基于智能語(yǔ)音識(shí)別的云電視系統(tǒng)設(shè)計(jì)

　　為了提高智能電視的可操作性，文章提出了一種基于智能語(yǔ)音設(shè)別的云電視系統(tǒng)設(shè)計(jì)方案。該系統(tǒng)在傳統(tǒng)的智能電視上加入語(yǔ)音輸入和云端網(wǎng)絡(luò)技術(shù)，對(duì)語(yǔ)音智能處理之后達(dá)到操作電視的作用，可以通過(guò)語(yǔ)音輸入自動(dòng)查找或者使用電視功能，提高了智能電視的可操作性，讓智能電視使用更方便，適合更多的使用人群。

　　當(dāng)前，隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的高速發(fā)展、3c融合的趨勢(shì)以及電視機(jī)的數(shù)字化發(fā)展，作為家庭娛樂(lè)核心家電的電視機(jī)已經(jīng)開(kāi)始向智能化多媒體網(wǎng)絡(luò)電視方向發(fā)展。智能網(wǎng)絡(luò)電視機(jī)是一臺(tái)多功能的網(wǎng)絡(luò)終端，用戶可以通過(guò)該網(wǎng)絡(luò)終端得到諸多信息和服務(wù)，然而伴隨應(yīng)用功能的增加，其操作也隨之變得復(fù)雜。面對(duì)智能電視的功能復(fù)雜、操作難問(wèn)題，僅僅是將電視機(jī)的紙質(zhì)說(shuō)明書或者做成電子文檔以flash形式在電視機(jī)上進(jìn)行播放，并沒(méi)有詳細(xì)的指引用戶操作的導(dǎo)航功能，或者說(shuō)有詳細(xì)的說(shuō)明，電視面對(duì)的是任何消費(fèi)者，很多功能的操作他們也不是很明白，甚至很多功能都找不到。在電子產(chǎn)品智能化的今天，智能語(yǔ)音設(shè)別是一個(gè)熱門話題，該技術(shù)的實(shí)現(xiàn)提高了電子產(chǎn)品的可操作性，為用戶帶來(lái)了更多的方便。所以設(shè)計(jì)一個(gè)基于智能語(yǔ)音設(shè)別的電視系統(tǒng)，用語(yǔ)音來(lái)實(shí)現(xiàn)快速導(dǎo)航到各個(gè)需要的功能、信息、服務(wù)等應(yīng)用成為當(dāng)務(wù)之急。

　　本系統(tǒng)為基于智能語(yǔ)音設(shè)別的云電視系統(tǒng)，將輸入的語(yǔ)音數(shù)據(jù)傳輸?shù)诫娨暀C(jī)系統(tǒng)，系統(tǒng)把該模擬語(yǔ)音數(shù)據(jù)預(yù)處理，轉(zhuǎn)化為數(shù)字語(yǔ)音信號(hào)，根據(jù)各個(gè)模塊需求把數(shù)字語(yǔ)音數(shù)據(jù)發(fā)送到云端，云端經(jīng)過(guò)智能語(yǔ)義識(shí)別分析處理之后，返回具體的控制指令給電視予以處理。

　　1.系統(tǒng)總體設(shè)計(jì)

