陳立鵬 陳小龍 宋詩凡 陳楨衍

（天津工業(yè)大學(xué) 軟件學(xué)院，天津 300387）

人類的感知過程是多模態(tài)的[1]，樣本可以通過不同通道的信息加以描述，每一通道的信息定義為一種特定的模態(tài)[2]。相比于單一模態(tài)，多模態(tài)能更準(zhǔn)確地描述出樣本的特征。

早在公元前4 世紀(jì)，多模態(tài)的相關(guān)概念和理論即被用以定義融合不同內(nèi)容的表達(dá)形式與修辭方法[3-4]。多模態(tài)學(xué)習(xí)從1970 年起步，經(jīng)歷了幾個發(fā)展階段后，在2010 年之后全面步入深度學(xué)習(xí)階段。多模態(tài)學(xué)習(xí)可以劃分為以下五個研究方向：多模態(tài)表示學(xué)習(xí)、模態(tài)轉(zhuǎn)化、對齊、多模態(tài)融合、協(xié)同學(xué)習(xí)[5]。

多模態(tài)技術(shù)常被應(yīng)用到語義識別中，通常結(jié)合圖片、文本、語音等,判斷說話人的語義，語音識別技術(shù)最早可以追溯到1952 年，當(dāng)時Davis[6]等人研究出了可以識別10 個英文數(shù)字發(fā)音的實驗系統(tǒng)。從那時起到現(xiàn)在，語音識別給我們帶來了很多方便[7]?，F(xiàn)階段家教平臺眾多，大學(xué)生家教由于價格便宜，性價比高受到了一些家長的青睞，但是大學(xué)生家教還未形成規(guī)范的體系，在上課期間可能發(fā)生意外情況卻無法報警或及時告知能幫助他們的人，針對這一現(xiàn)象，本文提出一種基于多模態(tài)語義分析的語音識別報警系統(tǒng)。

1 系統(tǒng)簡介

本系統(tǒng)基于Python Tensorflow環(huán)境實現(xiàn)了語音識別報警功能，部署本系統(tǒng)的應(yīng)用在工作場景進(jìn)行實時錄音，當(dāng)檢測到一方對另一方發(fā)出具有威脅性或者求救性的語音時實施報警，為避免當(dāng)事人因無意識地觸發(fā)詞庫關(guān)鍵詞而導(dǎo)致系統(tǒng)錯誤地報警，因此需要實時監(jiān)測被監(jiān)聽者的語音情緒，當(dāng)被監(jiān)聽者用恐懼或是傷心的語氣觸發(fā)求救關(guān)鍵詞立刻觸發(fā)報警系統(tǒng)，所以實現(xiàn)本系統(tǒng)的關(guān)鍵在于兩大模塊，分別是：情感分析模塊以及語音關(guān)鍵詞喚醒模塊。

2 情感分析模塊

2.1 情感描述方式

情感描述方式主要有兩種類型：一種是維度描述方法例如Schlosberg[9]等提出的三維情感，該種描述可以從三個維度描述情感，同時可以體會出情感的微妙變化；而另外一種則是對情感實施離散分類，就像Chen[8]等提出的MFCCG-PCA 情感識別模型，該模型實現(xiàn)了害怕、高興、驚訝、中性、悲傷、生氣這六種情感的離散化分類，該種描述無法體會到情感的微妙變化。

作者在構(gòu)建該語音識別警報系統(tǒng)時選擇離散式的情感描述方式，因為該系統(tǒng)只需要檢測被監(jiān)聽者發(fā)出求救信號時的情感狀態(tài)，不需要體會被監(jiān)聽者的情感變化。

2.2 語音情感識別模型

在早期Wang[10]等利用支持向量機(jī)來預(yù)測語音情感，Zhao[11]等分析了不同情感的時間構(gòu)造、振幅構(gòu)造、基頻構(gòu)造和共振峰構(gòu)造等語音特征。

近年來由于深度學(xué)習(xí)的發(fā)展人民普遍應(yīng)用深度學(xué)習(xí)的方法來對語音情感進(jìn)行預(yù)測，Geng[15]等提出了卷積神經(jīng)網(wǎng)絡(luò)CNN 來預(yù)測語音情感，Li[12]等提出了改進(jìn)MFCC 融合特征的憤怒情緒判斷方法，Zhu[13]等利用了AlexNet 預(yù)訓(xùn)練的網(wǎng)絡(luò)結(jié)合FNC 全卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對不同情緒的預(yù)測，Xue[14]等結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)CNN 以及雙向循環(huán)神經(jīng)網(wǎng)絡(luò)BiGRU 提出了TSTNet 語音情感識別模型。

