孤立詞語音識(shí)別系統(tǒng)的DSP實(shí)現(xiàn)

0 引 言
??? 在孤立詞語音識(shí)別中，最為簡單有效的方法是采用動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping，DTW)算法，該算法解決了發(fā)音長短不一的模板匹配問題，是語音識(shí)別中出現(xiàn)最早、較為經(jīng)典的一種算法。用于孤立詞識(shí)別，該算法較現(xiàn)在比較流行的HMM算法在相同的環(huán)境條件下，識(shí)別效果相差不大，但HMM算法要復(fù)雜的多，這主要體現(xiàn)在HMM算法在訓(xùn)練階段需要提供大量的語音數(shù)據(jù)，通過反復(fù)計(jì)算才能得到模型參數(shù)，而DTW算法的訓(xùn)練中幾乎不需要額外的計(jì)算。所以在孤立詞語音識(shí)別中，DTW算法仍得到廣泛的應(yīng)用。本系統(tǒng)就采用了該算法。

1 系統(tǒng)概述
??? 語音識(shí)別系統(tǒng)的典型實(shí)現(xiàn)方案如圖1所示。輸入的模擬語音信號(hào)首先要進(jìn)行預(yù)處理，包括預(yù)濾波、采樣和量化、加窗、斷點(diǎn)檢測、預(yù)加重等。語音信號(hào)經(jīng)過預(yù)處理后，接下來重要的一環(huán)就是特征參數(shù)提取，其目的是從語音波形中提取出隨時(shí)間變化的語音特征序列。然后建立聲學(xué)模型，在識(shí)別的時(shí)候?qū)⑤斎氲恼Z音特征同聲學(xué)模型進(jìn)行比較，得到最佳的識(shí)別結(jié)果。

2 硬件構(gòu)成
2．1 系統(tǒng)構(gòu)成
??? 這里采用DSP芯片為核心(圖2)，系統(tǒng)包括直接雙訪問快速SRAM、一路ADC／一路DAC及相應(yīng)的模擬信號(hào)放大器和抗混疊濾波器。外部只需擴(kuò)展FLASH存儲(chǔ)器、電源模塊等少量電路即可構(gòu)成完整系統(tǒng)應(yīng)用。

2．2 系統(tǒng)主要功能模塊構(gòu)成
??? 語音處理模塊采用TI TMS320VC5402，其主要特點(diǎn)包括：采用改進(jìn)的哈佛結(jié)構(gòu)，一條程序總線(PB)，三條數(shù)據(jù)總線(CB，DB，EB)和四條地址總線(PAB，CAB，DAB，EAB)，帶有專用硬件邏輯CPU(40位算術(shù)邏輯單元(ALU)，包括1個(gè)40位桶形移位器和二個(gè)40位累加器；一個(gè)17×17乘法器和一個(gè)40位專用加法器，允許16位帶或不帶符號(hào)的乘法)，片內(nèi)存儲(chǔ)器(八個(gè)輔助寄存器及一個(gè)軟件棧)，片內(nèi)外專用的指令集，允許使用業(yè)界最先進(jìn)的定點(diǎn)DSP C語言編譯器。TMS320VC5402含4 KB的片內(nèi)ROM和16 KB的雙存取RAM，一個(gè)HPI(HostPortInterface)接口，二個(gè)多通道緩沖單口MCBSP(Multi-Channel Buffered SerialPort)，單周期指令執(zhí)行時(shí)間10 ns，帶有符合IEEE1149．1標(biāo)準(zhǔn)的JTAG邊界掃描仿真邏輯。語音輸入、輸出的模擬前端采用TI公司的TLC320ADSOC，它是一款集成ADC和DAC于一體的模擬接口電路，并且與DSP接口簡單，性能高、功耗低，已成為當(dāng)前語音處理的主流產(chǎn)品。16位數(shù)據(jù)結(jié)構(gòu)，音頻采樣頻率為2～22．05 kHz，內(nèi)含抗混疊濾波器和重構(gòu)濾波器的模擬接口芯片，還有一個(gè)能與許多DSP芯片相連的同步串行通信接口。TLC320AD50C片內(nèi)還包括一個(gè)定時(shí)器(調(diào)整采樣率和幀同步延時(shí))和控制器(調(diào)整編程放大增益、鎖相環(huán)PLL、主從模式)。TLC320AD50C與TMS320VC5402的硬件連接，如圖3所示。

