0 引 言

　　在孤立詞語音識別中，為簡單有效的方法是采用動態(tài)時間規(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，是語音識別中出現(xiàn)早、較為經(jīng)典的一種算法。用于孤立詞識別，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，通過反復(fù)計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算。所以在孤立詞語音識別中，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

　　語音識別系統(tǒng)的典型實現(xiàn)方案如圖1所示。輸入的模擬語音信號首先要進行預(yù)處理，包括預(yù)濾波、采樣和量化、加窗、斷點檢測、預(yù)加重等。語音信號經(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間變化的語音特征序列。然后建立聲學(xué)模型，在識別的時候?qū)⑤斎氲恼Z音特征同聲學(xué)模型進行比較，得到的識別結(jié)果。

　　2 硬件構(gòu)成

　　2.1 系統(tǒng)構(gòu)成

　　DSP芯片，也稱數(shù)字信號處理器， 是一種具有特殊結(jié)構(gòu)的微處理器。DSP芯片的內(nèi)部采用程序和數(shù)據(jù)分開的哈佛結(jié)構(gòu)，具有專門的硬件乘法器，廣泛采用流水線操作，提供特殊的DSP指令，可以用來快速的實現(xiàn)各種數(shù)字信號處理算法。

　　這里采用DSP芯片為（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)的模擬信號放大器和抗混疊濾波器。外部只需擴展FLASH存儲器、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，其主要特點包括：采用改進的哈佛結(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40位桶形移位器和二個40位累加器；一個17×17乘法器和一個40位專用加法器，允許16位帶或不帶符號的乘法），片內(nèi)存儲器（八個輔助寄存器及一個軟件棧），片內(nèi)外專用的指令集，允許使用業(yè)界的定點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HPI（HostPortInterface）接口，二個多通道緩沖單口MCBSP（Multi-Channel Buffered SerialPort），單周期指令執(zhí)行時間10 ns，帶有符合IEEE1149.1標準的JTAG邊界掃描仿真邏輯。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)還包括一個定時器（調(diào)整采樣率和幀同步延時）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 語音識別算法實現(xiàn)

　　3.1 語音信號的端點檢測

　　語音的端點檢測是語音識別中基本的模塊，在嵌入式語音識別系統(tǒng)中更是占有非常重要的地位：一方面端點檢測的結(jié)果不準確，系統(tǒng)的識別性能就得不到保證；另一方面如果端點檢測的結(jié)果過于放松，雖然語音部分被很好地包含在處理的信號中，但是增加過多的靜音則會增加系統(tǒng)的運算量，同時對識別性能也有負面影響。另一個是比較高的門限，數(shù)值比較大，信號必須達到一定的強度，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引起的。

　　整個語音信號的端點檢測可以分為四段：靜音、過渡段、語音段、結(jié)束。程序中使用一個變量status來表示當前所處的狀態(tài)。在靜音段，如果能量或過零率超越了低門限，就應(yīng)該開始標記起始點，進入過渡段。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，因此只要兩個參數(shù)的數(shù)值都回落到低門限以下，就將當前狀態(tài)恢復(fù)到靜音狀態(tài)。當前狀態(tài)處于語音段時，如果兩個參數(shù)的數(shù)值降低到低門限以下，而且總的計時長度小于短時間門限，則認為這是一段噪音，繼續(xù)掃描以后的語音數(shù)據(jù)。否則就標記好結(jié)束端點，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)是按幀計算的。首先要通過FFT得到該幀信號的功率譜，轉(zhuǎn)換為Mel頻率下的功率譜。這需要在計算之前先在語音的頻譜范圍內(nèi)設(shè)置若干個帶通濾波器Hm（n）。MFCC參數(shù)的計算流程為：

　　（1）確定每一幀語音采樣序列的點數(shù)，本系統(tǒng)采取N=256點。對每幀序列s（n）進行預(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）。

　?。?）計算s（n）通過M個Hm（n）后所得的功率值，即計算s（n）和Hm（n）在各個離散頻率點上乘積之和，得到M個參數(shù)Pm，m=0，1，…，M-1。

　?。?）計算Pm的自然對數(shù)，得到Lm，m=0，1，…，M-1。

　　（4）對L0，L1,…，LM-1計算其離散余弦變換，得到Dm，m=0，1，…，M-1。

　?。?）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 特定人語音識別算法

　　語音識別是一門交叉學(xué)科。近二十年來，語音識別技術(shù)取得顯著進步，開始從實驗室走向市場。人們預(yù)計，未來10年內(nèi)，語音識別技術(shù)將進入工業(yè)、家電、通信、汽車電子、醫(yī)療、家庭服務(wù)、消費電子產(chǎn)品等各個領(lǐng)域。 語音識別聽寫機在一些領(lǐng)域的應(yīng)用被美國新聞界評為1997年計算機發(fā)展十件大事之一。很多都認為語音識別技術(shù)是2000年至2010年間信息技術(shù)領(lǐng)域十大重要的科技發(fā)展技術(shù)之一。 語音識別技術(shù)所涉及的領(lǐng)域包括：信號處理、模式識別、概率論和信息論、發(fā)聲機理和聽覺機理、人工智能等等。

