陳 兵，尹 曼

(中國(guó)電子科技集團(tuán)公司第五十四研究所，河北石家莊050081)

0 引言

語(yǔ)音識(shí)別技術(shù)是信息技術(shù)領(lǐng)域的重要發(fā)展方向，非特定人孤立詞識(shí)別是其一個(gè)具有廣泛應(yīng)用背景的分支，在工業(yè)控制、智能對(duì)話查詢系統(tǒng)、語(yǔ)音撥號(hào)系統(tǒng)、智能家電、聲控點(diǎn)歌系統(tǒng)及聲控智能玩具等領(lǐng)域有著重要的應(yīng)用價(jià)值。目前語(yǔ)音識(shí)別算法主要分為針對(duì)特定人的語(yǔ)音識(shí)別算法，如動(dòng)態(tài)時(shí)間規(guī)劃(DTW)技術(shù)［1，2］和線性預(yù)測(cè)編碼(LPC)分析技術(shù)［3，4］等;針對(duì)非特定人的語(yǔ)音識(shí)別算法，如人工神經(jīng)網(wǎng)絡(luò)(ANN)［5］和隱形馬爾科夫模型(HMM)［6］等算法。但這些算法存在針對(duì)特定人或運(yùn)算復(fù)雜及不利于實(shí)時(shí)處理等問(wèn)題。

針對(duì)以上問(wèn)題，提出了一種基于離散隱形馬爾科夫模型的快速語(yǔ)音識(shí)別算法，通過(guò)仿真驗(yàn)證了算法對(duì)非特定人的孤立詞語(yǔ)音識(shí)別具有高識(shí)別正確率，并通過(guò)算法的DSP實(shí)現(xiàn)說(shuō)明了識(shí)別算法具有良好的處理時(shí)效性。

算法首先對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)處理和端點(diǎn)檢測(cè)以提取有用信號(hào)，進(jìn)而完成語(yǔ)音特征參數(shù)提取和矢量量化，最后采用DHMM模型利用Viterbi搜索算法實(shí)現(xiàn)語(yǔ)音識(shí)別，在訓(xùn)練階段完成碼本設(shè)計(jì)和DHMM模型參數(shù)的生成。該算法抗噪性能好，識(shí)別率高，具用實(shí)時(shí)處理能力和廣泛應(yīng)用前景。

1 語(yǔ)音識(shí)別算法

語(yǔ)音識(shí)別算法典型的實(shí)現(xiàn)流程如圖1所示。輸入語(yǔ)音信號(hào)首先要進(jìn)行預(yù)處理和端點(diǎn)檢測(cè)，包括預(yù)加重、分幀和截取有用語(yǔ)音信息等。有用信號(hào)經(jīng)過(guò)特征提取和矢量量化后，實(shí)現(xiàn)特征參數(shù)提取和對(duì)特征參數(shù)的矢量量化，將一個(gè)特征矢量變成標(biāo)量。矢量量化后的特征標(biāo)量送入語(yǔ)音識(shí)別模塊，運(yùn)用DHMM模型采用相應(yīng)識(shí)別算法完成語(yǔ)音識(shí)別，得到識(shí)別結(jié)果。在語(yǔ)音訓(xùn)練階段，需要采用相應(yīng)算法完成對(duì)用于量化的碼本和用于識(shí)別的DHMM模型參數(shù)進(jìn)行訓(xùn)練。

圖1 語(yǔ)音識(shí)別算法流程

2 算法原理

2.1 預(yù)處理

由于語(yǔ)音信號(hào)是一種典型的非平穩(wěn)信號(hào)，但它具有短時(shí)平穩(wěn)性，一般認(rèn)為在10～30 ms短時(shí)間內(nèi)是平穩(wěn)的［7］。因此需要對(duì)語(yǔ)音信號(hào)進(jìn)行分幀處理，以利于采用平穩(wěn)信號(hào)的數(shù)字處理算法。為了消除直流成分和50 Hz的工頻干擾，彌補(bǔ)高頻部分語(yǔ)音信號(hào)在傳輸中的衰減，需要對(duì)信號(hào)進(jìn)行預(yù)加重濾波，預(yù)加重濾波器的傳輸函數(shù)為1－0.9735z－1。本文采樣頻率設(shè)計(jì)為8 kHz，每幀數(shù)據(jù)長(zhǎng)度為256點(diǎn)，每幀數(shù)據(jù)步進(jìn)為80點(diǎn)。

