基于DSP的語音識(shí)別系統(tǒng)的實(shí)現(xiàn)及分析

0 引言

　　語音識(shí)別技術(shù)的目的是使機(jī)器能理解人類語言，最終使人機(jī)通信成為現(xiàn)實(shí)。在過去幾十年，自動(dòng)語音識(shí)別（AutomaticSpeech Recognition，ASR）技術(shù)已經(jīng)取得了非常重大的進(jìn)步。

　　ASR系統(tǒng)已經(jīng)能從處理像數(shù)字之類的小詞匯量到廣播新聞之類的大詞匯量。然而針對(duì)識(shí)別效果來說，ASR 系統(tǒng)則相對(duì)較差。尤其在會(huì)話任務(wù)上，自動(dòng)語音識(shí)別系統(tǒng)遠(yuǎn)不及人類。因此，語音識(shí)別技術(shù)的應(yīng)用已成為一個(gè)極具競(jìng)爭(zhēng)性和挑戰(zhàn)性的高新技術(shù)產(chǎn)業(yè)。

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

　　1 系統(tǒng)參數(shù)選擇

　　一般情況下，語音識(shí)別系統(tǒng)按照不同的角度、不同的應(yīng)用范圍、不同的性能要求有不同的分類方法。針對(duì)識(shí)別對(duì)象不同有孤立詞識(shí)別、連接詞識(shí)別、連續(xù)語音識(shí)別與理解和會(huì)話語音識(shí)別等。針對(duì)識(shí)別系統(tǒng)的詞匯量有小詞匯量語音識(shí)別（1~20個(gè)詞匯）、中詞匯量識(shí)別（20~1 000個(gè)詞匯）和大詞匯量（1 000以上個(gè)詞匯）語音識(shí)別。針對(duì)發(fā)音人范圍來分，分為特定人語音識(shí)別、非特定人語音識(shí)別、自適應(yīng)語音識(shí)別。

　　本文主要研究非特定人小詞匯量連續(xù)語音實(shí)時(shí)識(shí)別系統(tǒng)。

　　1.1 語音識(shí)別系統(tǒng)

　　語音識(shí)別本質(zhì)上是一種模式識(shí)別的過程，即未知語音的模式與已知語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(shí)別結(jié)果。語音識(shí)別系統(tǒng)一般包括前端處理、特征參數(shù)提取、模型訓(xùn)練和識(shí)別部分。圖1所示是基于模式匹配原理的語音識(shí)別系統(tǒng)框圖。

　　圖1 語音識(shí)別系統(tǒng)基本框圖

　　1.2 特征參數(shù)

　　語音信號(hào)中含有非常豐富的信息，包括影響語音識(shí)別的重要信息，也包括對(duì)語音識(shí)別無關(guān)緊要甚至?xí)档妥R(shí)別率的冗余信息。特征提取則可以去除冗余信息，將能準(zhǔn)確表征語音信號(hào)特征的聲學(xué)參數(shù)提取出來用于后端的模型建立和匹配，大大減少了存儲(chǔ)空間、訓(xùn)練和測(cè)試時(shí)間。對(duì)特定人語音識(shí)別來說，希望提取的特征參數(shù)盡可能少的反映語義信息，盡可能多的反映說話人的個(gè)人信息，而對(duì)非特定人語音識(shí)別來說，則相反。

　　現(xiàn)在較常用的特征參數(shù)有線性預(yù)測(cè)參數(shù)（LPCC）、線譜對(duì)（LSP）參數(shù)、Mel頻率倒譜參數(shù)（MFCC）、感覺加權(quán)的線性預(yù)測(cè)（PLP）參數(shù)、動(dòng)態(tài)差分參數(shù)和高階信號(hào)譜類特征等，尤其是LPCC和MFCC兩種參數(shù)最為常用。本文選擇MFCC作為特征參數(shù)。

　　1.3 模型訓(xùn)練及模式識(shí)別

　　在識(shí)別系統(tǒng)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(shù)即形成模式庫，再將輸入的語音提取特征矢量參數(shù)后與已建立的聲學(xué)模型進(jìn)行相似度比較，同時(shí)根據(jù)一定的專家知識(shí)（如構(gòu)詞規(guī)則，語法規(guī)則等）和判別規(guī)則決策出最終的識(shí)別結(jié)果。