　　根據(jù)識別的對象不同，語音識別任務(wù)大體可分為3類，即孤立詞識別（isolated word recognition），關(guān)鍵詞識別（或稱關(guān)鍵詞檢出，keyword spotting）和連續(xù)語音識別。其中，孤立詞識別 的任務(wù)是識別事先已知的孤立的詞，如“開機”、“關(guān)機”等；連續(xù)語音識別的任務(wù)則是識別任意的連續(xù)語音，如一個句子或一段話；連續(xù)語音流中的關(guān)鍵詞檢測針對的是連續(xù)語音，但它并不識別全部文字，而只是檢測已知的若干關(guān)鍵詞在何處出現(xiàn)，如在一段話中檢測“計算機”、“世界”這兩個詞。

　　根據(jù)針對的發(fā)音人，可以把語音識別技術(shù)分為特定人語音識別和非特定人語音識別，前者只能識別一個或幾個人的語音，而后者則可以被任何人使用。顯然，非特定人語音識別系統(tǒng)更符合實際需要，但它要比針對特定人的識別困難得多。

　　另外，根據(jù)語音設(shè)備和通道，可以分為桌面（PC）語音識別、電話語音識別和嵌入式設(shè)備（手機、PDA等）語音識別。不同的采集通道會使人的發(fā)音的聲學(xué)特性發(fā)生變形，因此需要構(gòu)造各自的識別系統(tǒng)。

　　在孤立詞語音識別中，為簡單有效的方法是采用DTW動態(tài)時間規(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的時間規(guī)整函數(shù)，使得語音輸入B的時間軸k映射到參考模板A的時間軸j上總的累計失真。

　　將己經(jīng)存入模板庫的各個詞條稱為參考模板，一個參考模板可以表示為{R（1），R（2），…，R（M）}，m為訓(xùn)練語音幀的時序標號，m=1為起點語音幀，m=M為終點語音幀，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。所要識別的一個輸入詞條語音稱為參考模板，可表示為{T（1），T（2），…，T（N）），n為測試語音幀標號，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，可以計算，它們之間的失真D[T，R]，失真越小相似度越高。為了計算這一失真，應(yīng)從T和R中各個對應(yīng)幀之間的失真算起。如圖4所示，橫坐標對應(yīng)“1”這個字音的較短的發(fā)音，經(jīng)過分幀和特征矢量計算后共得到一個長度為43幀的語音序列，而縱坐標對應(yīng)“1”這個字音的較長的發(fā)音，該語音特征序列共有56幀。為了找到兩個序列的匹配路徑，現(xiàn)把測試模式的各個幀號n=1～N（圖4中N=43）在一個二維直角坐標系中的橫軸上標出，把參考模式的各幀號m=1～M（圖4中M=56）在縱軸上標出。

　　通過這些表示幀號的整數(shù)坐標畫一些縱橫線即可形成一個網(wǎng)格，網(wǎng)格中何一個節(jié)點（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。動態(tài)時間規(guī)整算法可以歸結(jié)為尋找一條通過此網(wǎng)格中若干交叉點的路徑，路徑通過的交叉點即為參考模式和測試模式中進行失真計算的幀號。為了引入這個限制，可以對路徑中各通過點的路徑平均斜率的值和值予以限制。通常斜率定為2，平均斜率定為1／2。路徑的出發(fā)點可以選擇（n，m）=（1，1）點，也可以選擇（n，m）=（1，2）或（1，3）或（2，1）或（3，1）…點出發(fā)。前者稱為固定起點，后者稱為松弛起點。同樣，路徑可在（n，m）=（N，M）點結(jié)束，也可以在（n，m）=（N，M-1）或（N，M-2）或（N-1，M）或（N-2，M）…點結(jié)束。前者稱為固定終點，后者稱為松弛終點。

　　使用DTW算法為直接構(gòu)造識別系統(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為模板。該方法顯著的優(yōu)點是識別率極高，大大超過目前多數(shù)的HMM語音識別系統(tǒng)和VQ語音識別系統(tǒng)。但其明顯的缺點是由于需要對大量路徑及這些路徑中的所有節(jié)點進行匹配計算，導(dǎo)致計算量極大，隨著詞匯量的增大其識別過程甚至將達到難以接受的程度，因此無法直接應(yīng)用于大、中詞匯量識別系統(tǒng)。

　　4 結(jié) 語

　　以本系統(tǒng)為基礎(chǔ)開發(fā)了一種語音撥號系統(tǒng)，經(jīng)過大量實驗表明，該系統(tǒng)電路運行穩(wěn)定，且識別率可以達到90％。系統(tǒng)成本低，稍加改進就可把該語音識別模塊移植應(yīng)用到各種系統(tǒng)設(shè)備中。