袁翔

摘要：通過對(duì)基于隱馬爾科夫模型（Hidden Markov model，HMM）的語音識(shí)別算法進(jìn)行研究，將HMM模型算法的基本思想應(yīng)用到機(jī)器人語音識(shí)別系統(tǒng)中，以Sphinx為測(cè)試平臺(tái)，對(duì)機(jī)器人的控制命令語音信號(hào)進(jìn)行訓(xùn)練得到語言模型和聲學(xué)模型，利用訓(xùn)練得到的語言模型和聲學(xué)模型構(gòu)建一個(gè)機(jī)器人控制命令語音識(shí)別系統(tǒng)，實(shí)驗(yàn)測(cè)試結(jié)果表明，該系統(tǒng)平均錯(cuò)詞率為7.1%，具有良好的識(shí)別效果，在小詞匯量漢語語音識(shí)別中具有較高的識(shí)別率。

關(guān)鍵詞：語音識(shí)別；Sphinx；隱馬爾科夫模型；聲學(xué)模型；語言模型

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）07-0154-02

目前主流的語音識(shí)別算法田有隱馬爾科夫模型12和深度神經(jīng)網(wǎng)絡(luò) 。對(duì)于建模單元統(tǒng)計(jì)概率模型描述，主要采用混合高斯模型（GMM），HMM-GMM模型在很長(zhǎng)一段時(shí)間是語音識(shí)別聲學(xué)建模的主流模型。2011年微軟在深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域取得突破并成功應(yīng)用于語音識(shí)別，深度神經(jīng)網(wǎng)絡(luò)因具有更加優(yōu)異的特征學(xué)習(xí)和特征表達(dá)能力成為研究的前沿。深度學(xué)習(xí)在語音識(shí)別中取得了較好的效果，但其需要的海量數(shù)據(jù)訓(xùn)練以及大規(guī)模并行運(yùn)算無法在嵌入式平臺(tái)上實(shí)現(xiàn)。

本文在嵌入式平臺(tái)上搭建一個(gè)機(jī)器人的控制命令小詞匯量漢語語音識(shí)別系統(tǒng)，通過收集錄制控制命令的訓(xùn)練和測(cè)試語音數(shù)據(jù)，設(shè)計(jì)訓(xùn)練過程需要用到的腳本，本文完成了控制命令的聲學(xué)模型和語言模型訓(xùn)練，最終使用訓(xùn)練好的模型文件構(gòu)建了一個(gè)以Sphinx為識(shí)別引擎的機(jī)器人語音識(shí)別系統(tǒng)。

1基于HMM的語音識(shí)別算法

一個(gè)典型的語音識(shí)別系統(tǒng)結(jié)構(gòu)如圖1所示，包括預(yù)處理單元、特征提取單元、模式匹配單元、模型庫(kù)建立單元四個(gè)部分。

HMM模型可表示為λ=（A，B，π），A為狀態(tài)轉(zhuǎn)移矩陣，B為觀察值概率矩陣，π為初始狀態(tài)概率分布，N表示馬爾可夫鏈狀態(tài)數(shù)目，M表示觀察值個(gè)數(shù)。在本文應(yīng)用中，主要運(yùn)用HMM模型解決控制命令的識(shí)別問題和聲學(xué)模型訓(xùn)練問題。

1.1語音識(shí)別算法識(shí)別問題

識(shí)別問題：給定觀測(cè)序列o={o₁，o₂，…，o_T）和模型λ=（A，B，π），確定產(chǎn)生最優(yōu)O的狀態(tài)序列。識(shí)別問題主要用于識(shí)別過程中解碼，識(shí)別問題的基本算法為Viterbi算法，具體過程由以下公式迭代計(jì)算：

（1）

（2）

（3）

（4）

（5）

（6）

（7）

（8）

1.2語音識(shí)別算法訓(xùn)練問題

訓(xùn)練問題；給定觀測(cè)序列O={o₁，o₂，…，o_T）和模型λ=（A，B，π），如何得到一個(gè)最優(yōu)的HMM模型，即通過訓(xùn)練模型中各個(gè)參數(shù)使得P{O|λ）取最大值。語音識(shí)別中用于聲學(xué)模型的訓(xùn)練基本算法有Baum-Welch算法，實(shí)現(xiàn)過程如下：

（9）

（10）

將ξ（i，j）對(duì)#從1到T求和可求得狀態(tài)S_i到S_j的轉(zhuǎn)移期望值，將γ_t（i）對(duì)t求和可求得從其他狀態(tài)訪問狀態(tài)S_i的期望值，這兩個(gè)過程就是Baum-Welch算法基本思想。

2基于sphinx的機(jī)器人語音識(shí)別系統(tǒng)構(gòu)建

2.1實(shí)驗(yàn)系統(tǒng)與設(shè)置

機(jī)器人語音識(shí)別系統(tǒng)設(shè)計(jì)如圖2所示：

嵌入式主控平臺(tái)主要負(fù)責(zé)語音識(shí)別，識(shí)別麥克風(fēng)傳人的語音控制命令，再通過無線模塊與機(jī)器人通信，最終實(shí)現(xiàn)了語音命令控制機(jī)器人的效果。選擇的命令包括“前進(jìn)”、“后退”、“左轉(zhuǎn)”、“右轉(zhuǎn)”、“停止”、“啟動(dòng)”、“開燈”、“關(guān)燈”、“開電源”、“關(guān)電源”。

2.2數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備主要分為語言模型數(shù)據(jù)和聲學(xué)模型數(shù)據(jù)兩大部分，下面分別介紹。

