實(shí)用的家電語音控制系統(tǒng)的設(shè)計(jì)

摘要：家電語音控制系統(tǒng)在復(fù)雜的背景環(huán)境下，由于識(shí)別率顯著下降而導(dǎo)致關(guān)鍵詞檢出率偏低。介紹了利用孤立詞、連接詞以及連續(xù)語音識(shí)別引擎構(gòu)造的多識(shí)別引擎的識(shí)別器，該識(shí)別器允許用戶自由選擇語音輸入方式，擴(kuò)大了關(guān)鍵詞的檢出范圍，從而達(dá)到提高關(guān)鍵詞檢出率的目的。同時(shí)給出了家電語音控制系統(tǒng)的整體結(jié)構(gòu)，分析了影響系統(tǒng)性能的關(guān)鍵因素，并且給出了相應(yīng)的解決方案。

   關(guān)鍵詞：語音識(shí)別 家電語音控制 語音確認(rèn)關(guān)鍵詞檢出

近年來，隨著語音識(shí)別與確認(rèn)技術(shù)的逐漸成熟，基于語音識(shí)別技術(shù)的對(duì)話控制系統(tǒng)受到了越來越多的關(guān)注?，F(xiàn)有的語音技術(shù)雖然在實(shí)驗(yàn)室環(huán)境中取得取得了較好的識(shí)別效果，但是一旦由于環(huán)境或者說話人的客觀原因使得語音信號(hào)變差時(shí)，就會(huì)導(dǎo)致系統(tǒng)檢出率急劇下降，從而使得語音控制系統(tǒng)的性能變差甚至不能正常工作。

針對(duì)殘疾人行動(dòng)不便的問題，在日本富士通公司的資助下開發(fā)了一套殘疾人利用語音進(jìn)行家電控制的系統(tǒng)。本系統(tǒng)的用戶主要是康復(fù)中心的特殊用戶，由于身體長(zhǎng)期癱瘓或者其它原因，他們不僅行動(dòng)不便，而且語言交流能力也有很大程度的下降，尤其是發(fā)音不夠清晰準(zhǔn)確，僅僅用傳統(tǒng)的語音識(shí)別器很難滿足控制系統(tǒng)實(shí)際應(yīng)用的需要。因此，提出了綜合利用孤立詞識(shí)別器、連接詞識(shí)別以及連續(xù)語音識(shí)別器構(gòu)建一個(gè)基于多識(shí)別引擎的識(shí)別器的方法，使得關(guān)鍵詞被正確檢出的可能性大大增加，在允許用戶自由使用孤立或者連續(xù)語音交流的同時(shí)，還最大限度地利用不同識(shí)別引擎的優(yōu)點(diǎn)，改善了家電語音控制系統(tǒng)的性能。

另外，還分析了語音控制系統(tǒng)中確認(rèn)、模型自適應(yīng)以及對(duì)話控制策略等關(guān)鍵技術(shù)，并且給出了相應(yīng)的解決方案，從而給出家電語音控制系統(tǒng)的完整結(jié)構(gòu)，在電梯、輪椅、電視等設(shè)備的實(shí)際控制中取得了良好的效果。

1 家電語音控制系統(tǒng)的結(jié)構(gòu)

家電語音控制系統(tǒng)包括軟件設(shè)計(jì)和硬件設(shè)計(jì)兩部分。本文主要討論軟件設(shè)計(jì)部分，其中包括：語音識(shí)別模塊、語音確認(rèn)模塊、對(duì)話控制及硬件指令傳輸模塊以及模型自適應(yīng)模塊。整個(gè)系統(tǒng)的流程是：首先，用戶的語音被送入語音識(shí)別模塊進(jìn)行Viterbi解碼識(shí)別，得到相應(yīng)的候選關(guān)鍵詞；然后，將候選關(guān)鍵詞送入語音確認(rèn)模塊進(jìn)行確認(rèn)，從中檢出可能的關(guān)鍵詞，并給出相應(yīng)的確認(rèn)分值；再后，根據(jù)檢出的關(guān)鍵詞及其對(duì)應(yīng)的確認(rèn)分值產(chǎn)生相應(yīng)的對(duì)話或者控制命令對(duì)硬件進(jìn)行控制，同時(shí)利用已經(jīng)確認(rèn)的語音對(duì)識(shí)別中的語音模型進(jìn)行更新。圖1給出了家電語音控制系統(tǒng)的結(jié)構(gòu)圖。

