)得到最優(yōu)局部余弦基原子的魏格納-維利分布(WVD)[2]，從而得到信號精確的時頻結(jié)構(gòu)[3]，進(jìn)行特征提取。此外，結(jié)合語音信號的美爾頻率倒譜系數(shù)(MFCC)一起作為該信號的特征向量，通過隱馬爾科夫(HMM)模型進(jìn)行識別。實驗證明。這種多參數(shù)語音識別算法提高了識別的準(zhǔn)確度和速度。

2.局部余弦基建模

通過光滑地劃分時間序列為任意長度的子區(qū)間 [a p,ap+1](如圖1)，可使每一個時間段分別由重疊正交基表示，而整個時間序列的基函數(shù)又構(gòu)成時頻平面的正交鋪疊，因此局部余弦變換對在不同時間段有不同的波形的語音信號有很強(qiáng)的針對性。

圖1 重疊窗口劃分時間軸Figure1 lapped window divides time axis

圖1中g(shù) p(t)為重疊窗口函數(shù)[3]：

式中β為單調(diào)遞增的輪廓函數(shù)，定義為[3]：

局部余弦函數(shù)族構(gòu)成了實數(shù)軸上平方可積函數(shù)空間的規(guī)范正交基：

式中l(wèi)p為窗口支集伸縮參數(shù)；ap為第P段時間起點；n(0 ≤n≤lp)表示正交基序列號。

語音信號可表示為：

gγn(t)是余弦基原子，γ=(a p,lp,η)。其中ap是窗口支集邊界參數(shù)，lp為窗口支集伸縮參數(shù)，η是輪廓函數(shù)β的尺度參數(shù)，這保證了窗口支集只與相鄰的具有適當(dāng)對稱性的窗口重合，達(dá)到局部余弦基精確覆蓋整個時頻平面的目的。

3.匹配追蹤法選取最佳基

由Mallat和Zhang引入的匹配追蹤算法運用貪婪技巧減少了計算的復(fù)雜性。它從局部余弦基構(gòu)成的冗余字典中一個一個挑選向量，每一步都使信號的逼近更為優(yōu)化。

MP算法將信號分解成一簇時頻原子的線性表達(dá)，這些原子選自高冗余度的函數(shù)字典中，且最好地符合f(t) 內(nèi)在結(jié)構(gòu)。假設(shè)函數(shù)集是Hilbert空間中一個完備字典滿足，最優(yōu)的M階近似為：

設(shè)由M個時頻函數(shù)近似的信號與f(t) 的誤差ε最小，ε表達(dá)式如下：

其中{γi}i=0...M代表所選函數(shù)gγi的索引。

首先按照某個選擇函數(shù)（與f(t) 的內(nèi)積最大）逐個挑選出時頻函數(shù)g0γ，f(t) 分解為：，設(shè)初始輸入信號f(t)為初始?xì)埐钚盘朢0f，Rf表示f(t)在gγ0方向上近似后的冗余部分。

假設(shè)已有M

R f表示經(jīng)過前M-1次迭代后，f(t)中未表達(dá)部分：選定為最匹配R Mf的時頻函數(shù)，R Mf按如下公式分解為：

由于每步中R M+1f與gri正交，如果字典是完備的，則迭代收斂于f，滿足：

這樣，可估算出(4)式中局部余弦基原子的參數(shù)bn=＜R Mf,gγi＞。

文獻(xiàn)[4]中提出，選出最匹配信號的基，對每一個基求出其WVD分布，信號f(t) 的WVD分布就表示其最優(yōu)基的WVD的線性組合，這樣就消除了交叉項的影響。由此得到f(t) 的WVD分布：

WVDgγn(t,w)是局部余弦基字典中被選中的最優(yōu)基的WVD分布。將等式左邊第二項交叉項組合去除，這樣在時頻面上就得到了干凈的時頻表示：

在語音信號稀疏分解過程中，每步分解都要從過完備原子庫中選出與待分解語音信號f(t)或語音信號分解殘余R Mf最為匹配的原子gγi，原子是由參數(shù)γ=(a p,lp,η)公式(4)決定的。因此語音信號稀疏分解所得原子的 參數(shù)γ=(a p,lp,η)可作為語 音信 號的 特征。此外，根據(jù)公式(10)，使用匹配追蹤法選取的最佳基的WVD分布Es，含有該語音信號重要且獨特的信息，也可作為該語音信號的特征。