3 語音識(shí)別算法實(shí)現(xiàn)
3．1 語音信號(hào)的端點(diǎn)檢測
??? 語音的端點(diǎn)檢測是語音識(shí)別中最基本的模塊，在嵌入式語音識(shí)別系統(tǒng)中更是占有非常重要的地位：一方面端點(diǎn)檢測的結(jié)果不準(zhǔn)確，系統(tǒng)的識(shí)別性能就得不到保證；另一方面如果端點(diǎn)檢測的結(jié)果過于放松，雖然語音部分被很好地包含在處理的信號(hào)中，但是增加過多的靜音則會(huì)增加系統(tǒng)的運(yùn)算量，同時(shí)對識(shí)別性能也有負(fù)面影響。因此為能量和過零率兩個(gè)參數(shù)分別設(shè)定兩個(gè)門限，一個(gè)是比較低的門限，數(shù)值比較小，對信號(hào)的變化比較敏感，很容易就被超過。另一個(gè)是比較高的門限，數(shù)值比較大，信號(hào)必須達(dá)到一定的強(qiáng)度，該門限才可能被超過。低門限被超過未必就是語音的開始，有可能是時(shí)間很短的噪聲引起的。高門限被超過，則基本確信是由于語音信號(hào)引起的。
??? 整個(gè)語音信號(hào)的端點(diǎn)檢測可以分為四段：靜音、過渡段、語音段、結(jié)束。程序中使用一個(gè)變量status來表示當(dāng)前所處的狀態(tài)。在靜音段，如果能量或過零率超越了低門限，就應(yīng)該開始標(biāo)記起始點(diǎn)，進(jìn)入過渡段。在過渡段中，由于參數(shù)的數(shù)值比較小，不能確信是否處于真正的語音段，因此只要兩個(gè)參數(shù)的數(shù)值都回落到低門限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)。而如果在過渡段中兩個(gè)參數(shù)中任意一個(gè)超過了高門限，就可以確信進(jìn)入語音段了。一些突發(fā)性的噪聲可以引發(fā)短時(shí)能量或過零率的數(shù)值很高，但是往往不能維持足夠長的時(shí)間，這些可以通過設(shè)定最短時(shí)間門限來判別。當(dāng)前狀態(tài)處于語音段時(shí)，如果兩個(gè)參數(shù)的數(shù)值降低到低門限以下，而且總的計(jì)時(shí)長度小于最短時(shí)間門限，則認(rèn)為這是一段噪音，繼續(xù)掃描以后的語音數(shù)據(jù)。否則就標(biāo)記好結(jié)束端點(diǎn)，并返回。
3．2 語音特征參數(shù)的提取
??? 近年來，一種能夠比較充分利用人耳這種特殊的感知特新的參數(shù)得到了廣泛的應(yīng)用，這就是Mel尺度倒譜參數(shù)(Mel-scaled Cepstrum Coefficients，MFCC)。它和線性頻率的轉(zhuǎn)換關(guān)系是：
??? fMel=2 596log10(1+f／700)
??? MFCC參數(shù)是按幀計(jì)算的。首先要通過FFT得到該幀信號(hào)的功率譜，轉(zhuǎn)換為Mel頻率下的功率譜。這需要在計(jì)算之前先在語音的頻譜范圍內(nèi)設(shè)置若干個(gè)帶通濾波器Hm(n)。MFCC參數(shù)的計(jì)算流程為：
??? (1)確定每一幀語音采樣序列的點(diǎn)數(shù)，本系統(tǒng)采取N=256點(diǎn)。對每幀序列s(n)進(jìn)行預(yù)加重處理后再經(jīng)過離散FFT變換，取模的平方得到離散功率譜s(n)。
??? (2)計(jì)算s(n)通過M個(gè)Hm(n)后所得的功率值，即計(jì)算s(n)和Hm(n)在各個(gè)離散頻率點(diǎn)上乘積之和，得到M個(gè)參數(shù)Pm，m=0，1，…，M-1。
??? (3)計(jì)算Pm的自然對數(shù)，得到Lm，m=0，1，…，M-1。
??? (4)對L0，L1,…,LM-1計(jì)算其離散余弦變換，得到Dm，m=0，1，…，M-1。
??? (5)舍去代表直流成分的D0，取D1，D2，…，DK作為MFCC參數(shù)。此處K=12。
3．3 特定人語音識(shí)別算法
??? 在孤立詞語音識(shí)別中，最為簡單有效的方法是采用DTW動(dòng)態(tài)時(shí)間規(guī)整算法，設(shè)參考模板特征矢量序列為A={a1，a2，…，aj)，輸入語音特征矢量序列為B={b1，b2，…，bk)，j≠k。DTW算法就是要尋找一個(gè)最佳的時(shí)間規(guī)整函數(shù)，使得語音輸入B的時(shí)間軸k映射到參考模板A的時(shí)間軸j上總的累計(jì)失真最小。
??? 將己經(jīng)存入模板庫的各個(gè)詞條稱為參考模板，一個(gè)參考模板可以表示為{R(1)，R(2)，…，R(M)}，m為訓(xùn)練語音幀的時(shí)序標(biāo)號(hào)，m=1為起點(diǎn)語音幀，m=M為終點(diǎn)語音幀，因此M為該模式包含的語音幀總數(shù)，R(m)為第m幀語音的特征矢量。所要識(shí)別的一個(gè)輸入詞條語音稱為參考模板，可表示為{T(1)，T(2)，…，T(N))，n為測試語音幀標(biāo)號(hào)，模板中共包含N幀音，T(n)為第n幀音的特征矢量。

