梁 力 莫曉毅 柯華強(qiáng)

（廣汽研究院，廣東 廣州 511434）

0 引言

語音識(shí)別是機(jī)器把獲取的語音輸入轉(zhuǎn)換為文本輸出的過程[1]。從早期的DTW（Dynamic TimeWarping）算法、高斯混合模型到后來的i-vector模型和DNN（Deep Neural Network）網(wǎng)絡(luò)[2]，語音識(shí)別技術(shù)發(fā)展至今，已經(jīng)有五、六十年的歷史。隨著計(jì)算機(jī)科學(xué)和通信等學(xué)科的發(fā)展和成長，基于語音識(shí)別技術(shù)的設(shè)備日益增多[3]，而識(shí)別的準(zhǔn)確率和響應(yīng)速率卻難以衡量。本文旨在以語音識(shí)別技術(shù)為基礎(chǔ)，結(jié)合Python開源框架，研究并搭建一個(gè)通用測試平臺(tái)來。

1 平臺(tái)架構(gòu)

為了實(shí)現(xiàn)對(duì)語音設(shè)備功能和性能的驗(yàn)證，測試平臺(tái)需要具備對(duì)輸入語音進(jìn)行轉(zhuǎn)化并對(duì)輸出結(jié)果進(jìn)行確認(rèn)比對(duì)的能力。如圖1所示，測試平臺(tái)至少應(yīng)由輸入端、轉(zhuǎn)換端、輸出端和外部設(shè)備四部分組成。

1.1 輸入端

輸入端承擔(dān)著對(duì)輸入信息進(jìn)行過濾的職責(zé)。輸入的語音經(jīng)過雜音過濾和噪聲降低后到達(dá)轉(zhuǎn)換端；輸入的文字經(jīng)過格式調(diào)整后到達(dá)轉(zhuǎn)換端。

1.2 轉(zhuǎn)換端

轉(zhuǎn)換端的功能是把輸入聲音轉(zhuǎn)化成文字或者把輸入文字轉(zhuǎn)換成語音并傳送到輸出端。轉(zhuǎn)換選擇是用戶根據(jù)需求選擇語音文字轉(zhuǎn)換或文字語音轉(zhuǎn)換。測試平臺(tái)根據(jù)語料庫和轉(zhuǎn)換選擇，確定期待輸出的語音或文字，為輸出結(jié)果的判定提供參考依據(jù)。

1.3 輸出端

輸出端根據(jù)用戶的選擇對(duì)輸出的語音或文字進(jìn)行判定。對(duì)于輸出的語音，通過內(nèi)置算法和用戶主觀判定是否符合預(yù)期的要求；對(duì)于輸出的文字，通過查詢語料庫中的期待輸出文字進(jìn)行對(duì)比確認(rèn)。

圖1 測試平臺(tái)架構(gòu)

1.4 外部設(shè)備

外部設(shè)備為平臺(tái)的輸入和輸出提供輔助功能。喇叭用于播放設(shè)備發(fā)出的聲音，麥克風(fēng)用于輸入音源的采集，接口用于設(shè)備的接入和設(shè)備間的信息交互，機(jī)柜箱用于放置硬件設(shè)備以及提供安靜的測試環(huán)境。

2 實(shí)現(xiàn)思路

2.1 輸入端

聲音輸入有3種場景：用戶的聲音，錄制好的人聲文件，工具模擬的音頻。由于采集環(huán)境的制約，輸入的語音大多含有雜音，如果不加處理直接輸入到轉(zhuǎn)換端[4]，會(huì)顯著地影響語音識(shí)別的正確率。常用的語音降噪方法有：譜減法、濾波法、統(tǒng)計(jì)模型法、子空間法[5]，本測試平臺(tái)通過使用Python構(gòu)建一個(gè)降噪系統(tǒng)對(duì)輸入音頻進(jìn)行降噪[6]。

文字作為輸入通常包含一些非法或冗余的字符，可以借助相關(guān)Python函數(shù)和正則運(yùn)算法則實(shí)現(xiàn)對(duì)輸入字符串的格式調(diào)整[7]，程序段實(shí)現(xiàn)如下：

2.2 轉(zhuǎn)換端

語料庫是以EXCEL表或數(shù)據(jù)庫的形式存儲(chǔ)，可以通過人工配置的方式卸載或者更新。轉(zhuǎn)換選擇通過界面上一對(duì)互斥的按鈕來實(shí)現(xiàn)，用戶可以根據(jù)轉(zhuǎn)換需求選擇“文字轉(zhuǎn)語音”或者“語音轉(zhuǎn)文字”。

文字轉(zhuǎn)語音和語音轉(zhuǎn)文字的功能可通過引入服務(wù)器實(shí)現(xiàn)。轉(zhuǎn)換端將用戶提交的語音轉(zhuǎn)換請(qǐng)求轉(zhuǎn)發(fā)至服務(wù)器端；服務(wù)器端把處理好的結(jié)果發(fā)還給請(qǐng)求的轉(zhuǎn)換端[8]。根據(jù)需求的不同，服務(wù)器可以部署在本地通過離線語音引擎實(shí)現(xiàn)[9]，或者部署在云端通過云服務(wù)實(shí)現(xiàn)，本測試平臺(tái)的服務(wù)器部署在云端。

2.3 輸出端

輸出語音的有無可通過軟件直接判斷，輸出內(nèi)容的正確性通過把語音轉(zhuǎn)換成文字再與語料庫中的期待輸出進(jìn)行比對(duì)。如果輸出的是文字，則直接與語料庫中的期待文字進(jìn)行比對(duì)。

2.4 一體化軟件

除了基本的硬件配置外，本測試平臺(tái)還集成了一套基于Python開源框架的測試管理軟件。該軟件可以管理測試過程中的輸入、轉(zhuǎn)換和輸出環(huán)節(jié)，并提供可視化的測試腳本編寫界面和測試報(bào)告。

3 實(shí)踐應(yīng)用

在語音識(shí)別的驗(yàn)證階段，測試平臺(tái)通過與待測設(shè)備連接交互，模擬真實(shí)的用戶環(huán)境來驗(yàn)證待測設(shè)備是否滿足期待的指標(biāo)[10]。語音識(shí)別準(zhǔn)確率和響應(yīng)速率是語音識(shí)別中兩個(gè)重要的指標(biāo)[11]。

使用測試平臺(tái)對(duì)設(shè)備A、B、C分別進(jìn)行準(zhǔn)確率和響應(yīng)速率的測試，測試結(jié)果如表1所示。設(shè)備A的語音識(shí)別正確率最高，而設(shè)備C的語音識(shí)別響應(yīng)速率最好。

4 結(jié)論

基于語音識(shí)別技術(shù)的測試平臺(tái)通過文字和語音之間的相互轉(zhuǎn)換，實(shí)現(xiàn)在日常生活中對(duì)語音設(shè)備的功能正確性和性能穩(wěn)定性的檢測，為語音識(shí)別的驗(yàn)證工作提供了有效的支持。此外，語音輸入標(biāo)準(zhǔn)不統(tǒng)一和背景噪聲的困擾，從一定程度上仍然制約著語音識(shí)別技術(shù)的發(fā)展，將會(huì)成為未來測試平臺(tái)研究的重點(diǎn)課題。

表1 語音識(shí)別功能和性能測試總結(jié)