由于作者需要實現(xiàn)實時分析語音情感的系統(tǒng)，并且訓(xùn)練好的模型為了保證運(yùn)算速度會部署在性能足夠強(qiáng)大的服務(wù)器上，考慮到數(shù)據(jù)在網(wǎng)絡(luò)上的傳播時延會顯著的影響模型的響應(yīng)速度，因此訓(xùn)練模型時必須選取計算時間足夠短的網(wǎng)絡(luò)結(jié)構(gòu)。在保證至少85%的正確率的前提下，作者選擇了Geng[15]等提出的CNN 卷積網(wǎng)絡(luò)結(jié)構(gòu)作為用來實現(xiàn)本系統(tǒng)的語音情感分類器，盡管有比該類模型更加優(yōu)秀的選擇，但考慮到計算時間的要求CNN 卷積網(wǎng)絡(luò)結(jié)構(gòu)是最好的選則，因為其它網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，計算量要比CNN 模型大得多，經(jīng)作者測試在同一硬件條件下CNN 網(wǎng)絡(luò)的計算速度要比TSTNet 快2s。因此作者最終選擇了CNN 卷積神經(jīng)網(wǎng)絡(luò)作為語音情感分類器。

2.3 中文情感數(shù)據(jù)庫

由于本系統(tǒng)被研發(fā)出來是希望應(yīng)用于中文環(huán)境中的，因此作者進(jìn)行模型訓(xùn)練時只選取了CASⅠA 中文語音情感數(shù)據(jù)庫，該數(shù)據(jù)庫中共收錄了總共1200 條分別由四位播音員錄制的害怕、高興、驚訝、中性、悲傷、生氣這六種情感的語音數(shù)據(jù)，每條語音數(shù)據(jù)長度在[1s, 2s]這個區(qū)間。

2.4 數(shù)據(jù)處理

每一條數(shù)據(jù)首先被統(tǒng)一成音長2s，采樣率16000Hz 的數(shù)據(jù)，之后作者對原始數(shù)據(jù)進(jìn)行了隨機(jī)語音增強(qiáng)以及混入自然噪音，并將數(shù)據(jù)增強(qiáng)后的語音數(shù)據(jù)集喂入Pascual[16]等提出的語音增強(qiáng)對抗神經(jīng)網(wǎng)絡(luò)中再做進(jìn)一步的數(shù)據(jù)增強(qiáng)。作者最終通過隨機(jī)語音增強(qiáng)以及混入自然噪音加上對抗神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)增強(qiáng)的方式得到了12000 余條語音數(shù)據(jù)。之后將所有數(shù)據(jù)樣本進(jìn)行預(yù)加重、數(shù)據(jù)分割、加漢明窗、提取MFCC 后就可以將數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練。

2.5 CNN 情感識別模型的設(shè)計

作者建立該模型使用了五個卷積模塊（如圖1 所示），第一個卷積模塊只有一個卷積層和一個Relu 層，第二個卷積模塊擁有一個卷積層、一個正則化層、一個Relu 層、一個Dropout 和一個最大池化層，第三個和第五個卷積模塊和第一個相同，第四個卷積模塊和第二個一樣，作者試驗過多種卷積網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過驗證發(fā)現(xiàn)該種結(jié)構(gòu)的效果最好。

圖1 CNN 網(wǎng)絡(luò)結(jié)構(gòu)圖

在神經(jīng)網(wǎng)絡(luò)中第一個卷積模塊被用來提取音頻數(shù)據(jù)的二維特征頻域×?xí)r序，再將該二維特征作為輸入數(shù)據(jù)喂入其余四個卷積模塊中，在本系統(tǒng)中作者輸入大小設(shè)置為63×1，內(nèi)核設(shè)置為2×2，卷積核的跨度為1×2，其余所有卷積核均為1×1。同時為了提高深度網(wǎng)絡(luò)的運(yùn)算速度并且保證訓(xùn)練時數(shù)據(jù)分布一致，作者還在網(wǎng)絡(luò)中使用了批歸一化[17]。

氣象站位于甘肅酒泉市金塔縣境內(nèi)，地處東經(jīng)98°30'00"，北緯 40°19'58.8"，北靠黑山，地處戈壁，地勢平坦，場地開闊。金塔縣位于甘肅省河西走廊中段北部邊緣，東、北與內(nèi)蒙古額濟(jì)納旗毗連，西面與甘肅嘉峪關(guān)、玉門、肅北接壤，南與酒泉市和張掖地區(qū)的高臺縣為鄰。

經(jīng)過批歸一化處理過后神經(jīng)網(wǎng)絡(luò)最終輸出結(jié)果為：

經(jīng)過作者驗證，該模型可在1s 左右的時間計算結(jié)果準(zhǔn)確率可以達(dá)到87.43%。

3 語音關(guān)鍵詞喚醒模塊

語音關(guān)鍵詞檢測是指從連續(xù)語音流中識別或檢測出一個特定關(guān)鍵詞[18]。在檢測到詞庫關(guān)鍵詞后喚醒后續(xù)的程序，這就是本模塊的基本工作內(nèi)容。

語音關(guān)鍵詞識別的方法：

作者在構(gòu)建語音關(guān)鍵詞喚醒模塊時分為以下兩個步驟：

a.基于模板匹配的關(guān)鍵詞識別[21]

