郭霏霏

（泉州職業(yè)技術(shù)大學(xué)智能制造學(xué)院，福建泉州362000）

計(jì)算機(jī)和人工智能的迅速發(fā)展為實(shí)現(xiàn)語音身份識(shí)別提供了可能。當(dāng)下的智能設(shè)備能夠迅速捕捉并提取語音信息，將對(duì)應(yīng)的身份信息以代碼的形式輸入計(jì)算機(jī)，使計(jì)算機(jī)能夠依照人類的思維方式，對(duì)捕捉到的語音進(jìn)行計(jì)算和分析［1-2］。如出現(xiàn)不同的語音控制指令時(shí)，通過計(jì)算機(jī)的對(duì)比、思考及推斷，可以劃分、辨認(rèn)出指令人的身份，再判斷是否執(zhí)行指令［3］。物聯(lián)網(wǎng)終端語音身份識(shí)別技術(shù)的實(shí)現(xiàn)是多個(gè)領(lǐng)域共同努力研究的成果，其中包括計(jì)算機(jī)科學(xué)、聲學(xué)等多個(gè)領(lǐng)域［4-5］。計(jì)算機(jī)等硬件設(shè)備的發(fā)展，對(duì)人們的生活產(chǎn)生潛移默化的影響，越來越多的智能工具進(jìn)入大家的工作生活中，并成為生活中不可或缺的一部分。語音身份識(shí)別技術(shù)作為一種具有先進(jìn)性、創(chuàng)新性的技術(shù)，在多模式人機(jī)交互等方面具有廣闊的發(fā)展前景［6］。為此，有學(xué)者提出相關(guān)的研究成果。余玲飛等［7］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和深度循環(huán)網(wǎng)絡(luò)的聲紋識(shí)別方法，但該方法存在訓(xùn)練和識(shí)別時(shí)間較長(zhǎng)等問題。隱馬爾可夫模型是一種統(tǒng)計(jì)模型，用來描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程。隱馬爾可夫模型存在從可觀察的參數(shù)中確定隱含參數(shù)，然后利用這些參數(shù)進(jìn)行下一步分析的復(fù)雜性，但對(duì)過程的狀態(tài)預(yù)測(cè)效果良好，能以較快的速度計(jì)算出具有維修能力和多重降級(jí)狀態(tài)的系統(tǒng)概率，實(shí)現(xiàn)物聯(lián)網(wǎng)終端語音身份動(dòng)態(tài)識(shí)別，從而解決以往方法存在識(shí)別時(shí)間較長(zhǎng)的問題。目前，隱馬爾可夫模型已應(yīng)用于生物信息科學(xué)、故障診斷以及計(jì)算機(jī)文字識(shí)別等眾多領(lǐng)域?；诖?，提出了一種基于隱馬爾可夫模型的物聯(lián)網(wǎng)終端語音身份動(dòng)態(tài)識(shí)別方法，構(gòu)建隱馬爾可夫模型進(jìn)行語音采集，并對(duì)身份特征信號(hào)數(shù)據(jù)進(jìn)行分類識(shí)別，最終完成物聯(lián)網(wǎng)終端語音身份的動(dòng)態(tài)識(shí)別。

1 隱馬爾可夫建模

1.1 隱馬爾可夫特征

隱馬爾可夫模型具有對(duì)語音的文本、紋理建模的功能，能準(zhǔn)確高效地定位語音特征點(diǎn)，已被廣泛應(yīng)用于語音身份特征點(diǎn)定位。運(yùn)用隱馬爾可夫模型時(shí)，紋理需要通過仿射變換的形式映射到對(duì)應(yīng)的文本實(shí)例中，得到當(dāng)前對(duì)象的描述模型，從而實(shí)現(xiàn)表觀建模。

1.2 文本建模

設(shè)Ps為一個(gè)物聯(lián)網(wǎng)終端語音序列，Pt為物聯(lián)網(wǎng)終端端點(diǎn)語音序列，θ為混合均值，Ps+i為s點(diǎn)到端點(diǎn)i的物聯(lián)網(wǎng)終端語音序列的差值，若特征均值E(Ps)=θ，語音方差V(Ps)=E(Ps-θ)2=τ2，且V(Ps，Pt)僅是特征差|t-s|的函數(shù)，則稱物聯(lián)網(wǎng)終端語音序列是一個(gè)穩(wěn)定過程。

