基于DSP的語(yǔ)音識別系統的實(shí)現及分析

0 引言

　　語(yǔ)音識別技術(shù)的目的是使機器能理解人類(lèi)語(yǔ)言，最終使人機通信成為現實(shí)。在過(guò)去幾十年，自動(dòng)語(yǔ)音識別（AutomaticSpeech Recognition，ASR）技術(shù)已經(jīng)取得了非常重大的進(jìn)步。

　　ASR系統已經(jīng)能從處理像數字之類(lèi)的小詞匯量到廣播新聞之類(lèi)的大詞匯量。然而針對識別效果來(lái)說(shuō)，ASR 系統則相對較差。尤其在會(huì )話(huà)任務(wù)上，自動(dòng)語(yǔ)音識別系統遠不及人類(lèi)。因此，語(yǔ)音識別技術(shù)的應用已成為一個(gè)極具競爭性和挑戰性的高新技術(shù)產(chǎn)業(yè)。

　　隨著(zhù)DSP技術(shù)的快速發(fā)展及性能不斷完善，基于DSP的語(yǔ)音識別算法得到了實(shí)現，并且在費用、功耗、速度、精確度和體積等方面有著(zhù)PC機所不具備的優(yōu)勢，具有廣闊的應用前景。

　　1 系統參數選擇

　　一般情況下，語(yǔ)音識別系統按照不同的角度、不同的應用范圍、不同的性能要求有不同的分類(lèi)方法。針對識別對象不同有孤立詞識別、連接詞識別、連續語(yǔ)音識別與理解和會(huì )話(huà)語(yǔ)音識別等。針對識別系統的詞匯量有小詞匯量語(yǔ)音識別（1~20個(gè)詞匯）、中詞匯量識別（20~1 000個(gè)詞匯）和大詞匯量（1 000以上個(gè)詞匯）語(yǔ)音識別。針對發(fā)音人范圍來(lái)分，分為特定人語(yǔ)音識別、非特定人語(yǔ)音識別、自適應語(yǔ)音識別。

　　本文主要研究非特定人小詞匯量連續語(yǔ)音實(shí)時(shí)識別系統。

　　1.1 語(yǔ)音識別系統

　　語(yǔ)音識別本質(zhì)上是一種模式識別的過(guò)程，即未知語(yǔ)音的模式與已知語(yǔ)音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識別結果。語(yǔ)音識別系統一般包括前端處理、特征參數提取、模型訓練和識別部分。圖1所示是基于模式匹配原理的語(yǔ)音識別系統框圖。

　　圖1 語(yǔ)音識別系統基本框圖

　　1.2 特征參數

　　語(yǔ)音信號中含有非常豐富的信息，包括影響語(yǔ)音識別的重要信息，也包括對語(yǔ)音識別無(wú)關(guān)緊要甚至會(huì )降低識別率的冗余信息。特征提取則可以去除冗余信息，將能準確表征語(yǔ)音信號特征的聲學(xué)參數提取出來(lái)用于后端的模型建立和匹配，大大減少了存儲空間、訓練和測試時(shí)間。對特定人語(yǔ)音識別來(lái)說(shuō)，希望提取的特征參數盡可能少的反映語(yǔ)義信息，盡可能多的反映說(shuō)話(huà)人的個(gè)人信息，而對非特定人語(yǔ)音識別來(lái)說(shuō)，則相反。

　　現在較常用的特征參數有線(xiàn)性預測參數（LPCC）、線(xiàn)譜對（LSP）參數、Mel頻率倒譜參數（MFCC）、感覺(jué)加權的線(xiàn)性預測（PLP）參數、動(dòng)態(tài)差分參數和高階信號譜類(lèi)特征等，尤其是LPCC和MFCC兩種參數最為常用。本文選擇MFCC作為特征參數。

　　1.3 模型訓練及模式識別

　　在識別系統后端，從已知模式中獲取用以表征該模式本質(zhì)特征的模型參數即形成模式庫，再將輸入的語(yǔ)音提取特征矢量參數后與已建立的聲學(xué)模型進(jìn)行相似度比較，同時(shí)根據一定的專(zhuān)家知識（如構詞規則，語(yǔ)法規則等）和判別規則決策出最終的識別結果。