4.基于HMM的語音識別算法

特征提取基于語音幀，即將語音信號分為有重疊的若干幀，對每一幀提取一次語音特片。由于語音特征的短時平穩(wěn)性，幀長一般選取20ms左右。在分幀時，前一幀和后一幀的一部分是重疊的，用來體現(xiàn)相鄰兩幀數(shù)據(jù)之間的相關(guān)性，通常幀移為幀長1/2。本文為了方便做MP，采用的幀長為512點(32ms)，幀移為256點(16ms)。特征的選擇需要綜合考慮存儲量的限制和識別性能的要求。通常的語音識別系統(tǒng)使用24維特征矢量，包括12維MFCC和12維一階差分MFCC。本文提出的多參數(shù)語音識別算法，在此基礎(chǔ)上增加了原子參數(shù)γ=(a p,lp,η)公式(4)和最佳基的WVD分布Es公式(10)，這兩維特征，構(gòu)成26維特征矢量。對MFCC和語音信號能量的WVD分布Es分別使用了倒譜均值減CMS(Cepstrum Mean Subtraction)和能量歸一化ENM(Energy Normalization)的處理方法提高特征的穩(wěn)健性[5]。

在HMM模型中，首先定義了一系列有限的狀態(tài)S1，…，SN，系統(tǒng)在每一個離散時刻n只能處在這些狀態(tài)當(dāng)中的某一個Xn。在時間起點n=0時刻，系統(tǒng)依初始概率矢量π處在某一個狀態(tài)中，即：

以后的每一個時刻n，系統(tǒng)所處的狀態(tài)Xn僅與前一時刻系統(tǒng)的狀態(tài)有關(guān)，并且依轉(zhuǎn)移概率矩陣A跳轉(zhuǎn)，即：

系統(tǒng)在任何時刻n所處的狀態(tài)Xn隱藏在系統(tǒng)內(nèi)部，并不為外界所見，外界只能得到系統(tǒng)在該狀態(tài)下提供的一個Rq空間隨機(jī)觀察矢量On。On的分布P稱為輸出概率矩陣，只取決于On所處狀態(tài)：

因為該系統(tǒng)的狀態(tài)不為外界所見，因此稱之為“隱含馬爾科夫模型”，簡稱HMM。在識別中使用的隨機(jī)觀察矢量就是從信號中提取的特征矢量。按照隨機(jī)矢量Qn的概率分布形時，其概率密度函數(shù)一般使用混合高斯分布擬合。

其中，M為使用的混合高斯分布的階數(shù)；Cm為各階高斯分布的加權(quán)系數(shù)。此時的HMM模型為連續(xù)HMM模型(Continuous density HMM)，簡稱CHMM模型[6]。在本識別系統(tǒng)中，采用孤立詞模型，每個詞條7個狀態(tài)，同時包括首尾各一個靜音狀態(tài)；每個狀態(tài)使用3階混合高斯分布擬合。

5.仿真實驗

5.1 提取最佳基的WVD分布特征矢量

構(gòu)建局部余弦基字典，使用MP算法選取語音信號“A”的最佳基。如圖2所示。得到的E s(t,w)時頻圖既保留了余弦基原子高時頻聚集性的優(yōu)點，又削弱了WVD作為二次型時頻表示所固有的交叉項的影響，得到了干凈的時頻面。其結(jié)果更精確的反映出語音信號在頻率、音強(qiáng)方面的特征，具有良好的時頻聚集性。

圖2 “A“信號的WVD分布Figure2 WVD of“A”