　　該電視系統(tǒng)結(jié)構(gòu)圖如圖1所示，該系統(tǒng)分三個(gè)模塊設(shè)計(jì)，語(yǔ)音設(shè)別、電視系統(tǒng)處理、云端處理。在有網(wǎng)絡(luò)連接的情況下，通過(guò)麥克錄入語(yǔ)音，再通過(guò)語(yǔ)音模塊把錄入的語(yǔ)音轉(zhuǎn)化為特定的語(yǔ)音格式傳輸?shù)皆贫说闹醒敕?wù)器，云端服務(wù)器把傳輸過(guò)去的的語(yǔ)音與許多表示特定字符的語(yǔ)音模型進(jìn)行比較，以提供輸入語(yǔ)音所包含特定字符的許多不同可能性。然后，云端服務(wù)器生成一個(gè)字符序列，根據(jù)基于字符的語(yǔ)言模型，這個(gè)字符序列表示了輸入語(yǔ)音中所包含已知特定字符的特定序列的不同可能性。然后字符序列通過(guò)網(wǎng)絡(luò)被傳輸?shù)街醒敕?wù)器，在這里，字符序列生成一個(gè)詞匯序列，根據(jù)詞匯表和基于詞匯的語(yǔ)言模型，這個(gè)詞匯序列表示了輸入語(yǔ)音中所包含已知特定字符的特定序列的不同可能性。然后，云端服務(wù)器根據(jù)詞匯表確定哪個(gè)特定詞匯序列與輸入語(yǔ)音最匹配，并將所確定的詞匯序列經(jīng)由網(wǎng)絡(luò)輸送回終端電視機(jī)系統(tǒng)，電視機(jī)系統(tǒng)再把得到的數(shù)據(jù)分模塊處理（電視機(jī)系統(tǒng)不同模塊有不同的功能）。該電視系統(tǒng)硬件使用MIPS構(gòu)架CPU，配置Linux操作系統(tǒng)。語(yǔ)音通過(guò)MIC輸入，設(shè)計(jì)有兩路MIC接口，使用標(biāo)準(zhǔn)的網(wǎng)絡(luò)接口用于網(wǎng)絡(luò)通信。

　　2.語(yǔ)音識(shí)別系統(tǒng)設(shè)計(jì)

　　2.1　語(yǔ)音識(shí)別基礎(chǔ)知識(shí)

　　語(yǔ)音設(shè)別技術(shù)，也被稱為自動(dòng)語(yǔ)音設(shè)別，即AutomaTIc Speech RecogniTIon（ASR），其目標(biāo)是將人類語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列。與說(shuō)話人設(shè)別及說(shuō)話人確認(rèn)不同，后者嘗試設(shè)別或確認(rèn)發(fā)出語(yǔ)音的說(shuō)話人而非其中所包含的詞匯內(nèi)容。

　　語(yǔ)音識(shí)別系統(tǒng)本質(zhì)上是一個(gè)模式識(shí)別系統(tǒng)。語(yǔ)音識(shí)別一般分兩個(gè)步驟，第一步是系統(tǒng)“學(xué)習(xí)”或“訓(xùn)練”階段。這一階段的任務(wù)是建立識(shí)別基本單元的聲學(xué)模型以及進(jìn)行文法分析的語(yǔ)言模型等。第二步是“識(shí)別”或“測(cè)試”階段。根據(jù)識(shí)別系統(tǒng)的類型選擇能夠滿足要求的一種識(shí)別方法，采用語(yǔ)音分析方法提取出這種識(shí)別方法所要求的語(yǔ)音特征參數(shù)，按照一定的準(zhǔn)則和測(cè)度與系統(tǒng)模型進(jìn)行比較，通過(guò)判決得出識(shí)別結(jié)果。

　　2.2　語(yǔ)音設(shè)別系統(tǒng)設(shè)計(jì)

　　語(yǔ)音設(shè)別系統(tǒng)框圖如圖2所示。首先要把電視機(jī)麥克輸入的模擬語(yǔ)音信號(hào)進(jìn)行預(yù)處理，云端需要數(shù)字語(yǔ)音信號(hào)，這里預(yù)處理使用語(yǔ)音IC進(jìn)行處理，包括預(yù)濾波、采樣和量化、信號(hào)數(shù)字化、加窗、斷點(diǎn)檢測(cè)、預(yù)加重等。語(yǔ)音信號(hào)經(jīng)過(guò)預(yù)處理后，接下來(lái)重要的一環(huán)就是特征參數(shù)提取，其目的是從語(yǔ)音波形中提取出隨時(shí)間變化的語(yǔ)音特征序列。把特征提取的結(jié)果送到電視機(jī)操作系統(tǒng)中進(jìn)行判斷處理，分析是否需要將其傳送到云端服務(wù)器，云端服務(wù)器在對(duì)接收到的語(yǔ)音進(jìn)行智能分析處理之后傳回電視機(jī)終端，進(jìn)行相應(yīng)的功能處理。