　　目前，語(yǔ)音識別所應用模型匹配技術(shù)主要有動(dòng)態(tài)時(shí)間規整（DTW）、隱馬爾可夫模型（HMM）、人工神經(jīng)元網(wǎng)絡(luò )（ANN）和支持向量機（SVM）等。DTW 是基本的語(yǔ)音相似性或相異性的一種測量工具，僅僅適合于孤立詞語(yǔ)音識別系統中。在解決非特定人、大詞匯量、連續語(yǔ)音識別問(wèn)題時(shí)較之HMM 算法相形見(jiàn)絀。HMM 模型是隨機過(guò)程的數學(xué)模型，它用統計方式建立語(yǔ)音信號的動(dòng)態(tài)模型，將聲學(xué)模型和語(yǔ)言模型融入語(yǔ)音識別搜索算法中，被認為是語(yǔ)音識別中最有效的模型。

　　然而由Vapnik和co-workers提出來(lái)的SVM 基于結構風(fēng)險最小化準則和非線(xiàn)性和函數，具有更好的泛化能力和分類(lèi)精確度。目前，SVM 已經(jīng)成功應用于語(yǔ)音識別與話(huà)者識別。

　　除此之外，Ganapathiraju等人已經(jīng)將支持向量機成功運用到復雜的大詞表非特定人連續語(yǔ)音識別上來(lái)。因此本文選擇SVM結合VQ完成語(yǔ)音模式識別。

　　2 系統構建及實(shí)現

　　為了更好地體現DSP的實(shí)時(shí)性，選擇的合適參數相當重要?？紤]到DSP的存儲容量和實(shí)時(shí)性要求，本文首先選用Matlab平臺對系統進(jìn)行仿真以比較選取合適的參數。

　　2.1 Matlab平臺上的仿真實(shí)現

　　2.1.1 實(shí)驗數據的建立

　　基于Matlab平臺，本文實(shí)驗語(yǔ)音信號在安靜的實(shí)驗室環(huán)境下用普通的麥克風(fēng)通過(guò)Windows音頻設備和Cool edit軟件進(jìn)行錄制，語(yǔ)速一般，音量適中，文件存儲格式為wav文件。語(yǔ)音采樣頻率為8kHz，采樣量化精度為16bit，雙聲道。

　　由于無(wú)調音節有412個(gè)，有調音節為1 282個(gè)，若采用SVM 對所有音節進(jìn)行分類(lèi)，數據量很龐大，故本文選擇10個(gè)人對6個(gè)不固定的連續漢語(yǔ)數字進(jìn)行發(fā)音，每人發(fā)音15次，音節切分后共900個(gè)樣本，其中600個(gè)樣本作為訓練樣本集，其余300個(gè)樣本用于特定人的識別；另外選擇5個(gè)人對漢語(yǔ)數字0~9發(fā)音，每人發(fā)音3次，共150個(gè)測試樣本作為非特定人的識別。此外，以上選取的訓練或測試樣本均考慮到0~9共10個(gè)數字的均勻分布，并且樣本類(lèi)型通過(guò)手工標定。

　　2.1.2 基于Matlab的語(yǔ)音識別系統的仿真及性能分析

　　首先對語(yǔ)音信號進(jìn)行了預處理及時(shí)域分析：使用H（Z）=1-0.9375z-1 進(jìn)行預加重處理；同時(shí)考慮語(yǔ)音信號的短時(shí)平穩性，進(jìn)行分幀加窗---選用Hamming窗，幀長(cháng)32ms，幀移是10ms.本文所設計系統為小詞匯量的連續語(yǔ)音識別，考慮到訓練時(shí)的工作量和運算量，選用音節作為基本識別單元。語(yǔ)音特征參數矢量采用12維MFCC、12維一階MFCC以及每幀的短時(shí)歸一化能量共25維構成。

　　本文構造了基于SVM 的連續語(yǔ)音識別系統。系統前端采用MFCC特征參數、并用遺傳算法（GA）與矢量量化（VQ）混合算法對其進(jìn)行聚類(lèi)得到優(yōu)化碼本，然后將所得碼本作為 SVM 模式訓練和識別算法的輸入，按照相應的準則最終得到識別的結果。語(yǔ)音識別系統流程圖如圖2所示。

　　圖2 語(yǔ)音識別系統流程圖

　　首先對不同初始種群數的語(yǔ)音識別系統性能進(jìn)行了分析。表1給出了不同初始種群下的識別系統性能，從表中可以得出，在迭代次數為100、初始種群數為100時(shí)，種群最終平均適應度和正識率最高，之后隨著(zhù)初始種群數繼續增加，平均適應度和正識率都在降低。綜合考慮迭代所需時(shí)間和正識率，本文折衷采用初始種群數為80進(jìn)行系統的仿真和實(shí)現。

