大熱的麥克風(fēng)陣列語(yǔ)音識別系統的設計和輕松實(shí)現，提供軟硬件解決方案

摘要：

在非近距離語(yǔ)音識別中，由于衰減、干擾、混響等因素的影響，使語(yǔ)音識別率顯著(zhù)降低。使用麥克風(fēng)陣進(jìn)行語(yǔ)音識別的好處是通過(guò)提高信噪比來(lái)提高語(yǔ)音識別率。而本項目與傳統的麥克風(fēng)陣進(jìn)行語(yǔ)音識別的方法又有不同，它將語(yǔ)音接收端與語(yǔ)音識別部分組成一個(gè)反饋系統，通過(guò)優(yōu)化接收端濾波器的系數，使跟語(yǔ)音識別密切相關(guān)的倒譜域似然比最大，來(lái)提高語(yǔ)音識別準確率。在進(jìn)行Matlab仿真之后，將算法應用到FPGA中。FPGA開(kāi)發(fā)板暫定為Xilinx公司的Nexys 3 Spartan-6 FPGA Board。

1、研究方案

1.1 總統研究方案

當前基于隱馬爾可夫模型(HMM)的麥克風(fēng)陣語(yǔ)音識別系統，主要包括陣列信號處理和特征識別兩個(gè)階段，原理圖如圖1.1所示：

圖1.1 基于HMM的麥克風(fēng)陣語(yǔ)音識別系統結構

其中前端的陣處理主要是為了進(jìn)行語(yǔ)音增強，目的是在提取語(yǔ)音參數之前，盡量減小信號波形的失真。這一做法基于的假設是，對波形質(zhì)量得到改善的信號進(jìn)行特征識別能夠提高識別性能，即先后單獨進(jìn)行陣處理和特征識別操作，如圖1.2所示：

圖1.2 常規的麥克風(fēng)陣語(yǔ)音識別系統框架

本項目采用的處理方法，對陣元接收的信號進(jìn)行濾波求和，其目的并不是為了改善信號波形質(zhì)量，而是在于直接提高識別過(guò)程中正確假設的似然概率，進(jìn)而提高識別率。這一方案需要將陣處理和識別過(guò)程聯(lián)合起來(lái)考慮，框架如圖1.3所示：

圖1.3 結合識別過(guò)程進(jìn)行陣處理的語(yǔ)音識別系統框架

本方案在接收陣上引入一組FIR濾波器，通過(guò)優(yōu)化濾波器系數，產(chǎn)生一組陣參數以最大化信號被正確識別的概率。此方案將識別系統的輸出結果反饋至前端的麥克風(fēng)陣列，把識別系統的統計模型也考慮到前端陣處理中，是一種根據期望假設最大化而非期望信號最優(yōu)化的自適應處理方法，以強化對于識別更為重要的信號分量，而之前的方法則是無(wú)分別地同等地加強所有的信號分量。

語(yǔ)音識別系統的工作原理在于從模板庫中找出最有可能產(chǎn)生特征觀(guān)察矢量序列的單詞作為識別結果輸出，即：對某一待識別的觀(guān)察矢量，詞庫中每個(gè)詞匯對應的HMM模板分別計算出相應的似然概率，選擇使似然概率最大的模板所對應的詞匯作為識別假設結果輸出。

本文采用FIR濾波器對麥克風(fēng)陣接收的信號進(jìn)行處理，然后從濾波得到的信號中提取語(yǔ)音特征矢量。定義一個(gè)濾波器參數矢量包含該FIR濾波器中所有的系數，識別假設的得出依照貝葉斯分類(lèi)準則：，其中詞語(yǔ)的發(fā)生概率是基于語(yǔ)言模型的經(jīng)驗值，而假設似然概率的計算則基于識別系統的統計模型。本文聯(lián)合空時(shí)處理和語(yǔ)音識別過(guò)程，目的就在于搜索出一組FIR濾波器參數矢量使得正確假設的似然概率最大化，提高正確假設與非正確假設之間的概率差值，從而提高得到正確假設的概率。具體流程見(jiàn)圖1.4、圖1.5。其中圖1.4是訓練濾波器系數的框圖，圖1.5是利用已訓練完成的濾波器系數進(jìn)行語(yǔ)音識別的框圖。

圖1.4 訓練FIR濾波器系數流程圖

圖1.5 聯(lián)合FIR濾波的語(yǔ)音識別流程圖

1.2 關(guān)鍵算法

1.2.1延時(shí)求和

采用互相關(guān)法計算各路信號的時(shí)間延遲。假設有四路信號，分別為。以為參考信號，分別與作互相關(guān)運算。以與為例，與作互相關(guān)，