2 基于多識(shí)別引擎的識(shí)別器設(shè)計(jì)

2．1 傳統(tǒng)識(shí)別引擎簡(jiǎn)介

根據(jù)待識(shí)別語音屬于單一用戶還是公眾進(jìn)行分類，可以將其分為特定人識(shí)別以及非特定人識(shí)別。由于設(shè)計(jì)目標(biāo)是針對(duì)特定用戶的，因此采用特定人識(shí)別器。如果根據(jù)輸入語音特點(diǎn)以及建模方法進(jìn)行分類，當(dāng)前的識(shí)別引擎主要分為孤立詞識(shí)別、連續(xù)語音識(shí)別以及連接詞識(shí)別等引擎。下面分別介紹幾種不同的識(shí)別引擎以及各自的優(yōu)缺點(diǎn)。

2．1．1 孤立詞識(shí)別引擎

由于孤立詞識(shí)別引擎的輸入是孤立的詞匯，因此其識(shí)別范圍小，建模精確，識(shí)別率高，非特定人的孤立詞識(shí)別引擎的識(shí)別率可達(dá)95%左右，特定人的識(shí)別率甚至可達(dá)99%以上。但是孤立詞識(shí)別引擎要求用戶的輸入必須是一個(gè)個(gè)獨(dú)立的單詞，顯然對(duì)于連續(xù)的語音流無法處理。即使是獨(dú)立的單詞，如果由于用戶的習(xí)慣或者生理原因，在語音中含有一些語氣詞或者其它高能量的突發(fā)噪聲，將嚴(yán)重影響系統(tǒng)的識(shí)別率。

2．1．2 連續(xù)語音識(shí)別引擎

連續(xù)語音識(shí)別引擎是以音節(jié)或者音素為單位進(jìn)行建模的，很好地解決了孤立詞識(shí)別中對(duì)輸入語音的限制，而且通過對(duì)常見的語氣詞以及噪聲的建模，也能夠解決由其引起的識(shí)別率下降的問題。但是連續(xù)語音的識(shí)別率很低，即使在實(shí)驗(yàn)室環(huán)境下，其識(shí)別率最高也只能達(dá)90%左右。顯然連續(xù)語音識(shí)別引擎難以單獨(dú)用于家電語音控制系統(tǒng)。

2．1．3 連接詞識(shí)別引擎

連接詞識(shí)別引擎介于孤立詞識(shí)別引擎和連續(xù)語音識(shí)別引擎之間。它以孤立詞為模型，通過對(duì)孤立詞的拼接實(shí)現(xiàn)對(duì)連續(xù)語音流的識(shí)別。對(duì)于小型的語音識(shí)別系統(tǒng)來說，由于其詞表較小，因此建模方便，而且建模精度高，對(duì)關(guān)鍵詞的識(shí)別率接近于孤立詞識(shí)別引擎，很好地解決了孤立詞識(shí)別引擎無法解決的連續(xù)語音流問題。但是當(dāng)輸入語音流包含過多的音節(jié)時(shí)，其識(shí)別率不可避免地會(huì)下降很多。

用戶在選擇識(shí)別引擎的時(shí)候，主要需要考慮的因素包括：識(shí)別率、實(shí)時(shí)響應(yīng)速度、魯棒性、輸入語音限制、使用舒適性等。

2．2 基于多識(shí)別引擎的識(shí)別器設(shè)計(jì)

