基于FPGA的語(yǔ)音端點(diǎn)檢測

語(yǔ)音端點(diǎn)檢測就是從背景噪聲中找到語(yǔ)音的起點(diǎn)和終點(diǎn)，其目標是要在一段輸入信號中將語(yǔ)音信號同其他信號(如背景噪聲)分離并且準確地判斷出語(yǔ)音的端點(diǎn)。研究表明，即使在安靜的環(huán)境中，一半以上的語(yǔ)音識別系統識別錯誤來(lái)自端點(diǎn)檢測。因此，端點(diǎn)檢測的重要性不容忽視，尤其在噪聲環(huán)境下語(yǔ)音的端點(diǎn)檢測，它的準確性很大程度上直接影響著(zhù)后續的工作能否有效進(jìn)行[1]。

　　當前語(yǔ)音識別系統大多以ARM、DSP為設計核心，其設計費用高、缺乏靈活性、開(kāi)發(fā)周期長(cháng)，而且很難滿(mǎn)足高速的系統要求。在對語(yǔ)音端點(diǎn)檢測算法的研究中，提出了諸如基于能量、過(guò)零率、LPC預測殘差等多種算法[2]，但這些方法大部分都是基于計算機軟件的，不適合進(jìn)行硬件開(kāi)發(fā)[3]。

　　FPGA具有功耗低、體積小、速度快等優(yōu)點(diǎn)，可以滿(mǎn)足語(yǔ)音識別系統的實(shí)時(shí)性要求。本文嘗試用FPGA實(shí)現語(yǔ)音端點(diǎn)檢測，對常用的Lawrence Rabiner端點(diǎn)檢測法進(jìn)行改進(jìn)，用純硬件的方法實(shí)現語(yǔ)音端點(diǎn)檢測，并以“長(cháng)沙”等詞和短語(yǔ)為例，驗證其準確性和可行性。

　　1 FPGA實(shí)現語(yǔ)音端點(diǎn)檢測基本原理

　　主要由四個(gè)部分完成：預加重、分幀、加窗和端點(diǎn)判斷，FPGA實(shí)現方法同樣要經(jīng)過(guò)這四個(gè)步驟。

　　1.1 預加重

　　語(yǔ)音信號的平均功率譜由于受聲門(mén)激勵和口鼻輻射的影響，高頻端大約在800 Hz以上按6 dB/Oct(倍頻程)衰減，這樣語(yǔ)音信號的頻譜中，頻率越高相應的成分越少，因而要得到高頻部分的頻率比低頻部分更困難。所以，對語(yǔ)音信號進(jìn)行分析之前，要對語(yǔ)音信號加以提升，使語(yǔ)音信號的短時(shí)頻譜變得更為平坦，從而便于進(jìn)行頻譜分析和聲道參數分析。提升的方法有模擬電路法和數字電路法，本設計主要采用數字電路法。一般的數字電路法用一階的數字濾波器來(lái)實(shí)現：

　　式(2)只有移位和加減運算，即用簡(jiǎn)單的移位來(lái)取代復雜的小數乘法運算，從而可以方便地用FPGA實(shí)現。

　　1.2 分幀加窗

　　分幀處理即將預加重后的語(yǔ)音信號分成多段進(jìn)行分析，即從原始語(yǔ)音序列中分解出一個(gè)新的依賴(lài)于時(shí)間的序列，便于描述語(yǔ)音信號特征。語(yǔ)音信號具有時(shí)變特性，但在相當短的時(shí)間范圍內，其特性基本保持不變，從而可以進(jìn)行分段分析。假設語(yǔ)音信號在10 ms～30 ms內平穩，就可以以此時(shí)間段為單位將語(yǔ)音信號分ms段進(jìn)行分析，其中每一段稱(chēng)為一“幀”，每一幀的長(cháng)度叫幀長(cháng)。為了使幀與幀之間保持連續平滑過(guò)渡，分幀一般采用交疊分段的方法，前一幀和后一幀的交疊部分稱(chēng)為幀移。幀移與幀長(cháng)的比值一般取為0～1/2。為便于語(yǔ)音識別系統中特征的提取，取2n為幀長(cháng)。本文語(yǔ)音信號的采樣頻率為16 kHz，取幀長(cháng)為256(16 ms)，幀移為128。

　　分幀的FPGA實(shí)現。其關(guān)鍵就是解決幀移的疊加問(wèn)題?？梢杂脙蓚€(gè)FIFO(F1和F2)來(lái)實(shí)現，具體過(guò)程為：先向F1寫(xiě)入128個(gè)數;讀取F1中的數得到這幀前128個(gè)數，同時(shí)將F1中的數寫(xiě)入F2中;F1的數讀完時(shí)F2也已寫(xiě)完，此時(shí)再讀取F2中的數得到這幀的后128個(gè)數(這時(shí)就得到了一幀的語(yǔ)音信號)，在讀取F2中數據的同時(shí)向F1寫(xiě)入下一幀的數據，這樣一直循環(huán)就完成了語(yǔ)音的分幀。

　　分幀后幀之間重新拼接處語(yǔ)音信號的頻譜特性和原來(lái)相比會(huì )有差異。為了使語(yǔ)音信號在幀之間重新拼接處的頻譜特性與原來(lái)更加接近，就要進(jìn)行加窗處理。在語(yǔ)音信號處理中常用的窗函數是矩形窗和漢明窗[5]。它們的表達式如下(其中N為幀長(cháng))：