　　表1 不同初始種群下的識別系統性能

　　種群數平均適應度迭代所需時(shí)間/ （s） 正識率系統設計中考慮到MFCC參數數據量太大，對模型訓練和識別的時(shí)間有很大的影響，因此選擇矢量量化對數據進(jìn)行分類(lèi)。矢量量化的關(guān)鍵問(wèn)題是如何獲取VQ碼本及碼本長(cháng)度的確定，對此進(jìn)行了仿真比較。

　　表2給出了不同VQ算法對正識率的影響比較。由表可以采用種群數為80，碼本長(cháng)度為16，核函數為 RBF，選用的改進(jìn)遺傳算法（GA）時(shí)系統的正識率要明顯高于LBG和傳統GA.LBG容易陷入局部最優(yōu)，傳統GA 具有全局搜索能力，但收斂速度慢。實(shí)驗證明，改進(jìn)的GA較好地解決了這兩者的問(wèn)題，收斂速度較快，正識率也有較為明顯的提高。

　　表2 不同VQ算法對正識率的影響比較

　　在此基礎上比較了傳統GA和優(yōu)化后GA對不同碼本長(cháng)度失真測度的影響，如圖3所示。由圖可知，在碼本平均失真測度上，改進(jìn)的GA比傳統GA在整體上明顯有所降低，即種群平均適應度更高。從圖3還可以發(fā)現碼本長(cháng)度為32時(shí)失真測度達到最低，但相比碼本長(cháng)度為16時(shí)的值減少的并不太明顯。 考慮到迭代時(shí)間問(wèn)題，本文所采用的碼本長(cháng)度為16.

　　不同SVM 核函數對語(yǔ)音識別系統性能也會(huì )有影響。SVM分類(lèi)器的目的是設計一個(gè)具有良好性能的分類(lèi)超平面，以滿(mǎn)足在高維特征空間中能通過(guò)這個(gè)分類(lèi)超平面區分多類(lèi)數據樣本。

　　已有文獻證明一對一分類(lèi)器在邊界距離上比一對多分類(lèi)器更精確，故本文采用一對一方法對多類(lèi)數據樣本進(jìn)行訓練和識別。

　　圖3 碼本長(cháng)度的失真測度對比

　　表3給出了針對非特定人的不同SVM 核函數的識別系統性能。表中顯示，在取C =3，γ= 125（這里的25為特征參數維數）情況下，盡管核函數為RBF時(shí)所需的支持向量數要略高于核函數為Sigmoid時(shí)，但系統的正確識別率要明顯高于采用其他核函數的系統，因此本文選取RBF作為核函數。

　　表3 不同SVM 核函數的識別系統性能

　　通過(guò)Matlab仿真分析了不同的矢量量化算法、SVM 核函數和初始種群數對語(yǔ)音識別系統性能產(chǎn)生的影響，為語(yǔ)音識別系統在DSP上的實(shí)現提供了參數和模型的選擇。

2.2 語(yǔ)音識別系統在DSP上的實(shí)現

　　2.2.1 實(shí)驗數據的建立

　　所有語(yǔ)音信號在安靜的實(shí)驗室環(huán)境下獲得?；贒SP 平臺的實(shí)時(shí)識別實(shí)驗系統，語(yǔ)音信號通過(guò)麥克風(fēng)輸入，使用TLV320AIC23對模擬語(yǔ)音信號進(jìn)行采樣。語(yǔ)音采樣頻率為8kHz，采樣量化精度為 16bit，雙聲道?？紤]到Flash存儲空間有限，本文選用自建語(yǔ)音庫中900個(gè)樣本中的40個(gè)樣本作為訓練樣本建立模型參數。

　　2.2.2 語(yǔ)音識別系統的硬件結構

　　由于語(yǔ)音識別系統算法復雜度較高，同時(shí)考慮到實(shí)時(shí)性，本文選擇TI公司的TMS320C6713DSK 作為硬件開(kāi)發(fā)平臺。

　　TMS320C6713DSK是一款低成本獨立開(kāi)發(fā)應用板，其最高工作時(shí)鐘頻率可以達到225MHz，且是高性能的浮點(diǎn)數字信號處理器。且帶有TLV320AIC23 立體編解碼器，8M 字節32bit的SDRAM，512k字節，8bit的非易失性Flash存儲器。