2.2 端點(diǎn)檢測(cè)

語(yǔ)音端點(diǎn)檢測(cè)主要是提取能夠區(qū)分語(yǔ)音和噪聲的語(yǔ)音特征參數(shù)，找出二者的分界點(diǎn)，從而實(shí)現(xiàn)有用語(yǔ)音信息的檢測(cè)。語(yǔ)音信號(hào)最基本組成單位是音素，音素分為濁音和清音2類。在實(shí)際語(yǔ)音中，濁音幅度較大，可通過(guò)短時(shí)能量來(lái)檢測(cè)，清音幅度很小，接近噪聲，但其過(guò)零率遠(yuǎn)大于噪聲［5］，因此采用短時(shí)能量和短時(shí)過(guò)零率聯(lián)合檢測(cè)語(yǔ)音端點(diǎn)。短時(shí)能量En和短時(shí)過(guò)零率ZCR的表達(dá)式為:

式中，xn(m)為預(yù)處理后的語(yǔ)音信號(hào)幀;N為每幀數(shù)據(jù)長(zhǎng)度;sign是符號(hào)函數(shù)。圖2是對(duì)“山東”2個(gè)字的端點(diǎn)檢測(cè)仿真圖。

圖2 端點(diǎn)檢測(cè)仿真

2.3 特征提取

特征提取是通過(guò)運(yùn)算獲得最能反映語(yǔ)音本質(zhì)特征的參數(shù)，它是整個(gè)語(yǔ)音識(shí)別的基礎(chǔ)，直接影響到語(yǔ)音識(shí)別結(jié)果。目前，語(yǔ)音特征提取的方法很多［8－10］，本算法采用 Mel頻標(biāo)倒譜系數(shù)(MFCC)分析方法，由于其模擬了人對(duì)音調(diào)感知度近似正比于該音調(diào)頻率對(duì)數(shù)的聽(tīng)覺(jué)特征，因此MFCC參數(shù)具有抗噪能力強(qiáng)和識(shí)別率高等特點(diǎn)。

Mel頻率與線性頻率的轉(zhuǎn)換公式為:

同時(shí)，人們并不能有效分辨所有頻率分量，只有當(dāng)2個(gè)頻率分量相差一定帶寬時(shí)，才能將其區(qū)分，這個(gè)帶寬稱為臨界帶寬［11］。

根據(jù)以上分析，可構(gòu)造臨界頻帶濾波器組來(lái)模擬人耳的感知特性。這組濾波器的中心頻率在Mel頻率域內(nèi)呈線性分布，其帶寬在臨界帶寬之內(nèi)。在8 kHz采樣率下，每幀數(shù)據(jù)N為256時(shí)設(shè)計(jì)的臨界頻帶濾波器組Hm(n)，臨界濾波器數(shù)目M為24，采用漢明窗，臨界頻帶濾波器幅頻響應(yīng)如圖3所示。

圖3 臨界頻帶濾波器幅頻響應(yīng)

MFCC的參數(shù)計(jì)算流程如下:

①對(duì)每幀數(shù)據(jù)加漢明窗，進(jìn)行離散FFT運(yùn)算，取模平方得到離散功率譜 ()S n;

②計(jì)算 ()S n與Hm(n)在各離散頻率點(diǎn)上乘積之和，得到M個(gè)參數(shù)Pm;

③計(jì)算Pm的自然對(duì)數(shù)，得到Lm;

④ 對(duì)Lm計(jì)算其離散余弦變換(DCT)，得到Dm，消除Lm之間的相關(guān)性，舍去直流分量的D0，選擇 D1，D2，…DK，K=12。

⑤對(duì)Dm加倒譜提升窗，即對(duì)K個(gè)系數(shù)分別乘以不同的系數(shù)wm，wm的表達(dá)式為:

⑥計(jì)算差分倒譜參數(shù)，得到語(yǔ)音參數(shù)的動(dòng)態(tài)特征。差分參數(shù)計(jì)算公式為:

式中，c(n)為一幀靜態(tài)參數(shù);d(n)為差分參數(shù);k為差分階數(shù)。本算法選取k為2，將MFCC參數(shù)和由式(5)得到的差分參數(shù)合并，形成一個(gè)24階矢量，作為一幀語(yǔ)音信號(hào)的參數(shù)。

從上可知，通過(guò)特征提取將每一幀256點(diǎn)的數(shù)據(jù)壓縮為24點(diǎn)數(shù)據(jù)，有效減少了后續(xù)運(yùn)算量。

2.4 矢量量化

矢量量化(Vector Quantization)是將數(shù)值連續(xù)的矢量信號(hào)用離散數(shù)字值(稱為標(biāo)號(hào))來(lái)表示的過(guò)程。它是采用離散隱形馬爾科夫模型進(jìn)行語(yǔ)音識(shí)別前所必需的步驟，也有利于減少運(yùn)算負(fù)荷，提高算法處理的實(shí)時(shí)性。矢量量化的關(guān)鍵技術(shù)包括碼本設(shè)計(jì)和搜索策略兩方面。

碼本是指矢量量化編碼器擁有的具有代表意義的矢量集合，碼本中矢量稱為碼字，矢量量化的過(guò)程就是將輸入矢量與碼本對(duì)照，尋找與輸入矢量最接近的碼字，用碼字的標(biāo)號(hào)代替輸入矢量，因此碼本設(shè)計(jì)的好壞直接關(guān)系到量化的質(zhì)量。

LBG算法是碼本生成時(shí)最常采用的方法。LBG算法需要預(yù)先設(shè)置畸變改進(jìn)閾值δ和最大迭代次數(shù)L，δ＜＜1，以保證最后碼本收斂;閾值L保證算法在有限次數(shù)內(nèi)結(jié)束，防止發(fā)生振蕩而不能收斂的情況。同時(shí)算法中的初始碼字的選擇需要考慮，一般可采用分裂法。

碼本容量是碼本設(shè)計(jì)中另一個(gè)值得注意的問(wèn)題。碼本容量過(guò)小，無(wú)法描述整個(gè)矢量空間;碼本容量太大，則存儲(chǔ)量和搜索所需計(jì)算量過(guò)大。實(shí)驗(yàn)結(jié)果表明，碼本容量＞64時(shí)，碼本容量對(duì)識(shí)別正確率的提高就不明顯了，因此，本文碼本容量為128。

碼本搜索是指如何搜索出與輸入矢量最接近的碼字的過(guò)程?？紤]到碼本的容量和DSP的運(yùn)算處理優(yōu)勢(shì)，本文采用全搜索算法，比較所有碼字和輸入矢量的歐式距離，找出距離最小的碼字。

因此，通過(guò)矢量量化以后，語(yǔ)音數(shù)據(jù)被進(jìn)一步壓縮，有原來(lái)每一幀24點(diǎn)數(shù)據(jù)壓縮為1個(gè)數(shù)據(jù)(即碼字的標(biāo)號(hào))，使后面的運(yùn)算由矢量運(yùn)算變?yōu)闃?biāo)量運(yùn)算。

2.5 訓(xùn)練與識(shí)別

2.5.1 HMM 模型

馬爾可夫鏈?zhǔn)侵冈跁r(shí)刻t只能處于有限狀態(tài)θl(l=1，2，…，N)中的一個(gè)，用 qt表示，且狀態(tài) qt為 θl中的哪一個(gè)的概率只取決于前一時(shí)刻所處的狀態(tài)qt－1。因此馬爾可夫鏈在任意時(shí)刻為何狀態(tài)的概率完全取決于初始狀態(tài)概率矢量π和狀態(tài)轉(zhuǎn)移概率矩陣A。

若系統(tǒng)在任何時(shí)刻t所處的狀態(tài)qt隱藏在系統(tǒng)內(nèi)部，外界只能得到此時(shí)系統(tǒng)提供的一個(gè)隨機(jī)矢量ot，ot稱為觀測(cè)矢量。ot取何值的概率與時(shí)間t無(wú)關(guān)，只和系統(tǒng)的狀態(tài)有關(guān)，可用輸出概率矩陣B來(lái)表示，則此系統(tǒng)被稱為隱含馬爾可夫(HMM)模型。從定義可知，HMM模型可以由3項(xiàng)特征參數(shù)π，A，B來(lái)表示。