指代互相關(guān)運算。求出使最大時(shí)，信號所處的時(shí)刻，再減去與中長(cháng)度較長(cháng)的那個(gè)信號的長(cháng)度，就可以求得信號的相對時(shí)延了。即假設使互相關(guān)函數最大的時(shí)刻為t，為其中長(cháng)度較長(cháng)的信號，其長(cháng)度為，那么：

即為相對時(shí)延。若，則信號比信號先到達，反之，則信號先到達?，F在討論的情況，則要對信號進(jìn)行延時(shí)補償，即將信號向左平移，平移出的值舍去。

根據以上兩路信號的討論，可以總結出四路信號進(jìn)行延時(shí)補償的步驟：

1. 以信號為參考信號，分別對其他三路信號作互相關(guān)運算；
2. 記三個(gè)互相關(guān)函數分別為；
3. 計算三路信號相對于信號的時(shí)延，分別即為；
4. 找出三個(gè)時(shí)延中值最大的那個(gè)，假設為；
5. 如果大于0，那么信號向左平移，其他三路信號向左平移；
6. 如果小于0，那么信號不用平移，其他三路信號向左平移

1.2.2 特征參數提取

其中特征參數的提取是采用Mel頻率倒譜系數，這是因為Mel刻度在對聲學(xué)測量時(shí)是最合理的頻率刻度?；诼?tīng)覺(jué)模型得到的Mel倒譜系數比基于聲道模型得到的LPC倒譜系數更符合人的聽(tīng)覺(jué)特性，在有信道噪聲和頻譜失真的情況下，能產(chǎn)生更高的識別精度。所以本語(yǔ)音識別系統選擇MFCC做為特征提取的參數。MFCC的產(chǎn)生過(guò)程可用圖1.6表示。

圖1.6 計算MFCC的流程圖

2、實(shí)驗設備及設計方案

本項目首先用Matlab仿真算法，采用一個(gè)六通道的音頻采集硬件系統，連接到PC上采集語(yǔ)音信號。該系統主要包括六只同型號的全指向性電容話(huà)筒，一個(gè)放大倍數可調的多通道低噪放，和一塊采樣頻率最高可達50KHz的數據采集卡，結構框圖如圖2.1所示，圖2.2是實(shí)物拍攝照片。實(shí)驗中，將六個(gè)麥克風(fēng)排列成按照5.2cm的相鄰陣元中心間距排列成一均勻線(xiàn)陣進(jìn)行數據采集，如圖2.3所示。

圖2.1 基于PC的音頻采集硬件系統框架

圖2.2 音頻采集硬件實(shí)物

圖2.3 麥克風(fēng)陣架子，架子長(cháng)約65cm，寬約20cm

本實(shí)驗每個(gè)人錄制HMM模型庫中的十個(gè)單詞，分別為able、afraid、already、autumn、base、below、body、box、build、careful，錄制人離麥克風(fēng)陣2.5米左右，麥克風(fēng)間的距離約為5cm，這樣就能夠近似認為，說(shuō)話(huà)人說(shuō)出的語(yǔ)音信號是由平面波的形式到達麥克風(fēng)陣的。錄制環(huán)境的信噪比大約為50dB。將這些錄制的單詞儲存在PC中，然后用Matlab程序進(jìn)行訓練得到濾波器系數。之后采用圖1.5的流程進(jìn)行語(yǔ)音識別。經(jīng)過(guò)初步的研究發(fā)現，該算法具有較好的識別效果。

下一步就是將Matlab算法移植到FPGA中，如圖2.4。

圖2.4 基于Nexys 3 Spartan-6 FPGA Board的音頻采集硬件系統框架

首先將訓練得到的濾波器系數及HMM模型存儲與Nexys 3 Spartan-6 FPGA Board的外部存儲器中，之后經(jīng)多路低噪聲放大器，AD信號采集卡將測試者的語(yǔ)音信號輸入到FPGA。因為采集卡輸入的是串行的信號，FPGA需將六路語(yǔ)音信號進(jìn)行時(shí)分復用采集，轉換為并行的信號，供后續處理。后續處理流程及算法參見(jiàn)圖1.5及1.2 關(guān)鍵算法。其中濾波器、乘法、FFT等等算法可以利用現有的IP核，以提高設計效率。識別完成后將識別結果在七段譯碼顯示器上顯示。為了簡(jiǎn)便起見(jiàn)，可以將able、afraid、already、autumn、base、below、body、box、build、careful分別標定為1~10，然后將相應的數字顯示在七段譯碼顯示器上。

如果識別效果理想，可以將現有的十個(gè)單詞的庫提升到50個(gè)詞、100個(gè)詞，但是這都需要進(jìn)一步的研究以及更高性能的硬件支持。