　　矩形窗：

　　矩形窗的主瓣寬度較小，因而具有較高的頻率分辨率;但它的旁瓣峰值較大，因此其頻譜泄露比較嚴重。相比較而言，雖然漢明窗主瓣寬度較矩形窗大一倍，但是它的旁瓣衰減較大，因而具有更平滑的低通特性，能夠在較高程度上反映短時(shí)語(yǔ)音信號的頻譜特性，所以本文采用漢明窗。

　　加窗的FPGA實(shí)現。加窗就是用分幀后的數據乘以窗函數。在FPGA的實(shí)現上加漢明窗的過(guò)程難點(diǎn)是小數余弦乘法運算，如果用算法來(lái)實(shí)現運算會(huì )比較慢。這里考慮到N比較小，可以采用查表法實(shí)現加窗處理。查表法就是將窗函數的各個(gè)值存在ROM里面，依次查找。這里用DSP Builder工具生成窗函數的各個(gè)值，因為Altera公司開(kāi)發(fā)的DSP Builder工具有很強的數字信號處理功能，能很好地完成窗函數的運算。具體操作步驟為：在Matlab中打開(kāi)simulink工具并打開(kāi)Altera DSP Builder Blockset工具箱，然后新建“.mdl”文件，在工具箱中找到相應的模塊并連接。在“hamming_table”模塊的“Matlab Array”中輸入“0.54-0.56*cos([0:2*pi/255:2*pi])”。然后編譯、綜合，系統就會(huì )自動(dòng)生成查表法要用到的“.hex”文件。

　　1.3 端點(diǎn)判斷

　　端點(diǎn)判斷是整個(gè)端點(diǎn)檢測中最重要的部分，也是計算量最大的部分。所以算法的選擇非常重要，本文用算法是根據Lawrence Rabiner端點(diǎn)檢測法改進(jìn)而來(lái)的。先介紹下Lawrence Rabiner端點(diǎn)檢測法，這種方法以過(guò)零率ZRC和能量E為特征來(lái)檢測起止點(diǎn)，具體方法為：

　　該算法是以基于能量的起止點(diǎn)算法。根據發(fā)音剛開(kāi)始前已知為“靜”態(tài)的的連續10幀內的數據，計算能量閾值T1(低能量閾值)及T2(高能量閾值)。開(kāi)始計算前10幀每幀的能量，設其最大值稱(chēng)之為MX，最小值為MN，過(guò)零率閾值為ZCT，則有：

　　其中，F為固定值，一般為25，ZC和c分別為最初10幀過(guò)零率的均值和標準差。先根據T1、T2算得初始起點(diǎn)BN(起點(diǎn)幀號)。方法為：從第11幀開(kāi)始，逐次比較每幀的平均幅度，BN為能量超過(guò)T1的第一幀的幀號。但若后續幀的能量在尚未超過(guò)T2之前又降到T1之下，則原BN不作為初始起點(diǎn)，改記下一個(gè)能量超過(guò)了T1的幀的幀號為BN，依此類(lèi)推，在找到第一個(gè)能量超過(guò)T2的幀時(shí)停止比較。當BN確定后，從BN幀向(BN-25)幀搜索，依次比較各幀的過(guò)零率，若有3幀以上的ZCR>ZCT，則將起點(diǎn)BN定為滿(mǎn)足ZCR>ZCT的最前幀的幀號，否則即以BN為起點(diǎn)。這種起點(diǎn)檢測法也稱(chēng)雙門(mén)限前端檢測算法。語(yǔ)音結束點(diǎn)EN(結束點(diǎn)幀號)的檢測方法與檢測起點(diǎn)相同，從后向前搜索，找第一個(gè)能量低于T1且其前向幀的能量在超出T2前沒(méi)有下降到T1以下的幀的幀號，記為EN，隨后根據過(guò)零率向(EN=25)幀搜索，若有3幀以上的ZCR≥ZCT，則將結束點(diǎn)EN定為滿(mǎn)足ZCR≥ZCT的最后幀的幀號，否則即以EN作為結束點(diǎn)。

　　這種算法硬件實(shí)現起來(lái)比較復雜，而且速度慢，所以要對算法進(jìn)行改進(jìn)。改進(jìn)后的算法為：超過(guò)高門(mén)限可以用于確定語(yǔ)音的開(kāi)始，低門(mén)限用于確定語(yǔ)音的終點(diǎn)。超過(guò)高門(mén)限未必就是語(yǔ)音的開(kāi)始，有時(shí)候噪聲的能量也可能相當大從而超過(guò)高門(mén)限，但是噪聲一般持續時(shí)間比較短，可以用超過(guò)高門(mén)限持續時(shí)間來(lái)決定是噪聲還是語(yǔ)音開(kāi)始。當高門(mén)限已經(jīng)確定語(yǔ)音開(kāi)始后，再利用低門(mén)限來(lái)確定語(yǔ)音的結束點(diǎn)。低于低門(mén)限未必就是語(yǔ)音的結束，有時(shí)候語(yǔ)音信號的能量也可能低于低門(mén)限，但是語(yǔ)音信號低于低門(mén)限的時(shí)間不可能很長(cháng)，可以用低過(guò)低門(mén)限的時(shí)間來(lái)判斷語(yǔ)音的結束點(diǎn)。這樣起止點(diǎn)的檢查，就減少了過(guò)零率的判斷和前10幀過(guò)零率均值和標準差的計算。所以這個(gè)算法門(mén)限值的選擇對語(yǔ)音端點(diǎn)檢測的影響比較大，本設計的門(mén)限值是根據Lawrence Rabiner端點(diǎn)檢測法并通過(guò)大量實(shí)驗得來(lái)，計算式如式(10)和式(11)。其中，AE為前14幀的平均能量、T1是低門(mén)限、T2是高門(mén)限。

　　T1=1.5AE(10)

　　T2=2T1(11)