　　本系統針對的是非特定人小詞匯量連續語(yǔ)音的識別，硬件結構如圖4所示，主要包括語(yǔ)音數據采集模塊、數據傳輸模塊、數據處理模塊、程序數據存儲及Flash引導裝載模塊、數據存儲器RAM 模塊及其他相關(guān)模塊。

　　圖4 系統硬件結構圖

　　數據采集模塊主要采用TLV320AIC23編解碼器來(lái)實(shí)現對語(yǔ)音數據的采集。由AIC23采集的數字信號數據通過(guò)McBSP1存入SDRAM 中，數據傳輸方式為EDMA方式下的McBSP數據傳輸。數據處理模塊是系統的核心模塊，用TMS320C6713DSP芯片來(lái)完成語(yǔ)音識別算法的實(shí)現。訓練時(shí)，DSP完成語(yǔ)音信號MFCC特征參數的提取、SVM 建模并存入Flash中；識別時(shí)，DSP讀取待識別語(yǔ)音信號數據并將獲得的模型參數與訓練模型參數進(jìn)行比較，進(jìn)而得到識別結果。

　　2.2.2 基于DSP的語(yǔ)音識別系統的實(shí)現及分析

　　本系統設計主要涉及到語(yǔ)音數據段、執行代碼段、載入Flash的程序段和模型參數段等。在編程中主要以C語(yǔ)言編程為主，配合使用匯編語(yǔ)言，使程序運行效率更高。

　　實(shí)驗結果及其性能分析：

　　訓練時(shí)，系統上電，加入工程項目。圖5所示為讀取“12345”的語(yǔ)音時(shí)部分主程序、對音節切分后數字“1”提取的語(yǔ)音及其第10幀的MFCC參數、mfcc子程序等。

　　圖5 MFCC參數

　　識別過(guò)程中，將存入Flash中的訓練模型參數依次讀出，與待識別語(yǔ)音信號的MFCC參數比較，最后得到識別結果。

　　實(shí)驗中讀取20句話(huà)，每句話(huà)含有6個(gè)不同漢語(yǔ)數字的連續語(yǔ)音，通過(guò)對其進(jìn)行測試，得到識別率為76.7%.圖6是對音節切分后的數字“2”的識別情況，在STD欄輸出了最后識別結果即數字“2”。

　　3 結論

　　本文通過(guò)在Matlab平臺上進(jìn)行仿真實(shí)驗選取合適的參數及模型，并將其移植到 TMS320C6713DSK上實(shí)現了非特定人小詞匯量連續語(yǔ)音識別系統。其中基于TLV320AIC23完成了對語(yǔ)音數據的采集，借助SDRAM 和Flash進(jìn)行數據存儲，并采用短時(shí)能量和短時(shí)過(guò)零率進(jìn)行語(yǔ)音信號的初步判定，結合起來(lái)進(jìn)行測試，在Windows7操作系統中使用DirectX SDK 9.0b進(jìn)行視頻顯示，QR解碼程序為自行編制，并與TPS自動(dòng)測試臺集成。連續地采集視頻，在計算機顯示屏上實(shí)時(shí)顯示影像圖的同時(shí)進(jìn)行條碼解碼定位，結果顯示單幀圖像的平均解碼時(shí)間為630ms，使用幀相關(guān)算法后，平均解碼時(shí)間為124ms.

　　圖6為在單碼定位時(shí)預估未定位條碼的結果，q1為已定位碼，q2，q3，q4為未定位碼，由q1預估q2，q3，q4的結果為圖中的加亮框表示，對框區域外擴使其包含完整條碼，然后把擴域后的子區域獨立出來(lái)，作為下一幀條碼解碼的有效區域以提高圖像處理速度。

　　圖5 視頻輔助探針定位

　　圖6 單碼定位的預估結果

　　本方法在采用幀相關(guān)及位置相關(guān)算法后，在普通PC上實(shí)現實(shí)時(shí)視頻，并具有如下特點(diǎn)：

　　a）無(wú)需夾具，允許遮擋，允許測試板和探頭位置變化；探針和目標點(diǎn)標記同時(shí)出現影像圖上，直接引導，無(wú)需在影像和實(shí)板上對照查找，提高探測效率，減小出錯機會(huì )。

　　b）QR碼定位符含測試板信息，可以在PCB板制作過(guò)程中通過(guò)絲印到PCB板上，也可以在后期紙制粘貼到PCB板上（但要精確地保證每塊板上的QR碼位置相同），允許同一板面任意多定位碼，以區分不同PCB板及不同板面，用作PCB加電前預檢測，可保證加電安全。