　　2.3　云端服務(wù)器智能處理

　　云端服務(wù)器處理主要針對(duì)數(shù)字化語(yǔ)音數(shù)據(jù)進(jìn)行分析處理，本系統(tǒng)的功能比較復(fù)雜，語(yǔ)音處理工作量非常大，該設(shè)計(jì)基于云計(jì)算的服務(wù)器來(lái)完成，在服務(wù)器端對(duì)語(yǔ)音進(jìn)行分析處理的同時(shí)還需要進(jìn)行智能設(shè)別，該智能設(shè)別主要針對(duì)本電視機(jī)系統(tǒng)的一些關(guān)鍵字及語(yǔ)音的語(yǔ)義分析，同時(shí)對(duì)于電視機(jī)的不同模塊進(jìn)行分別處理，來(lái)完成使用者所想的功能。使用云計(jì)算服務(wù)器可以減少電視機(jī)終端的硬件成本，增加處理速度，來(lái)達(dá)到對(duì)用戶命令的智能處理。

　　2.3.1　電視機(jī)與云端的傳輸協(xié)議

　　對(duì)于特定的電視機(jī)系統(tǒng)，每個(gè)模塊具有特定的關(guān)鍵字，在傳輸數(shù)據(jù)到云端的時(shí)候，需要傳輸模塊特征和相應(yīng)的語(yǔ)音數(shù)據(jù)。

　　2.3.2　語(yǔ)音訓(xùn)練與識(shí)別的主要方法

　　在云端接收到數(shù)據(jù)之后，需要對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行設(shè)別。語(yǔ)音訓(xùn)練與識(shí)別是一個(gè)模式訓(xùn)練和識(shí)別的過(guò)程。模式訓(xùn)練是指依照一定的規(guī)則，對(duì)大量訓(xùn)練信息進(jìn)行處理，獲取能夠反映該信息本質(zhì)特征的模型參數(shù)，將從這些訓(xùn)練信息中得到的模型參數(shù)組合成一個(gè)模式庫(kù)，而模式匹配則是指依據(jù)一定的規(guī)則規(guī)范，將輸入的未知模式與模式庫(kù)中的模式進(jìn)行匹配，從模式庫(kù)中尋找一個(gè)相似度最高，即最佳匹配的模式。這種訓(xùn)練和匹配的方法有許多種，目前較常見(jiàn)的方法主要有動(dòng)態(tài)時(shí)間規(guī)整（DTW）、隱馬爾可夫鏈（HMM）模型、人工神經(jīng)網(wǎng)絡(luò)（ANN）等。

　　2.3.3　隱馬爾可夫鏈模型

　　本系統(tǒng)用隱馬爾可夫鏈（Hidden Markov Models，HMM）模型來(lái)對(duì)語(yǔ)音進(jìn)行訓(xùn)練和識(shí)別，在隱馬爾可夫鏈模型中，它使用馬爾可夫鏈來(lái)模擬信號(hào)統(tǒng)計(jì)特性的變化，本質(zhì)上它是一個(gè)雙重隨機(jī)過(guò)程的概率模型。第一重隨機(jī)過(guò)程的概率模型是指由馬爾可夫鏈來(lái)表示狀態(tài)之間的轉(zhuǎn)移，另外一重隨機(jī)過(guò)程的概率模型是指每個(gè)狀態(tài)和多個(gè)觀測(cè)值之間的隨機(jī)對(duì)應(yīng)關(guān)系。在實(shí)際問(wèn)題的應(yīng)用中，HMM的雙重隨機(jī)過(guò)程觀察者不能直接看到狀態(tài)，只能看到觀察值，且只有利用一個(gè)隨機(jī)過(guò)程去感知狀態(tài)的存在以及特征。本質(zhì)上說(shuō)，人類的語(yǔ)言過(guò)程也是一個(gè)雙重隨機(jī)過(guò)程。語(yǔ)音信號(hào)本身是一個(gè)能夠被觀測(cè)到的時(shí)變序列，是由人的大腦根據(jù)語(yǔ)法知識(shí)和言語(yǔ)的需要而發(fā)出的音素的參數(shù)流，這部分就相對(duì)于 HMM模型中不可觀測(cè)的各種狀態(tài)。HMM模型可以很好地模擬這個(gè)雙重隨機(jī)過(guò)程，并且很好地描述了語(yǔ)音信號(hào)的局部平穩(wěn)性以及整體的非平穩(wěn)性，是一種描述語(yǔ)音信號(hào)的理想模型。

