馬智愚

（福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350116）

0 引 言

隨著人工智能和物聯(lián)網(wǎng)技術(shù)的興起，語(yǔ)音識(shí)別技術(shù)的應(yīng)用范圍越來(lái)越廣。語(yǔ)音識(shí)別技術(shù)可用語(yǔ)音取代手工來(lái)執(zhí)行命令，甚至可聽懂并預(yù)測(cè)人們的講話，加以處理后可完成特定動(dòng)作[1]。隨著手機(jī)語(yǔ)音助手和智能音箱等移動(dòng)終端的普及，語(yǔ)音識(shí)別系統(tǒng)對(duì)性能和功耗的要求越來(lái)越高。

特征參數(shù)提取是語(yǔ)音識(shí)別的關(guān)鍵問題。目前，語(yǔ)音識(shí)別系統(tǒng)中比較常用的是Mel頻率倒譜系數(shù)（MFCC）、線性預(yù)測(cè)倒譜系數(shù)（LPCC）及線性倒譜對(duì)（LSP）等。相較于其他參數(shù)，MFCC特征參數(shù)充分考慮人耳聽覺結(jié)構(gòu)、人類發(fā)聲的機(jī)理特性及人耳的聽覺感知情況，已成為語(yǔ)音識(shí)別任務(wù)中應(yīng)用最廣泛、最成功的特征參數(shù)[2]。

MFCC特征參數(shù)提取的計(jì)算量大且計(jì)算復(fù)雜。目前許多提取方法都是基于軟件或DSP核心平臺(tái)，但是嵌入式系統(tǒng)對(duì)硬件環(huán)境和實(shí)時(shí)性要求更高，普通處理器已不能滿足速度和精度的需要。FPGA在數(shù)字處理領(lǐng)域具有較高性能且設(shè)計(jì)靈活，本文以FPGA為平臺(tái)設(shè)計(jì)語(yǔ)音MFCC特征提取的全硬件結(jié)構(gòu)，滿足了嵌入式系統(tǒng)的應(yīng)用要求[3]。

1 MFCC特征參數(shù)提取算法

MFCC特征參數(shù)是由Davies和Mermelstein提出的，Mel頻率倒譜系數(shù)依據(jù)人耳聽覺系統(tǒng)的生理特性描述，考慮到了人耳聽覺系統(tǒng)的非線性特性，不同于物理學(xué)對(duì)頻率的描述[4]。通常，頻率f與Mel頻率的轉(zhuǎn)換公式為：

其中，f為實(shí)際頻率，單位為Hz；fMel為Mel頻率，單位為Hz。Mel特征參數(shù)提取的流程框圖如圖1所示。

圖1 MFCC特征參數(shù)提取流程框圖

具體提取步驟包括預(yù)處理、FFT運(yùn)算、計(jì)算Mel濾波能量及計(jì)算離散余弦變換。

1.1 預(yù)處理

預(yù)處理主要包含預(yù)加重、分幀及加窗。預(yù)加重的目的是補(bǔ)償高頻分量的損失，凸顯共振峰。預(yù)加重濾波器可設(shè)為：

其中，α是預(yù)加重系數(shù)，通常取0.9～1。

分幀是將N個(gè)語(yǔ)音采樣點(diǎn)集合成一個(gè)觀測(cè)單位。因?yàn)檎Z(yǔ)音信號(hào)具有短時(shí)平穩(wěn)的特性，所以將語(yǔ)音信號(hào)分成較短的幀，每幀信號(hào)可看作穩(wěn)定的語(yǔ)音信號(hào)。為使各個(gè)相鄰幀之間的參數(shù)能夠平穩(wěn)過(guò)渡，在相鄰兩幀之間會(huì)有重疊部分，包含M個(gè)取樣點(diǎn)。N為幀長(zhǎng)，M為幀移，為方便后續(xù)的FFT運(yùn)算，N通常取256或512，M通常取128。

加窗是將每一幀代入窗函數(shù)，目的是平滑語(yǔ)音幀，消除各個(gè)幀兩端可能造成的信號(hào)不連續(xù)性。因?yàn)镈FT運(yùn)算和FFT運(yùn)算需要周期性延拓，所以時(shí)域中的突變點(diǎn)會(huì)對(duì)頻譜造成明顯影響，如頻譜泄露。常用的窗函數(shù)有方窗、漢明窗及漢寧窗等，根據(jù)窗函數(shù)的頻域特性，常采用漢明窗。漢明窗的公式為：

1.2 FFT運(yùn)算

語(yǔ)音信號(hào)在時(shí)域上的變換無(wú)法看出信號(hào)特性，所以將它轉(zhuǎn)化為頻域的能量分布來(lái)觀察。頻譜公式為：

其中，i為當(dāng)前幀數(shù)；Si(n)為一幀內(nèi)加窗后的語(yǔ)音信號(hào)；N為幀長(zhǎng)，N=256；k為諧波次數(shù)。