通過對(duì)識(shí)別引擎的分析以及對(duì)傳統(tǒng)識(shí)別引擎的介紹可以看到，無論單獨(dú)選擇哪種識(shí)別引擎，都不能夠完善地滿足實(shí)用的語音控制系統(tǒng)的要求，因此設(shè)計(jì)了一種多識(shí)別引擎的并行識(shí)別器，能夠獲得傳統(tǒng)識(shí)別器無法兼得的優(yōu)點(diǎn)。圖2給出了基于多識(shí)別引擎的識(shí)別器結(jié)構(gòu)圖。

2．2．1 基于多識(shí)別引擎的識(shí)別器工作原理

圖2中，識(shí)別引擎1為孤立詞識(shí)別引擎；識(shí)別引擎2為連接詞識(shí)別引擎；識(shí)別引擎3為連續(xù)語音識(shí)別引擎。識(shí)別器具體的工作流程如下：

（1）對(duì)輸入語音進(jìn)行預(yù)處理，包括語音信號(hào)的切分以及噪聲去除等。語音信號(hào)的切分采用的是基于能量窗計(jì)算的切分算法，使得語音信號(hào)的端點(diǎn)更準(zhǔn)確。

（2）根據(jù)輸入語音的物理長(zhǎng)度以及其它物理特征預(yù)判輸入語音為孤立詞輸入還是連續(xù)語音輸入。如果語音信號(hào)較短，則采用識(shí)別引擎1、2進(jìn)行識(shí)別；如果信號(hào)較長(zhǎng)，則采用識(shí)別引擎2、3進(jìn)行識(shí)別；如果不能確定是孤立語音還是連續(xù)語音，則同時(shí)采用三個(gè)識(shí)別引擎進(jìn)行識(shí)別。

（3）對(duì)于不同的識(shí)別引擎，將得到的識(shí)別結(jié)果作為候選關(guān)鍵詞（如果識(shí)別結(jié)果不同則為多候選）送入確認(rèn)模塊進(jìn)行確認(rèn)。

2．2．2 基于多識(shí)別引擎的識(shí)別器性能分析

由于基于多識(shí)別引擎的識(shí)別器至少同時(shí)啟動(dòng)了兩個(gè)或者三個(gè)識(shí)別引擎，因此系統(tǒng)的響應(yīng)時(shí)間不可避免地要受到影響。所以在語音建模時(shí)，采用參數(shù)共享的方法，從而降低了計(jì)算法復(fù)雜度，提高了系統(tǒng)響應(yīng)速度。同時(shí)注意到，對(duì)于孤立語音來說，由于識(shí)別引擎1、2的識(shí)別速度很快，因此完全可以滿足實(shí)時(shí)響應(yīng)的要求；對(duì)于連續(xù)語音來說，其識(shí)別時(shí)間主要耗費(fèi)在識(shí)別引擎3上，這是不可避免的，系統(tǒng)引入的附加耗時(shí)很小，因此基本上不會(huì)因此而降低系統(tǒng)的響應(yīng)速度。

而多識(shí)別引擎的識(shí)別器的建立，使得無論連續(xù)語音輸入還是孤立語音輸入，都能采用合適的識(shí)別引擎進(jìn)行識(shí)別，從而在允許用戶自由交流的基礎(chǔ)上，保證了系統(tǒng)的識(shí)別率得到大幅度的提高。尤其是用戶在采用連續(xù)語音輸入系統(tǒng)不能正確識(shí)別時(shí)，可以降低要求，視其為孤立語音輸入，這樣一方面可以正確控制家電正常運(yùn)行，另一方面通過自適應(yīng)，不同識(shí)別引擎的模型都得到了更為精確的刻畫，逐漸提高了系統(tǒng)識(shí)別率，從而使得連續(xù)語音識(shí)別率也得到了提高。另外，在各種情況下都采用了連接識(shí)別引擎，主要是考慮到殘疾用戶的語音中經(jīng)常附帶一些常見的突發(fā)噪聲以及語氣詞，因此通過對(duì)此進(jìn)行獨(dú)立建模，能夠去除語音信號(hào)首尾的噪聲和語氣詞的影響，進(jìn)一步提高識(shí)別器的魯棒性。

