大熱的麥克風(fēng)陣列語音識別系統(tǒng)的設(shè)計(jì)和輕松實(shí)現(xiàn)，提供軟硬件解決方案

摘要：

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

1、研究方案

1.1 總統(tǒng)研究方案

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

圖1.1 基于HMM的麥克風(fēng)陣語音識別系統(tǒng)結(jié)構(gòu)

其中前端的陣處理主要是為了進(jìn)行語音增強(qiáng)，目的是在提取語音參數(shù)之前，盡量減小信號波形的失真。這一做法基于的假設(shè)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(dú)進(jìn)行陣處理和特征識別操作，如圖1.2所示：

圖1.2 常規(guī)的麥克風(fēng)陣語音識別系統(tǒng)框架

本項(xiàng)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程中正確假設(shè)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程聯(lián)合起來考慮，框架如圖1.3所示：

圖1.3 結(jié)合識別過程進(jìn)行陣處理的語音識別系統(tǒng)框架

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

語音識別系統(tǒng)的工作原理在于從模板庫中找出最有可能產(chǎn)生特征觀察矢量序列的單詞作為識別結(jié)果輸出，即：對某一待識別的觀察矢量，詞庫中每個詞匯對應(yīng)的HMM模板分別計(jì)算出相應(yīng)的似然概率，選擇使似然概率最大的模板所對應(yīng)的詞匯作為識別假設(shè)結(jié)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音特征矢量。定義一個濾波器參數(shù)矢量包含該FIR濾波器中所有的系數(shù)，識別假設(shè)的得出依照貝葉斯分類準(zhǔn)則：，其中詞語的發(fā)生概率是基于語言模型的經(jīng)驗(yàn)值，而假設(shè)似然概率的計(jì)算則基于識別系統(tǒng)的統(tǒng)計(jì)模型。本文聯(lián)合空時處理和語音識別過程，目的就在于搜索出一組FIR濾波器參數(shù)矢量使得正確假設(shè)的似然概率最大化，提高正確假設(shè)與非正確假設(shè)之間的概率差值，從而提高得到正確假設(shè)的概率。具體流程見圖1.4、圖1.5。其中圖1.4是訓(xùn)練濾波器系數(shù)的框圖，圖1.5是利用已訓(xùn)練完成的濾波器系數(shù)進(jìn)行語音識別的框圖。

圖1.4 訓(xùn)練FIR濾波器系數(shù)流程圖

圖1.5 聯(lián)合FIR濾波的語音識別流程圖

1.2 關(guān)鍵算法

1.2.1延時求和

采用互相關(guān)法計(jì)算各路信號的時間延遲。假設(shè)有四路信號，分別為。以為參考信號，分別與作互相關(guān)運(yùn)算。以與為例，與作互相關(guān)，

指代互相關(guān)運(yùn)算。求出使最大時，信號所處的時刻，再減去與中長度較長的那個信號的長度，就可以求得信號的相對時延了。即假設(shè)使互相關(guān)函數(shù)最大的時刻為t，為其中長度較長的信號，其長度為，那么：

即為相對時延。若，則信號比信號先到達(dá)，反之，則信號先到達(dá)。現(xiàn)在討論的情況，則要對信號進(jìn)行延時補(bǔ)償，即將信號向左平移，平移出的值舍去。

根據(jù)以上兩路信號的討論，可以總結(jié)出四路信號進(jìn)行延時補(bǔ)償?shù)牟襟E：

1. 以信號為參考信號，分別對其他三路信號作互相關(guān)運(yùn)算；
2. 記三個互相關(guān)函數(shù)分別為；
3. 計(jì)算三路信號相對于信號的時延，分別即為；
4. 找出三個時延中值最大的那個，假設(shè)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(shù)提取

其中特征參數(shù)的提取是采用Mel頻率倒譜系數(shù)，這是因?yàn)镸el刻度在對聲學(xué)測量時是最合理的頻率刻度?；诼犛X模型得到的Mel倒譜系數(shù)比基于聲道模型得到的LPC倒譜系數(shù)更符合人的聽覺特性，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。所以本語音識別系統(tǒng)選擇MFCC做為特征提取的參數(shù)。MFCC的產(chǎn)生過程可用圖1.6表示。

圖1.6 計(jì)算MFCC的流程圖

2、實(shí)驗(yàn)設(shè)備及設(shè)計(jì)方案

本項(xiàng)目首先用Matlab仿真算法，采用一個六通道的音頻采集硬件系統(tǒng)，連接到PC上采集語音信號。該系統(tǒng)主要包括六只同型號的全指向性電容話筒，一個放大倍數(shù)可調(diào)的多通道低噪放，和一塊采樣頻率最高可達(dá)50KHz的數(shù)據(jù)采集卡，結(jié)構(gòu)框圖如圖2.1所示，圖2.2是實(shí)物拍攝照片。實(shí)驗(yàn)中，將六個麥克風(fēng)排列成按照5.2cm的相鄰陣元中心間距排列成一均勻線陣進(jìn)行數(shù)據(jù)采集，如圖2.3所示。

圖2.1 基于PC的音頻采集硬件系統(tǒng)框架

圖2.2 音頻采集硬件實(shí)物

圖2.3 麥克風(fēng)陣架子，架子長約65cm，寬約20cm

本實(shí)驗(yàn)每個人錄制HMM模型庫中的十個單詞，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(rèn)為，說話人說出的語音信號是由平面波的形式到達(dá)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(xùn)練得到濾波器系數(shù)。之后采用圖1.5的流程進(jìn)行語音識別。經(jīng)過初步的研究發(fā)現(xiàn)，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(tǒng)框架

首先將訓(xùn)練得到的濾波器系數(shù)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音信號輸入到FPGA。因?yàn)椴杉ㄝ斎氲氖谴械男盘枺現(xiàn)PGA需將六路語音信號進(jìn)行時分復(fù)用采集，轉(zhuǎn)換為并行的信號，供后續(xù)處理。后續(xù)處理流程及算法參見圖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(xiàn)有的IP核，以提高設(shè)計(jì)效率。識別完成后將識別結(jié)果在七段譯碼顯示器上顯示。為了簡便起見，可以將able、afraid、already、autumn、base、below、body、box、build、careful分別標(biāo)定為1~10，然后將相應(yīng)的數(shù)字顯示在七段譯碼顯示器上。

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