　　目前，語音識(shí)別所應(yīng)用模型匹配技術(shù)主要有動(dòng)態(tài)時(shí)間規(guī)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(jī)（SVM）等。DTW 是基本的語音相似性或相異性的一種測(cè)量工具，僅僅適合于孤立詞語音識(shí)別系統(tǒng)中。在解決非特定人、大詞匯量、連續(xù)語音識(shí)別問題時(shí)較之HMM 算法相形見絀。HMM 模型是隨機(jī)過程的數(shù)學(xué)模型，它用統(tǒng)計(jì)方式建立語音信號(hào)的動(dòng)態(tài)模型，將聲學(xué)模型和語言模型融入語音識(shí)別搜索算法中，被認(rèn)為是語音識(shí)別中最有效的模型。

　　然而由Vapnik和co-workers提出來的SVM 基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則和非線性和函數(shù)，具有更好的泛化能力和分類精確度。目前，SVM 已經(jīng)成功應(yīng)用于語音識(shí)別與話者識(shí)別。

　　除此之外，Ganapathiraju等人已經(jīng)將支持向量機(jī)成功運(yùn)用到復(fù)雜的大詞表非特定人連續(xù)語音識(shí)別上來。因此本文選擇SVM結(jié)合VQ完成語音模式識(shí)別。

　　2 系統(tǒng)構(gòu)建及實(shí)現(xiàn)

　　為了更好地體現(xiàn)DSP的實(shí)時(shí)性，選擇的合適參數(shù)相當(dāng)重要?？紤]到DSP的存儲(chǔ)容量和實(shí)時(shí)性要求，本文首先選用Matlab平臺(tái)對(duì)系統(tǒng)進(jìn)行仿真以比較選取合適的參數(shù)。

　　2.1 Matlab平臺(tái)上的仿真實(shí)現(xiàn)

　　2.1.1 實(shí)驗(yàn)數(shù)據(jù)的建立

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

　　由于無調(diào)音節(jié)有412個(gè)，有調(diào)音節(jié)為1 282個(gè)，若采用SVM 對(duì)所有音節(jié)進(jìn)行分類，數(shù)據(jù)量很龐大，故本文選擇10個(gè)人對(duì)6個(gè)不固定的連續(xù)漢語數(shù)字進(jìn)行發(fā)音，每人發(fā)音15次，音節(jié)切分后共900個(gè)樣本，其中600個(gè)樣本作為訓(xùn)練樣本集，其余300個(gè)樣本用于特定人的識(shí)別；另外選擇5個(gè)人對(duì)漢語數(shù)字0~9發(fā)音，每人發(fā)音3次，共150個(gè)測(cè)試樣本作為非特定人的識(shí)別。此外，以上選取的訓(xùn)練或測(cè)試樣本均考慮到0~9共10個(gè)數(shù)字的均勻分布，并且樣本類型通過手工標(biāo)定。

　　2.1.2 基于Matlab的語音識(shí)別系統(tǒng)的仿真及性能分析

　　首先對(duì)語音信號(hào)進(jìn)行了預(yù)處理及時(shí)域分析：使用H（Z）=1-0.9375z-1 進(jìn)行預(yù)加重處理；同時(shí)考慮語音信號(hào)的短時(shí)平穩(wěn)性，進(jìn)行分幀加窗---選用Hamming窗，幀長32ms，幀移是10ms.本文所設(shè)計(jì)系統(tǒng)為小詞匯量的連續(xù)語音識(shí)別，考慮到訓(xùn)練時(shí)的工作量和運(yùn)算量，選用音節(jié)作為基本識(shí)別單元。語音特征參數(shù)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(gòu)成。

　　本文構(gòu)造了基于SVM 的連續(xù)語音識(shí)別系統(tǒng)。系統(tǒng)前端采用MFCC特征參數(shù)、并用遺傳算法（GA）與矢量量化（VQ）混合算法對(duì)其進(jìn)行聚類得到優(yōu)化碼本，然后將所得碼本作為 SVM 模式訓(xùn)練和識(shí)別算法的輸入，按照相應(yīng)的準(zhǔn)則最終得到識(shí)別的結(jié)果。語音識(shí)別系統(tǒng)流程圖如圖2所示。