3 其它關(guān)鍵技術(shù)分析

在家電語音控制系統(tǒng)中，除了識(shí)別器的性能嚴(yán)重影響系統(tǒng)的運(yùn)行性能以外，關(guān)鍵詞確認(rèn)、對(duì)話控制策略以及識(shí)別器自適應(yīng)也是至關(guān)重要的：關(guān)鍵詞輸入的結(jié)果給出候選關(guān)鍵詞的置信度，因此直接影響了后續(xù)的對(duì)話控制模塊可能采取的動(dòng)作——當(dāng)置信度高時(shí)，接受該關(guān)鍵詞將其作為真正的關(guān)鍵詞并且發(fā)出相應(yīng)的控制指令；當(dāng)置信度較低時(shí)，拒絕該候選詞；當(dāng)置信度處于中間水平時(shí)，產(chǎn)生相應(yīng)的對(duì)話語音與用戶進(jìn)一步進(jìn)行交互，對(duì)可能要發(fā)生的動(dòng)作進(jìn)行確認(rèn)。在實(shí)際應(yīng)用中，自適應(yīng)技術(shù)保證了通過長(zhǎng)期的用戶和系統(tǒng)之間的交互，對(duì)識(shí)別器的模型進(jìn)行修正，從而提高用戶的語音識(shí)別率。

基于多識(shí)別引擎的識(shí)別器給關(guān)鍵詞確認(rèn)模塊提供了更多的候選關(guān)鍵詞，因此擴(kuò)大了關(guān)鍵詞的檢出范圍，為進(jìn)一步提高檢出率提供了條件；但是另一方面，更多的候選關(guān)鍵詞意味著錯(cuò)誤的候選關(guān)鍵詞被接受的可能性也大大增加，系統(tǒng)的誤警率也會(huì)隨之上升。因此對(duì)于關(guān)鍵詞確認(rèn)性能的依賴也會(huì)更大，所以提取出多種有效的確認(rèn)特片，利用神經(jīng)元網(wǎng)絡(luò)進(jìn)行最終的置位度評(píng)價(jià)。這些確認(rèn)特片包括：音素匹配得分特征、音素?cái)?shù)匹配得分特征、似然得分特征、似然排位得分特片以及模型距離差累積得分特征。詳細(xì)的確認(rèn)過程見參考文獻(xiàn)。

在對(duì)話控制模塊中，由于不同的電路對(duì)應(yīng)著不同的關(guān)鍵詞，因此通過記錄當(dāng)前對(duì)話所處的處理（應(yīng)用某一個(gè)電路的狀態(tài)或者空閑狀態(tài)），給識(shí)別器提供相應(yīng)于該狀態(tài)的關(guān)鍵詞表，大大縮小了關(guān)鍵詞表中關(guān)鍵詞的總數(shù)，降低了關(guān)鍵詞之間的混淆度，從而進(jìn)一步提高了識(shí)別器的識(shí)別率。此外，對(duì)關(guān)鍵詞重要性進(jìn)行了分級(jí)，不同的關(guān)鍵詞擁有不同的級(jí)別，對(duì)于重要的關(guān)鍵詞來說，只有在其置信度很高的情況下才會(huì)將其直接發(fā)送給硬件控制模塊去執(zhí)行控制，否則要通過語音交互和用戶確認(rèn)的方法來確定是否執(zhí)行該命令。

針對(duì)不同的識(shí)別器，采用不同的自適應(yīng)策略：由于噪聲模型和系統(tǒng)當(dāng)前所處狀態(tài)直接相關(guān)，因此隨時(shí)準(zhǔn)備利用系統(tǒng)空閑狀態(tài)時(shí)采集的噪音段對(duì)噪聲模型進(jìn)行更新；對(duì)于孤立詞和連接詞識(shí)別引擎所采用的聲學(xué)模型來說，利用經(jīng)過確認(rèn)的語音段對(duì)相應(yīng)的模型者重新；對(duì)連續(xù)語音來說，由于只有對(duì)關(guān)鍵詞的置信度評(píng)價(jià)，很難保證非關(guān)鍵詞語音識(shí)別的正確性，因此只對(duì)關(guān)鍵詞模型進(jìn)行更新，在用戶空閑時(shí)，引導(dǎo)用戶利用給定的語音輸入對(duì)連續(xù)語音所采用的模型進(jìn)行更新，以達(dá)到模型自適應(yīng)的效果。