穩(wěn)定過程Ps與Ps+i之間的方差為

作為i的函數(shù)，隱馬爾可夫只與文本特征i有關(guān)，與文本序列e沒有關(guān)系。i點(diǎn)的物聯(lián)網(wǎng)終端語音序列為

式中：Zs+i為s到i點(diǎn)的標(biāo)準(zhǔn)化功率譜曲線。

對(duì)于給定的物聯(lián)網(wǎng)終端語音序列P1，P2，…，Pn，-e為文本序列e的平均值，si+t為i點(diǎn)到端點(diǎn)t的文本序列，物聯(lián)網(wǎng)終端語音序列的隱馬爾可夫模型為

1.3 紋理建模

從空間域來看，需要利用功率譜空間頻率對(duì)終端語音身份進(jìn)行驗(yàn)證。由于識(shí)別的語音均存在相似的功率譜分布特征，因此可得到語音紋理空間頻率的標(biāo)準(zhǔn)化功率譜曲線如下：

式中：j為語音紋理空間頻率；m為語音紋理指數(shù)，且m∈（0，1）。

m值與功率譜曲線衰減速度呈正相關(guān)關(guān)系，且兩者越大，紋理越模糊；相反，m值越小，功率譜曲線衰減越慢，識(shí)別語音的高頻分量越多，紋理越清楚。

由于語音的紋理自相關(guān)函數(shù)和功率譜是傅里葉變換對(duì)，因此可得到語音紋理的隱馬爾可夫模型為

式中：f為傅里葉變換的功率信號(hào)；τ為語音紋理功率譜指數(shù)。

結(jié)合文本模型及紋理模型，完成隱馬爾可夫特征的構(gòu)建。對(duì)訓(xùn)練語音自動(dòng)標(biāo)記N個(gè)特征點(diǎn)，并將這些點(diǎn)的位置構(gòu)成集合N=｛(x1，y1)，(x2，y2)，…，（xn，yn）｝。

對(duì)訓(xùn)練語音對(duì)應(yīng)的標(biāo)記點(diǎn)進(jìn)行歸一化處理，以某個(gè)標(biāo)記點(diǎn)為基準(zhǔn)，對(duì)其他標(biāo)記點(diǎn)進(jìn)行歸一化處理，使得其盡可能地接近基準(zhǔn)標(biāo)記點(diǎn)的整體位置。采用主成分分析法處理數(shù)據(jù)，得到平均數(shù)據(jù)特征-A以及按特征值大小排序后的n個(gè)特征向量，隱馬爾可夫模型中標(biāo)記點(diǎn)特征方程為

式中：t0為初始給定的語音參數(shù)；Qi為語音特征量。

在初始給定一組語音參數(shù)后，得到語音中心標(biāo)記點(diǎn)，再根據(jù)訓(xùn)練語音的標(biāo)記點(diǎn)，得到平均數(shù)據(jù)特征和標(biāo)記點(diǎn)特征向量，完成隱馬爾可夫特征模型的建模。

2 物聯(lián)網(wǎng)終端語音身份動(dòng)態(tài)識(shí)別

物聯(lián)網(wǎng)終端語音身份動(dòng)態(tài)識(shí)別是輸入一組或多組語音身份識(shí)別的數(shù)據(jù)后［8-9］，對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理、特征提取以及識(shí)別分類，最終完成語音身份識(shí)別的過程［10］。

2.1 語音數(shù)據(jù)的采集

在隱馬爾可夫特征模型的基礎(chǔ)上，構(gòu)建由語音變化參考模塊和1臺(tái)計(jì)算機(jī)組成的語音捕捉平臺(tái)，其能夠?qū)φZ音進(jìn)行文本和特征捕捉。當(dāng)平臺(tái)開始工作時(shí)，語音變化參考模塊通過無線網(wǎng)絡(luò)以30 Hz的頻率上傳語音變化的數(shù)據(jù)，通過計(jì)算機(jī)接收數(shù)據(jù)，并采用地址查詢方式接收語音變化參考模塊發(fā)送的數(shù)據(jù)［11-12］。為減小體積和電磁波干擾，需要增強(qiáng)平臺(tái)獨(dú)立性，采用隱馬爾可夫特征模型，對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，經(jīng)去噪處理進(jìn)行數(shù)據(jù)融合，實(shí)時(shí)捕捉語音特征，再通過無線網(wǎng)絡(luò)模塊將數(shù)據(jù)發(fā)送到上位機(jī)，由上位機(jī)中的程序?qū)?shù)據(jù)進(jìn)行處理，最終轉(zhuǎn)變?yōu)樾盘?hào)形式。