2.2.1語言模型數(shù)據(jù)準(zhǔn)備

本文使用CMUClmtk工具進(jìn)行語言模型訓(xùn)練，CMUClmtk將統(tǒng)計(jì)控制命令文本數(shù)據(jù)產(chǎn)生以單個(gè)詞建立的N_Gram模型。N-Gram模型的基本思想是，當(dāng)前詞的出現(xiàn)只與該詞前面出現(xiàn)的所有詞有關(guān)，各個(gè)詞出現(xiàn)概率的乘積就是整個(gè)句子出現(xiàn)的概率。從語料中統(tǒng)計(jì)每個(gè)詞同時(shí)出現(xiàn)的次數(shù)可得到各個(gè)詞的概率，準(zhǔn)備好用于語言模型訓(xùn)練的語言數(shù)據(jù)之后，CMUClmtk將統(tǒng)計(jì)文本文件中每個(gè)詞出現(xiàn)的次數(shù)和詞的總數(shù)，然后列舉文本中出現(xiàn)的每一個(gè)詞的n元語法，最終轉(zhuǎn)換為Sphinx需要的二進(jìn)制格式（DMP）語言模型。

2.2.2聲學(xué)模型數(shù)據(jù)準(zhǔn)備

聲學(xué)模型數(shù)據(jù)準(zhǔn)備首先需要錄制用于訓(xùn)練和測(cè)試的原始語音文件，然后準(zhǔn)備字典文件，字典文件包括主字典文件和補(bǔ)充字典文件，主字典文件中包含了需要進(jìn)行訓(xùn)練的控制命令以及與控制命令相對(duì)應(yīng)的音素集，補(bǔ)充字典主要列舉了非語音單詞，它包括靜音，背景噪聲等。下一步將字典文件通過命令腳本生成音素文件，音素文件包含所有訓(xùn)練的音素集。

2.3模型訓(xùn)練

首先對(duì)訓(xùn)練的語音信號(hào)提取特征向量，Sphinxtrain采用提取梅爾頻率倒譜系數(shù)（MFCC）作為特征向量。下面分別為字典中每個(gè)音素建立上下文無關(guān)模型（CI-modds），并為音素關(guān)聯(lián)狀態(tài)建立上下文有關(guān)模型（CD-unfied models）以及建立決策樹，可以通過決策樹聚類的方法來減少參數(shù)數(shù)量。下一步將為音素訓(xùn)練最終聚類后的CD模型（CD-tied models），刪除插值是一個(gè)為了減少過度擬合的一個(gè)迭代過程，最終得到由均值文件、方差文件、混合權(quán)重文件和轉(zhuǎn)移矩陣文件組成的控制命令聲學(xué)模型。

2.4語音識(shí)別

在完成以上聲學(xué)模型訓(xùn)練過程之后，系統(tǒng)會(huì)使用測(cè)試語音對(duì)訓(xùn)練好的聲學(xué)模型進(jìn)行解碼。使用Viterbi算法計(jì)算概率最大路徑的輸出概率得到識(shí)別結(jié)果，系統(tǒng)會(huì)統(tǒng)計(jì)解碼器對(duì)測(cè)試語音的錯(cuò)詞率作為識(shí)別結(jié)果。

3結(jié)果及分析

本實(shí)驗(yàn)系統(tǒng)環(huán)境為Ubuntul2.04系統(tǒng)，在實(shí)驗(yàn)室環(huán)境錄制了20名同學(xué)的語音，其中男10名，女10名，在無噪聲環(huán)境下采用近距離麥克風(fēng)錄制，數(shù)據(jù)采樣率為16kHz，16位量化編碼，每位同學(xué)將以正常說話語速將10個(gè)命令錄制10次，將10位男生和10位女生前5次錄音作為訓(xùn)練數(shù)據(jù)，后5次錄音作為測(cè)試數(shù)據(jù)，對(duì)訓(xùn)練好的聲學(xué)模型進(jìn)行測(cè)試，采用錯(cuò)詞率（WER）作為標(biāo)準(zhǔn)來統(tǒng)計(jì)結(jié)果，假設(shè)有一個(gè)N個(gè)單詞長(zhǎng)度的原始文本和識(shí)別出來的文本。I代表被插入的單詞個(gè)數(shù)，D代表被刪除的單詞個(gè)數(shù)，S代表被替換的單詞個(gè)數(shù)，那么錯(cuò)詞率就定義為：

WER=（I+D+S）/N （11）

系統(tǒng)的識(shí)別結(jié)果如表1所示：

測(cè)試語音的識(shí)別結(jié)果表明系統(tǒng)對(duì)十個(gè)單詞都達(dá)到了較高的識(shí)別率，其中單詞摞の繚磾?shù)腻e(cuò)詞率最高為9%，單詞搏V箶錯(cuò)詞率最低為5%，整體來說十個(gè)控制的命令能平均錯(cuò)詞率為7.1%。本系統(tǒng)識(shí)別結(jié)果表明訓(xùn)練所得聲學(xué)模型良好，在Sphinx上構(gòu)建語音識(shí)別控制平臺(tái)取得較好的效果。

4結(jié)束語

本文以Sphinx為語音識(shí)別平臺(tái)，通過收集錄制控制命令的訓(xùn)練和測(cè)試語音數(shù)據(jù)，設(shè)計(jì)訓(xùn)練過程需要用到的腳本，本文完成了控制命令的聲學(xué)模型和語言模型訓(xùn)練，最終成功搭建了一個(gè)嵌入式控制命令語音識(shí)別系統(tǒng)，對(duì)機(jī)器人語音控制命令進(jìn)行測(cè)試，在本文實(shí)驗(yàn)測(cè)試中，Sphinx在訓(xùn)練的聲學(xué)模型和語言模型中表現(xiàn)優(yōu)良，十個(gè)控制命令的平均錯(cuò)詞率為7.1%，具有良好的識(shí)別效果。