HMM模型可以分為離散HMM(DHMM)和連續(xù)HMM模型(CDHMM)。當(dāng)訓(xùn)練數(shù)據(jù)充分且訓(xùn)練足夠時(shí)，CDHMM的效果優(yōu)于DHMM，但很多情況下，充分訓(xùn)練是比較難達(dá)到?？紤]到運(yùn)算量、存儲(chǔ)量和實(shí)時(shí)性等要求，本文選擇DHMM作為語(yǔ)音識(shí)別的模型。

HMM模型是一個(gè)雙層隨機(jī)模型，內(nèi)部不可見(jiàn)的馬爾可夫狀態(tài)鏈用以表示語(yǔ)音中相對(duì)穩(wěn)定的短時(shí)特性，外部可見(jiàn)的觀測(cè)序列表示語(yǔ)音中可觀測(cè)的各種特征矢量，兩者用概率聯(lián)系。這樣就將語(yǔ)音信號(hào)多變的外部特征和內(nèi)在的本質(zhì)特征有機(jī)的聯(lián)系起來(lái)。

2.5.2 HMM 模型訓(xùn)練

語(yǔ)音信號(hào)通過(guò)預(yù)處理、端點(diǎn)檢測(cè)、特征提取和矢量量化后，生成一組碼本標(biāo)號(hào)序列。HMM模型訓(xùn)練過(guò)程就是根據(jù)這些標(biāo)號(hào)序列來(lái)確定HMM的3項(xiàng)特征參數(shù)，而使系統(tǒng)生成此標(biāo)號(hào)序列的概率最大。本文采用一種基于隨機(jī)松弛算法［12］(Stochastic Relaxation，SR算法)的DHMM參數(shù)全局優(yōu)化算法。該算法以相對(duì)較少的計(jì)算開(kāi)銷，避免了經(jīng)典的Baum-Welch算法易陷入局部最優(yōu)解的問(wèn)題，可提高識(shí)別系統(tǒng)的性能。SR算法進(jìn)行DHMM模型訓(xùn)練過(guò)程如圖4所示。

圖4 SR算法DHMM模型訓(xùn)練過(guò)程

圖4中初始溫度設(shè)置T0=4/128(碼本容量為128)，降溫速度K一般取0.97～0.99。DHMM初始模型參數(shù)有初始概率矩陣 π =［1，0，0，0，0］;輸出概率矩陣B均勻設(shè)置，bjk=1/128;轉(zhuǎn)移概率矩陣A為:

還需設(shè)置最大迭代次數(shù)I及變量ξ作為是否完成收斂的判決條件，ξ的表達(dá)式為:

式中，Pm(O|λ)為第m次時(shí)在模型參數(shù)λ=(π，A，B)下輸出變量為O的概率。本文ξ取為0.01;迭代次數(shù)I取為200。

2.5.3 語(yǔ)音識(shí)別

通過(guò)語(yǔ)音訓(xùn)練，為每個(gè)孤立詞建立DHMM模型。在本文中，語(yǔ)音識(shí)別過(guò)程是將輸入的語(yǔ)音信號(hào)與每個(gè)DHMM模型進(jìn)行Viterbi運(yùn)算，得到每個(gè)的輸出概率，并通過(guò)比較找到最大概率對(duì)應(yīng)的模型，進(jìn)而得到識(shí)別結(jié)果，語(yǔ)音識(shí)別流程如圖5所示。

圖5 Viterbi算法語(yǔ)音識(shí)別過(guò)程

3 仿真分析

3.1 語(yǔ)音識(shí)別性能仿真

仿真條件如下:采樣頻率fs=8 kHz，量化位數(shù)為16位，采用PCM編碼，存儲(chǔ)格式為wav格式。測(cè)試3個(gè)詞:“廣東”、“山東”、“貴州”。一共10個(gè)人參與錄音，其中男生7人和女生3人，每個(gè)人每個(gè)詞讀8遍。

所有人每個(gè)詞的前6遍參與了碼本訓(xùn)練。有5個(gè)男生和2個(gè)女生的每個(gè)詞的前6遍參與DHMM模型的訓(xùn)練。所有樣本均參與識(shí)別仿真。語(yǔ)音識(shí)別的統(tǒng)計(jì)結(jié)果如表1所示。