2.2 語音預(yù)處理

語音質(zhì)量受很多因素的影響，例如，當(dāng)語音采集設(shè)備的質(zhì)量不達(dá)標(biāo)時(shí)，采集到的語音會(huì)產(chǎn)生噪聲，影響語音質(zhì)量及語音身份識(shí)別率［13］。為解決此類問題，需采取必要的預(yù)處理操作以消除噪聲，使特征表達(dá)更有效，為后面的分類打好基礎(chǔ)。需要說明的是，人的語言表達(dá)為不連續(xù)性，包含語音片段與空白語音片段，而不含語音的片段對(duì)語音身份識(shí)別的影響較小，因此實(shí)驗(yàn)中去除了空白語音片段［14-15］。

本文采用隱馬爾可夫特征模型可對(duì)每個(gè)語音進(jìn)行數(shù)據(jù)樣本采集。選取目標(biāo)語音數(shù)據(jù)作為原始信號(hào)，由于該信號(hào)存在噪聲，因此需要提高語音身份識(shí)別效果。為此，在提取原始信號(hào)特征前，對(duì)其進(jìn)行預(yù)處理，選取隱馬爾可夫特征模型對(duì)原始信號(hào)進(jìn)行濾波處理，利用加窗方法分割原始信號(hào)，此時(shí)單個(gè)信號(hào)包含了1 024個(gè)樣本。設(shè)信號(hào)采樣頻率為100 Hz，經(jīng)過加窗處理后的信號(hào)時(shí)間跨度為10.24 s，以完成單個(gè)行為動(dòng)作。若矩形窗過短，則不能包含足夠用于識(shí)別不同語音的識(shí)別信息；反之，隱馬爾可夫特征模型濾波處理則會(huì)出現(xiàn)延遲的現(xiàn)象。

2.3 語音身份特征提取

利用加窗方法對(duì)處理后的語音身份信號(hào)進(jìn)行身份特征提取，即

式中：Y為樣本數(shù)；Ai為i點(diǎn)的樣本值。

根據(jù)X軸偏度進(jìn)行語音身份識(shí)別，有

相關(guān)系數(shù)可對(duì)變量之間線性相關(guān)程度指標(biāo)進(jìn)行衡量，變量A、B的相關(guān)系數(shù)為

式中：Bi為i點(diǎn)的的相關(guān)系數(shù)為相關(guān)系數(shù)的平均值。

2.4 分類識(shí)別

根據(jù)提取的語音身份特征，對(duì)其數(shù)據(jù)進(jìn)行采集與處理，具體設(shè)計(jì)流程如下：

（1）根據(jù)傳感器特性對(duì)獲取的語音身份特征信號(hào)進(jìn)行信號(hào)空間初始化處理，使其賦予四階單位矩陣；

（2）語音傳感器遵循離散數(shù)據(jù)采集，形成四維矢量數(shù)據(jù)，可將該數(shù)據(jù)全部輸出；

（3）利用隱馬爾可夫特征模型可處理數(shù)據(jù)空間矢量值，并獲取優(yōu)化估計(jì)結(jié)果；

（4）依據(jù)傳感器數(shù)據(jù)信噪比以及噪聲方差矩陣，對(duì)數(shù)據(jù)進(jìn)行修正處理；

（5）依據(jù)各個(gè)傳感器信任級(jí)別進(jìn)行語音身份識(shí)別。

初始化處理語音傳感器，采集語音信號(hào)的全部數(shù)據(jù)；對(duì)身份信息進(jìn)行初始化處理，獲取身份數(shù)據(jù)。將這兩部分?jǐn)?shù)據(jù)全部集中到四維狀態(tài)數(shù)據(jù)空間，并對(duì)其進(jìn)行濾波處理，獲取最優(yōu)特征數(shù)據(jù)，經(jīng)自適應(yīng)修正，在信任級(jí)別條件下動(dòng)態(tài)識(shí)別物聯(lián)網(wǎng)終端語音的身份。