4 實(shí)驗(yàn)及結(jié)果分析

本文所采用的試驗(yàn)平臺(tái)是用于連續(xù)語音電梯控制聲控仿真系統(tǒng)的關(guān)鍵詞檢出系統(tǒng)。整個(gè)系統(tǒng)由四個(gè)部分組成：語音識(shí)別模塊、語音確認(rèn)模塊、自適應(yīng)模塊以及對(duì)話管理模塊。語音識(shí)別模塊采用的是無跨越從左向右的CHMM模型，特征向量為39維的MFCC特征——12維的MEL特征系數(shù)以及一階和二階差分；能量及其一階和二階差分。確認(rèn)模塊采用的是基于多特征聯(lián)合得分的確認(rèn)算法。

論文中所采用的語音數(shù)據(jù)庫包括三種類型：孤立語音——對(duì)應(yīng)系統(tǒng)中采用的關(guān)鍵詞命令；連續(xù)語音——每段語音中包含一個(gè)相應(yīng)的關(guān)鍵詞命令；含噪聲段的孤立語音——在關(guān)鍵詞命令對(duì)應(yīng)的語音前后有一小段高能量突發(fā)噪聲。另外，把這三種類型的語音混合起來得到了混合語音數(shù)據(jù)。系統(tǒng)中采用的關(guān)鍵詞包括：公用的關(guān)鍵詞——打開，關(guān)閉，是，否；用于電梯控制的關(guān)鍵詞——上升，下降，一層，二層，三層，四層；用于輪椅控制的關(guān)鍵詞——前進(jìn)，后退、停止；用于電視控制的關(guān)鍵詞——向上，向下，一臺(tái)，二臺(tái)，三臺(tái)，四臺(tái)，五臺(tái)。對(duì)于不同識(shí)別引擎以及不同語音數(shù)據(jù)，識(shí)別器的識(shí)別率以及系統(tǒng)的關(guān)鍵詞檢出率如表1所示。

表1 不同識(shí)別器在不同語音輸入下的識(shí)別率及系統(tǒng)檢出率

通過以上的實(shí)驗(yàn)可以看出：對(duì)于三種不同的語音輸入，采用單一的識(shí)別引擎，不可避免地使得在某一種或幾種語音輸入下識(shí)別器的識(shí)別率以及系統(tǒng)的檢出率較低，極大地影響了系統(tǒng)的控制性能。當(dāng)采用基于多識(shí)別引擎的識(shí)別器時(shí)，在任一語音輸入類型下，無論是識(shí)別率還是檢出率都能夠達(dá)到使用單一識(shí)別器時(shí)最優(yōu)的效果。由此可見，在采用基于多識(shí)別引擎的識(shí)別器時(shí)，能夠充分利用不同識(shí)別引擎的優(yōu)勢(shì)，使得系統(tǒng)的性能得到最大的提升。

本文針對(duì)傳統(tǒng)的單識(shí)別引擎在家電語音控制中存在的問題，提出了基于多識(shí)別引擎構(gòu)造語音識(shí)別器的方法，使得對(duì)于不同類型的語音輸入，都能夠得到較好的關(guān)鍵詞檢出效果，從而提高了系統(tǒng)的性能；同時(shí)，本文對(duì)語音控制系統(tǒng)中關(guān)鍵詞確認(rèn)、對(duì)話控制策略以及模型自適應(yīng)技術(shù)進(jìn)行了一定的的分析和討論，并且搭建了完整的語音控制系統(tǒng)。目前本系統(tǒng)已經(jīng)通過了日本富士通公司的檢測(cè)，其相關(guān)硬件的研制工作正在進(jìn)行當(dāng)中，有望在近期取得聯(lián)調(diào)成功。