功率譜公式為：

1.3 計(jì)算Mel濾波能量

Mel濾波是利用同人耳聽覺相似的三角濾波器組對(duì)語(yǔ)音信號(hào)的幅度平方譜進(jìn)行平滑[5]。每個(gè)濾波器的傳遞函數(shù)為：

其中，k為當(dāng)前頻率；m為第m個(gè)濾波器；f(m)為第m個(gè)濾波器的中心頻率。

計(jì)算在每個(gè)Mel濾波器中的對(duì)數(shù)能量。相當(dāng)于把每幀的能量譜E(i,k)與Mel濾波器的頻域Hm(k)相乘并相加，公式為：

其中，i為第i幀語(yǔ)音信號(hào)，m為第m個(gè)Mel濾波器（共有M個(gè)），M通常取22～26。

1.4 計(jì)算離散余弦變換

把Mel濾波器的能量取對(duì)數(shù)后進(jìn)行DCT變換，得到MFCC參數(shù)[6]。公式為：

其中，L指MFCC系數(shù)階數(shù)，通常取12～16。

2 FPGA設(shè)計(jì)

2.1 整體設(shè)計(jì)

圖2為總體結(jié)構(gòu)圖，由蜂鳥e203 MCU作為主機(jī)，MFCC特征參數(shù)提取模塊作為從機(jī)，兩者通過(guò)蜂鳥e203的ICB自定義總線相連接。

圖2 總體結(jié)構(gòu)圖

2.2 特征參數(shù)提取模塊設(shè)計(jì)

MFCC特征參數(shù)模塊的內(nèi)部結(jié)構(gòu)如圖3所示。其中，輸入的語(yǔ)音信號(hào)采樣頻率是8 kHz，采樣精度是16 bit帶符號(hào)數(shù)。運(yùn)算中的中間數(shù)據(jù)都采用16 bit的定點(diǎn)數(shù)據(jù)表示。所有小數(shù)部分的運(yùn)算都采用定點(diǎn)數(shù)移位的方法實(shí)現(xiàn)。

預(yù)加重模塊將式（1）簡(jiǎn)化為：

圖3 特征參數(shù)提取模塊內(nèi)部結(jié)構(gòu)圖

此簡(jiǎn)化方法避免了乘法運(yùn)算，通過(guò)加法器和移位寄存器實(shí)現(xiàn)。

分幀采用FIFO實(shí)現(xiàn)，設(shè)定每一幀語(yǔ)音長(zhǎng)度為256個(gè)采樣點(diǎn)，幀移為128個(gè)采樣點(diǎn)。加窗運(yùn)算常采用查表法和Cordic算法，查表法運(yùn)算速度快，但精度稍差；Cordic算法精度高，但運(yùn)算周期較長(zhǎng)?？紤]語(yǔ)音信號(hào)需要實(shí)時(shí)處理，采用查表法。在Matlab中算出窗函數(shù)的表單元，然后和分幀后的信號(hào)進(jìn)行乘法運(yùn)算[7]。

FFT變換調(diào)用了Quartus中的FFT IP核，參數(shù)配置信息如圖4所示。其中，F(xiàn)FT的點(diǎn)數(shù)為一幀的長(zhǎng)度即256，輸入/輸出數(shù)據(jù)都是16位數(shù)據(jù)。

通過(guò)Mel濾波器組的能量通過(guò)查找表的方法實(shí)現(xiàn)。Mel濾波器組是由M個(gè)三角濾波器疊加而成的，濾波器個(gè)數(shù)M取24，先在Matlab中算出每組濾波器的中心頻率點(diǎn)、上限頻率點(diǎn)及下限頻率點(diǎn)，將每組數(shù)據(jù)存入rom中，通過(guò)計(jì)數(shù)器來(lái)控制頻域信號(hào)與Mel濾波器運(yùn)算。

離散余弦變換是將Mel頻譜變換到時(shí)域，獲得最終的MFCC特征參數(shù)。對(duì)數(shù)運(yùn)算采用查找表的方法實(shí)現(xiàn)，然后通過(guò)計(jì)數(shù)器實(shí)現(xiàn)乘累加和。

最后輸出數(shù)據(jù)由控制單元通過(guò)ICB總線連接到MCU。

圖4 FFT配置信息

3 結(jié) 論

本文在DE2-115 FPGA平臺(tái)上，以蜂鳥e203 MCU作為主機(jī)，設(shè)計(jì)了一個(gè)MFCC特征參數(shù)提取模塊。相較于軟件實(shí)現(xiàn)方法，利用IP核和查找表方法的信號(hào)處理運(yùn)算速度大幅提高。處理結(jié)果與Matlab中計(jì)算結(jié)果的誤差在1%以內(nèi)，基本可滿足系統(tǒng)實(shí)時(shí)處理要求。