3 實(shí)驗(yàn)與分析

選擇20人，在同一環(huán)境下采集每個(gè)人的20組控制命令語音，每段語音3~5 s，組成包含400段語音的測(cè)試數(shù)據(jù)集。設(shè)置語音信號(hào)采樣率為16 kHz，16位單聲道，采集幀長(zhǎng)為60，在Matlab仿真平臺(tái)上進(jìn)行模擬實(shí)驗(yàn)，得到語音信號(hào)波形如圖1所示。

圖1 語音信號(hào)波形圖

實(shí)驗(yàn)中選取識(shí)別率及識(shí)別所需時(shí)間兩個(gè)指標(biāo)，對(duì)本文方法和文獻(xiàn)方法進(jìn)行對(duì)比。將選用的樣本分為3種：噪聲環(huán)境、慢語速和快語速。表1為兩種方法在不同條件下的識(shí)別率及識(shí)別所用時(shí)間的對(duì)比。

表1 不同條件下的識(shí)別率與識(shí)別時(shí)間

由表1可知，在慢語速下兩種方法的識(shí)別率都達(dá)到了100%，證明了兩種方法的語音身份識(shí)別的有效性；但對(duì)于快語速下的識(shí)別率受到較大的影響，而本文方法的識(shí)別率下降較小。這是由于本文方法在語音身份識(shí)別時(shí)考慮到了語音身份的類內(nèi)差別和類間差別，且使用了語音特征空間；而文獻(xiàn)方法只考慮了不同語音身份之間的差別，所以導(dǎo)致識(shí)別率下降較大。在噪聲環(huán)境下的識(shí)別率，兩種方法都有所下降，但本文方法的識(shí)別率明顯高于文獻(xiàn)方法，表明本文方法的去噪性能較好。

隨著識(shí)別條件的增加，兩種方法的識(shí)別所用時(shí)間都隨之增加。但相較于文獻(xiàn)方法，本文方法在3種不同條件下識(shí)別所用的時(shí)間都要少于文獻(xiàn)方法。這是因?yàn)楸疚姆椒ㄊ褂玫碾[馬爾可夫模型能以較快的速度計(jì)算出具有維修能力和多重降級(jí)狀態(tài)的系統(tǒng)概率，從而實(shí)現(xiàn)物聯(lián)網(wǎng)終端語音身份動(dòng)態(tài)識(shí)別；文獻(xiàn)方法則因?yàn)閷⒕矸e神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合，雖然可以提升識(shí)別率，但兩種方法疊加使用，增加了識(shí)別時(shí)間。

根據(jù)上述3種不同條件的語音身份識(shí)別，對(duì)兩種方法的穩(wěn)定性進(jìn)行對(duì)比。分別從每種條件數(shù)據(jù)中選取100組數(shù)據(jù)進(jìn)行識(shí)別穩(wěn)定性實(shí)驗(yàn)，并將文獻(xiàn)［7］中的識(shí)別方法與本文方法進(jìn)行對(duì)比分析，結(jié)果如圖2所示。

由圖2（a）可知，兩種方法識(shí)別慢語速語音時(shí)，均接近于標(biāo)準(zhǔn)值，穩(wěn)定性相差不大。但隨著識(shí)別條件的增加，由圖2（b）、（c）可知，相較于文獻(xiàn)方法，本文方法更加趨近于標(biāo)準(zhǔn)值，說明本文方法的識(shí)別穩(wěn)定性更好。

圖2 不同條件下的語音身份識(shí)別穩(wěn)定性

4 結(jié) 論

本文提出了一種基于隱馬爾可夫模型的物聯(lián)網(wǎng)終端語音身份動(dòng)態(tài)識(shí)別方法，通過隱馬爾可夫特征建模，在此基礎(chǔ)上構(gòu)建語音捕捉平臺(tái)；構(gòu)建隱馬爾可夫模型進(jìn)行語音采集，并對(duì)身份特征信號(hào)數(shù)據(jù)進(jìn)行分類識(shí)別，最終完成物聯(lián)網(wǎng)終端語音身份的動(dòng)態(tài)識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文方法識(shí)別精準(zhǔn)度較高，識(shí)別用時(shí)較短，且穩(wěn)定性較好，以期為語音身份的精準(zhǔn)識(shí)別提供一定技術(shù)支持。