5.2 孤立詞識別

在語音識別實驗中，采用信號長度為1024的200個實際語音信號樣本，其中100個用于訓(xùn)練，100個用于測試。該實驗用以識別出語音信號”A”。實驗利用WaveCN2.0錄音系統(tǒng)進(jìn)行樣本采集，采樣率為8kHz。得到語音信號的有效部分后，提取樣本信號的MFCC參數(shù)作為語音信號的特征參數(shù)之一。Mel濾波器的階數(shù)為24，fft變換的長度為256，采樣頻率為8kHz。MFCC的相關(guān)波形見圖3。

圖3 “A“信號的MFCC波形Figure3 MFCC Waveform of“A”

然后利用MP算法將樣本信號分解為300個原子，將所得原子的參數(shù)γ=(a p,lp,η)和最佳基的WVD分布Es，作為該語音信號的特征參數(shù)之二。見圖2。通過HMM進(jìn)行識別。

在實驗中，設(shè)語音”A”類值為1，其他的語音類值為-1。HMM模型的狀態(tài)數(shù)為7，高斯混合數(shù)為3。由第4節(jié)HMM訓(xùn)練的定義可知，重估過程中的輸出概率是隨著重估次數(shù)的遞增而增加的，圖4列出了“A”模型訓(xùn)練期間重估次數(shù)與總和輸出概率的log值之間的關(guān)系。由圖可以看出，“A”模型重估20次算法收斂，并且，輸出概率與重估次數(shù)成正比趨勢。

圖4 重估次數(shù)與總和輸出概率Figure4 Iterations of EM and output like lihood

對語音進(jìn)行上述HMM訓(xùn)練之后，將其模型參數(shù)存貯，獲得了識別的HMM模型庫。在識別階段，對100個測試用數(shù)據(jù)進(jìn)行語音識別，以檢驗本文系統(tǒng)的識別效果。如表1所示識別精度為89%，平均識別時間約為1.313秒，實驗結(jié)果表明，系統(tǒng)識別率和運算速度都比較理想。

表1 識別結(jié)果

增加了局部余弦基原子的參數(shù)γ=(a p,lp,η)和最佳基的WVD分布Es作為特征參數(shù)，較單純的使用MFCC作為特征參數(shù)進(jìn)行HMM模型訓(xùn)練，識別率有一定提高，見表2。

表2 結(jié)果比較

6.結(jié)語

本文在傳統(tǒng)基于HMM模型的語音識別基礎(chǔ)上，通過匹配追蹤算法，提取出最佳基的原子參數(shù)γ=(a p,lp,η)和WVD分布Es。二者與MFCC一起，作為本文提出的多參數(shù)語音識別算法的特征向量。然后選擇了大量孤立詞樣本進(jìn)行仿真實驗，針對非特定人孤立詞進(jìn)行語音識別。結(jié)果表明，基于HMM和匹配追蹤的多參數(shù)語音識別算法，可提高語音識別的速度和準(zhǔn)確度，有一定的實用性。但是，由于算法的復(fù)雜性增加，運算量相應(yīng)增大，簡化算法運算量仍是需要深入研究的課題。

[1]何方偉，青木由直.DP動態(tài)匹配算法實現(xiàn)語音的實時識別[J].數(shù)據(jù)采集與處理，vol.4，no.1，Mar，1989.

[2]R.R.Coifman，M.V.Wickerhauser.Entropy-based algorithms for best basis selection[J].IEEE Trans.Info.Theory，38(2)：713-718，March 1992.

[3]S Mallat，Z Zhang.Matching Pursuit with Time-Frequency Dictionaries[J].IEEE Trans.Signal Processi ng，1993，41(12)：3397-3415.

[4]R Gribonval.Fast matching pursuit with a multiscale dictionary of Gaussian Chirps[J].IEEE Trans.Signal Processing，2001，49(5)：994-1001.

[5]于建潮，張瑞林.基于MFCC 和LPCC的說話人識別[J].計算機(jī)工程與設(shè)計，2009，30(5)：1189-1191.

[6]王作英，肖熙.基于段長分布的HMM語音識別模型[J].電子學(xué)報，2004，vol.32，no.1：46-49.