表1 識(shí)別結(jié)果統(tǒng)計(jì)

由表1可知，本文算法可以完成非特定人孤立詞的識(shí)別，識(shí)別正確達(dá)到97.5%，由此可見(jiàn)，算法能夠滿足大部分語(yǔ)音識(shí)別應(yīng)用的要求。

3.2 DSP 實(shí)現(xiàn)仿真

測(cè)試條件設(shè)置同語(yǔ)音識(shí)別性能仿真，算法在ADI公司Blackfin系列BF533芯片上進(jìn)行DSP實(shí)現(xiàn)，采用Visual DSP++4.5開(kāi)發(fā)軟件進(jìn)行算法編程和功能仿真。DSP芯片主頻為600 MHz。語(yǔ)音識(shí)別算法占用時(shí)間(不含語(yǔ)音數(shù)據(jù)采集和碼本訓(xùn)練及DHMM模型訓(xùn)練占用時(shí)間)如表2所示。

表2 識(shí)別算法占用時(shí)間

從表2可知，本文語(yǔ)音識(shí)別算法占用時(shí)鐘周期最大為5 992 109個(gè)，占用時(shí)間為9.986 848 ms，運(yùn)行時(shí)間優(yōu)于10 ms，識(shí)別算法具有實(shí)時(shí)處理能力，滿足實(shí)際工程應(yīng)用。

4 結(jié)束語(yǔ)

提出了一種基于離散隱形馬爾科夫模型的快速語(yǔ)音識(shí)別算法，詳細(xì)闡述了對(duì)非特定人孤立詞語(yǔ)音識(shí)別的算法原理和實(shí)現(xiàn)流程，進(jìn)行了識(shí)別算法的有效性仿真，并采用DSP芯片完成識(shí)別算法硬件實(shí)現(xiàn)，驗(yàn)證了識(shí)別算法的處理實(shí)效性能。理論分析和仿真試驗(yàn)表明，本文算法具有抗噪性能好，識(shí)別率高和實(shí)時(shí)處理能力，在智能家電、智能汽車和人機(jī)交互等領(lǐng)域有廣泛應(yīng)用前景。

［1］TTAKURA F.Minimum Prediction Residual Principle Applied to Speech Recognition［J］.IEEE Trans.ASSP，1975，23(1):67 －72.

［2］劉 靜，王 儒，曲金玉，等.基于DTW改進(jìn)算法的孤立詞語(yǔ)音識(shí)別仿真［J］.山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，27(1):63 －66.

［3］MAKHOUL J.Linear Prediction:a Tutorial Review［J］.Proceedings of the IEEE，1975(63):561 －581.

［4］張玲華，鄭寶玉，楊 震.基于LPC分析的語(yǔ)音特征參數(shù)研究及其在說(shuō)話人識(shí)別中的應(yīng)用［J］.南京郵電學(xué)院學(xué)報(bào)，2005，27(6):1 －6.

［5］王建雄，劉應(yīng)龍.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別系統(tǒng)的研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2006，16(15):26－30.

［6］WILPON J G，LEE C H，RABINER L R.Application of Hidden Markov Models for Recognition of a Limited Set of Words in Unconstrained Speech［C］∥ ICASSP，1989:24－30.

［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］DAVIS S B，MERMELSTEIN P.Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences［J］.IEEE Trans.On Acoustics，Speech，and SignalProcessing，1980，28(4):357－366.

［9］HUNT M J，LEFEBVRE C.A Comparison of Several Acoustic Representations for Speech Recognition with Degraded and Undegraded Speech［C］∥Proceedings of ICASSP，1989:262 －265.

［10］FAVERO R F，KING R W.Wavelet Parameterization for Speech Recognition:Variations in Translation and Scale Parameters［C］∥ Proc.International Symposium on Speech.Image Processing and Neural Networks，Hong Kong，1994:694 －697.

［11］楊行峻，遲惠生.語(yǔ)音信號(hào)數(shù)字處理［M］.北京:電子出版社，1995.

［12］方紹武，戴蓓倩，李宵寒.一種離散隱Markov模型參數(shù)的全局優(yōu)化算法［J］.電路與系統(tǒng)學(xué)報(bào)，2000，5(3):78－81.