基本算法框架包括語音信號預(yù)處理，端點檢測，特征參數(shù)提取，模板庫參考模板建立，模板匹配識別等基本單元[19-20]。

首先將一段用人聲說出的詞匯錄音下來，通過算法制作成可識別的詞匯模板。設(shè)計出算法對語音進(jìn)行預(yù)濾波、ADC、分幀、端點檢測、預(yù)加重、加窗、特征提取、特征匹配。算法模塊加載了詞匯模板后，檢測出有效語音，根據(jù)人耳聽覺感知特性，計算每幀語音的MFCC。然后采用DTW 算法與特征模板相匹配，最終輸出識別結(jié)果。

本文將“模板”替換為RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)，這樣做可以提高2%的識別精度。

b. RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)與訓(xùn)練方法：在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元結(jié)點的輸入首先經(jīng)過加權(quán)線性組合，然后通過激活函數(shù)(Activation function)激活[24]。

Sigmoid 函數(shù)：

激活函數(shù)有很多種本文作者使用Sigmoid 函數(shù)，因為該模塊可以看作二分類系統(tǒng)模塊，即符合關(guān)鍵詞與不符合關(guān)鍵詞。

由于語音是與時序有關(guān)的信號，語音中過去和將來的狀態(tài)信息都會影響到此時的狀態(tài)，為了解決這種時序問題Grave在文獻(xiàn)[25]中設(shè)計了如圖2 所示的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)。

圖2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)[26]

當(dāng)前層通過t=1 到T 的迭代，根據(jù)式(4)計算隱藏層的后向序列，

建立好網(wǎng)絡(luò)之后就可以進(jìn)行迭代訓(xùn)練了，最后語音識別喚醒模塊的準(zhǔn)確率為91%。

4 雙模態(tài)融合

作者使用兩種模型后端融合的方式來實現(xiàn)該語音識別報警系統(tǒng)的模態(tài)融合，具體操作（如圖3 所示）為將語音關(guān)鍵詞喚醒模塊作為語音情感分析的啟動模塊，語音關(guān)鍵詞喚醒模塊（以下簡稱S）將被安裝到客戶端上，一旦被監(jiān)聽者觸發(fā)關(guān)鍵詞庫中的關(guān)鍵詞，S 就會通過網(wǎng)絡(luò)將監(jiān)聽到的關(guān)鍵詞語音片數(shù)據(jù)段送到位于服務(wù)端的情感分析模塊上（以下簡稱E），之后E 會針對這一段語音進(jìn)行情感分析，一旦S 傳遞的語音片段屬于悲傷、恐懼這一類的負(fù)面情感，E 會通過網(wǎng)絡(luò)向位于客戶端的S 發(fā)出報警信號，同時E 也會向后臺管理人員發(fā)出報警，S 在接到E 的報警信號后會大聲地發(fā)出警報聲音恫嚇施暴者，并且還會通過網(wǎng)絡(luò)向E 發(fā)送被監(jiān)聽者所處的位置，以便于在確認(rèn)被監(jiān)聽者真正遭受人身威脅時向警方提供關(guān)鍵信息。

圖3 雙模態(tài)融合圖

結(jié)果分析：

情感識別模塊的準(zhǔn)確率為87.43%，關(guān)鍵詞識別模塊的準(zhǔn)確率為91%，在建立好圖4 的系統(tǒng)結(jié)構(gòu)之后，通過在分別為安靜無聲的環(huán)境中進(jìn)行播放帶有恐懼情感的“救命”錄音的方式進(jìn)行測試以及在有不規(guī)則背景噪音的環(huán)境中進(jìn)行播放帶有恐懼情感的“救命”錄音的方式進(jìn)行測試，兩個場景分別執(zhí)行50次測試，最終測得安靜無聲的環(huán)境中該系統(tǒng)識別的正確率為88%，而在有不規(guī)則噪音的環(huán)境中測試的成功率為80%。

5 結(jié)論

本文從系統(tǒng)功能出發(fā)，首先介紹了該語音識別報警系統(tǒng)的系統(tǒng)結(jié)構(gòu)，包括語音情感分析模塊和語音關(guān)鍵詞喚醒模塊，隨后又分別針對兩大模塊介紹了其實現(xiàn)原理，包括基于對抗神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)，基于CNN 模型、RNN 模型的Tensorflow預(yù)測模型的搭建與訓(xùn)練，同時還簡要介紹了加速訓(xùn)練的批歸一化算法。

經(jīng)過實景測試表明該系統(tǒng)可快速判斷求救語義并做出及時的反應(yīng)，經(jīng)過多次人工實驗表明，在安靜無聲的環(huán)境中該系統(tǒng)識別的正確率為88%，而在有不規(guī)則噪音的環(huán)境中識別的成功率為80%，因此對實際應(yīng)用具有一定的指導(dǎo)意義。