為了比較它們的相似度，可以計(jì)算，它們之間的失真D[T，R]，失真越小相似度越高。為了計(jì)算這一失真，應(yīng)從T和R中各個(gè)對應(yīng)幀之間的失真算起。將各個(gè)對應(yīng)幀之間的失真累計(jì)起來就可以得到兩模式間的總失真。很容易想到的辦法是當(dāng)兩模式長度相等時(shí)，直接以相等的幀號(hào)相匹配后累加計(jì)算總失真，而當(dāng)兩個(gè)模式長度不等時(shí)則利用線性擴(kuò)張或線性壓縮的方法使兩模式具有相等長度，隨后進(jìn)行匹配計(jì)算失真度。但由于人類發(fā)音具有隨機(jī)的非線性變化，這種方法效果不可能是最佳的。為了達(dá)到最佳效果，可以采用動(dòng)態(tài)時(shí)間規(guī)整的方法。如圖4所示，橫坐標(biāo)對應(yīng)“1”這個(gè)字音的一次較短的發(fā)音，經(jīng)過分幀和特征矢量計(jì)算后共得到一個(gè)長度為43幀的語音序列，而縱坐標(biāo)對應(yīng)“1”這個(gè)字音的一次較長的發(fā)音，該語音特征序列共有56幀。為了找到兩個(gè)序列的最佳匹配路徑，現(xiàn)把測試模式的各個(gè)幀號(hào)n=1～N(圖4中N=43)在一個(gè)二維直角坐標(biāo)系中的橫軸上標(biāo)出，把參考模式的各幀號(hào)m=1～M(圖4中M=56)在縱軸上標(biāo)出。

??? 通過這些表示幀號(hào)的整數(shù)坐標(biāo)畫一些縱橫線即可形成一個(gè)網(wǎng)格，網(wǎng)格中何一個(gè)節(jié)點(diǎn)(n，m)表示測試模式中的某一幀和參考模式中的某一幀的交匯點(diǎn)。動(dòng)態(tài)時(shí)間規(guī)整算法可以歸結(jié)為尋找一條通過此網(wǎng)格中若干交叉點(diǎn)的路徑，路徑通過的交叉點(diǎn)即為參考模式和測試模式中進(jìn)行失真計(jì)算的幀號(hào)。路徑不是隨意選擇的，首先任何一種語音的發(fā)音快慢可能有變化，但是各部分的先后順序不可能改變，因此所選的路徑必定從左下角出發(fā)，在右上角結(jié)束。其次為了防止漫無目的的搜索，可以刪去那些向n軸方向或者m軸方向過分傾斜的路徑(例如，過分向n軸傾斜意味著R(m)壓縮很大而T(n)擴(kuò)張很大，而實(shí)際語音中這種壓、擴(kuò)總是有限的)。為了引入這個(gè)限制，可以對路徑中各通過點(diǎn)的路徑平均斜率的最大值和最小值予以限制。通常最大斜率定為2，最小平均斜率定為1／2。路徑的出發(fā)點(diǎn)可以選擇(n，m)=(1，1)點(diǎn)，也可以選擇(n，m)=(1，2)或(1，3)或(2，1)或(3，1)…點(diǎn)出發(fā)。前者稱為固定起點(diǎn)，后者稱為松弛起點(diǎn)。同樣，路徑可在(n，m)=(N，M)點(diǎn)結(jié)束，也可以在(n，m)=(N，M-1)或(N，M-2)或(N-1，M)或(N-2，M)…點(diǎn)結(jié)束。前者稱為固定終點(diǎn)，后者稱為松弛終點(diǎn)。
??? 使用DTW算法為核心直接構(gòu)造識(shí)別系統(tǒng)十分簡單，首先通過訓(xùn)練得到詞匯表中各參考語音的特征序列，直接將這些序列存儲(chǔ)為模板。在進(jìn)行識(shí)別時(shí)，將待識(shí)語音的特征序列依次與各參考語音特征序列進(jìn)行DTW匹配，最后得到的總失真度最小且小于識(shí)別閾值的就認(rèn)為是識(shí)別結(jié)果。該方法最顯著的優(yōu)點(diǎn)是識(shí)別率極高，大大超過目前多數(shù)的HMM語音識(shí)別系統(tǒng)和VQ語音識(shí)別系統(tǒng)。但其最明顯的缺點(diǎn)是由于需要對大量路徑及這些路徑中的所有節(jié)點(diǎn)進(jìn)行匹配計(jì)算，導(dǎo)致計(jì)算量極大，隨著詞匯量的增大其識(shí)別過程甚至將達(dá)到難以接受的程度，因此無法直接應(yīng)用于大、中詞匯量識(shí)別系統(tǒng)。

4 結(jié) 語
??? 以本系統(tǒng)為基礎(chǔ)開發(fā)了一種語音撥號(hào)系統(tǒng)，經(jīng)過大量實(shí)驗(yàn)表明，該系統(tǒng)電路運(yùn)行穩(wěn)定，且識(shí)別率可以達(dá)到90％。系統(tǒng)成本低，稍加改進(jìn)就可把該語音識(shí)別模塊移植應(yīng)用到各種系統(tǒng)設(shè)備中。