　　2.3.4　智能語(yǔ)音識(shí)別

　　此處采用的關(guān)鍵字識(shí)別系統(tǒng)為基于連續(xù)語(yǔ)音識(shí)別（LVCSR）的關(guān)鍵詞識(shí)別系統(tǒng)，如圖3所示，使用這種結(jié)構(gòu)適用于連續(xù)語(yǔ)音關(guān)鍵詞識(shí)別系統(tǒng)：語(yǔ)言經(jīng)過(guò)連續(xù)語(yǔ)音音節(jié)識(shí)別器后，產(chǎn)生相應(yīng)的N-Best詞格或音節(jié)網(wǎng)格，然后使用關(guān)鍵詞搜索算法對(duì)網(wǎng)格進(jìn)行關(guān)鍵詞搜索。其過(guò)程可以大致分成三步：第一步，搜索語(yǔ)音基元，也就是說(shuō)通過(guò)這次搜索得到輸入語(yǔ)音對(duì)應(yīng)的拼音序列。通過(guò)連續(xù)解碼，可以得到一個(gè)N- Best音節(jié)序列或者音節(jié)的網(wǎng)格。第二步，針對(duì)電視機(jī)終端功能模塊選擇不同的關(guān)鍵詞表。第三步，根據(jù)上一步得到的音節(jié)序列和關(guān)鍵詞詞表對(duì)照，進(jìn)行關(guān)鍵詞的搜索，得到假象命中（可能成為關(guān)鍵詞的詞）。第四步，根據(jù)其他知識(shí)源分析第三步得到的假想命中的置信度，給出關(guān)鍵詞識(shí)別的結(jié)果。第五步，對(duì)第四步輸出的關(guān)鍵字結(jié)果進(jìn)行智能處理，根據(jù)特定的電視機(jī)系統(tǒng)功能模塊給出最終的輸出結(jié)果。

　　3.電視機(jī)智能語(yǔ)音識(shí)別處理軟件流程

　　3.1　錄音檢測(cè)

　　電視機(jī)智能語(yǔ)音識(shí)別處理流程圖如圖4，在需要使用語(yǔ)音設(shè)別時(shí)，首先需要按下錄音鍵，這個(gè)時(shí)候系統(tǒng)會(huì)檢測(cè)網(wǎng)絡(luò)是否連接和麥克是否可以正常使用，如果其中有一項(xiàng)檢測(cè)失敗，系統(tǒng)不會(huì)做錄音工作，提示檢查網(wǎng)絡(luò)或者檢查麥克。

　　3.2　錄音處理

　　在設(shè)備檢測(cè)之后，進(jìn)行錄音，由于系統(tǒng)限制，錄音有時(shí)間限制，不能太長(zhǎng)。電視機(jī)終端把麥克錄下的語(yǔ)音進(jìn)行預(yù)處理和特征提取，然后再把語(yǔ)音和模塊特征一起傳輸?shù)皆贫朔?wù)器，云端服務(wù)器再做細(xì)致的處理，處理之后再把數(shù)據(jù)傳回終端電視機(jī)。

　　3.3　智能功能處理

　　在電視機(jī)終端等待接收數(shù)據(jù)，在5秒之內(nèi)沒(méi)有接收到數(shù)據(jù)，視為TIme out，數(shù)據(jù)處理失敗。如果接收到數(shù)據(jù)后做相應(yīng)的處理，在云端就有對(duì)各個(gè)模塊的關(guān)鍵字識(shí)別，將傳回的數(shù)據(jù)再針對(duì)相應(yīng)的模塊做判斷處理。比如在主功能界面，如果語(yǔ)音輸入“shezhi”，系統(tǒng)將進(jìn)入設(shè)置界面?；蛘咴谟耙暯缑?，如果輸入“halibote”，系統(tǒng)會(huì)查找哈利波特這部影片。

　　4.實(shí)驗(yàn)應(yīng)用

　　由于電視系統(tǒng)在使用過(guò)程中情況比較復(fù)雜，通過(guò)語(yǔ)音設(shè)別的準(zhǔn)確率也有一些差異。為了得到相對(duì)準(zhǔn)確的數(shù)據(jù)，測(cè)試分幾種情況，一種是在電視系統(tǒng)沒(méi)有播放audio的時(shí)候和在播放audio的時(shí)候，另一種是輸入語(yǔ)音的長(zhǎng)度不一致的情況。

　　4.1　測(cè)試嘈雜環(huán)境試驗(yàn)

　　這個(gè)測(cè)試分兩種情況，一種是沒(méi)有播放audio的時(shí)候（或者說(shuō)audio mute的時(shí)候），一種是在有播放audio的時(shí)候（由于audio播放時(shí)分貝不一樣，所以以各種嘈雜環(huán)境的綜合值為主），實(shí)驗(yàn)結(jié)果見(jiàn)表1：

　　4.2　測(cè)試改變輸入關(guān)鍵字長(zhǎng)度試驗(yàn)

　　本系統(tǒng)為智能語(yǔ)音設(shè)別，需要做智能分析，通過(guò)輸入語(yǔ)音來(lái)判斷系統(tǒng)的動(dòng)作，關(guān)鍵是在語(yǔ)音設(shè)別的準(zhǔn)確性和智能識(shí)別處理上，而輸入關(guān)鍵字的長(zhǎng)度對(duì)系統(tǒng)的準(zhǔn)確性判斷相當(dāng)關(guān)鍵。本次實(shí)驗(yàn)就是針對(duì)長(zhǎng)度不一致的輸入做分析，實(shí)驗(yàn)結(jié)果見(jiàn)表2：

　　從兩個(gè)測(cè)試來(lái)看，系統(tǒng)識(shí)別準(zhǔn)確率相當(dāng)高，實(shí)驗(yàn)達(dá)到了預(yù)期的效果。關(guān)鍵是在特殊環(huán)境下進(jìn)行處理時(shí)，本系統(tǒng)在識(shí)別之后還有關(guān)鍵字和智能處理，以達(dá)到更好的智能處理。

　　5.結(jié)語(yǔ)

　　該系統(tǒng)采用了高效的語(yǔ)音設(shè)別技術(shù)和穩(wěn)定的MIPS硬件平臺(tái)為基礎(chǔ)，軟件設(shè)計(jì)上以Linux操作系統(tǒng)為基礎(chǔ)，在原有的智能電視系統(tǒng)上使用云計(jì)算處理語(yǔ)音數(shù)據(jù)，使之系統(tǒng)處理實(shí)時(shí)性更高。通過(guò)測(cè)試表明，該系統(tǒng)能非常準(zhǔn)確地判斷語(yǔ)音輸入，數(shù)據(jù)處理速度快，系統(tǒng)穩(wěn)定性高。此系統(tǒng)達(dá)到了在電視系統(tǒng)中使用智能語(yǔ)音設(shè)別的功能，這樣通過(guò)語(yǔ)音操作，大大提高了系統(tǒng)的可操作性，使之使用方便，更加智能化。