　　圖2 語音識(shí)別系統(tǒng)流程圖

　　首先對(duì)不同初始種群數(shù)的語音識(shí)別系統(tǒng)性能進(jìn)行了分析。表1給出了不同初始種群下的識(shí)別系統(tǒng)性能，從表中可以得出，在迭代次數(shù)為100、初始種群數(shù)為100時(shí)，種群最終平均適應(yīng)度和正識(shí)率最高，之后隨著初始種群數(shù)繼續(xù)增加，平均適應(yīng)度和正識(shí)率都在降低。綜合考慮迭代所需時(shí)間和正識(shí)率，本文折衷采用初始種群數(shù)為80進(jìn)行系統(tǒng)的仿真和實(shí)現(xiàn)。

　　表1 不同初始種群下的識(shí)別系統(tǒng)性能

　　種群數(shù)平均適應(yīng)度迭代所需時(shí)間/ （s） 正識(shí)率系統(tǒng)設(shè)計(jì)中考慮到MFCC參數(shù)數(shù)據(jù)量太大，對(duì)模型訓(xùn)練和識(shí)別的時(shí)間有很大的影響，因此選擇矢量量化對(duì)數(shù)據(jù)進(jìn)行分類。矢量量化的關(guān)鍵問題是如何獲取VQ碼本及碼本長度的確定，對(duì)此進(jìn)行了仿真比較。

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

　　表2 不同VQ算法對(duì)正識(shí)率的影響比較

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

　　不同SVM 核函數(shù)對(duì)語音識(shí)別系統(tǒng)性能也會(huì)有影響。SVM分類器的目的是設(shè)計(jì)一個(gè)具有良好性能的分類超平面，以滿足在高維特征空間中能通過這個(gè)分類超平面區(qū)分多類數(shù)據(jù)樣本。

　　已有文獻(xiàn)證明一對(duì)一分類器在邊界距離上比一對(duì)多分類器更精確，故本文采用一對(duì)一方法對(duì)多類數(shù)據(jù)樣本進(jìn)行訓(xùn)練和識(shí)別。

　　圖3 碼本長度的失真測(cè)度對(duì)比

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

　　表3 不同SVM 核函數(shù)的識(shí)別系統(tǒng)性能

　　通過Matlab仿真分析了不同的矢量量化算法、SVM 核函數(shù)和初始種群數(shù)對(duì)語音識(shí)別系統(tǒng)性能產(chǎn)生的影響，為語音識(shí)別系統(tǒng)在DSP上的實(shí)現(xiàn)提供了參數(shù)和模型的選擇。

2.2 語音識(shí)別系統(tǒng)在DSP上的實(shí)現(xiàn)

　　2.2.1 實(shí)驗(yàn)數(shù)據(jù)的建立

　　所有語音信號(hào)在安靜的實(shí)驗(yàn)室環(huán)境下獲得?；贒SP 平臺(tái)的實(shí)時(shí)識(shí)別實(shí)驗(yàn)系統(tǒng)，語音信號(hào)通過麥克風(fēng)輸入，使用TLV320AIC23對(duì)模擬語音信號(hào)進(jìn)行采樣。語音采樣頻率為8kHz，采樣量化精度為 16bit，雙聲道?？紤]到Flash存儲(chǔ)空間有限，本文選用自建語音庫中900個(gè)樣本中的40個(gè)樣本作為訓(xùn)練樣本建立模型參數(shù)。

　　2.2.2 語音識(shí)別系統(tǒng)的硬件結(jié)構(gòu)

　　由于語音識(shí)別系統(tǒng)算法復(fù)雜度較高，同時(shí)考慮到實(shí)時(shí)性，本文選擇TI公司的TMS320C6713DSK 作為硬件開發(fā)平臺(tái)。

　　TMS320C6713DSK是一款低成本獨(dú)立開發(fā)應(yīng)用板，其最高工作時(shí)鐘頻率可以達(dá)到225MHz，且是高性能的浮點(diǎn)數(shù)字信號(hào)處理器。且?guī)в蠺LV320AIC23 立體編解碼器，8M 字節(jié)32bit的SDRAM，512k字節(jié)，8bit的非易失性Flash存儲(chǔ)器。

　　本系統(tǒng)針對(duì)的是非特定人小詞匯量連續(xù)語音的識(shí)別，硬件結(jié)構(gòu)如圖4所示，主要包括語音數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)處理模塊、程序數(shù)據(jù)存儲(chǔ)及Flash引導(dǎo)裝載模塊、數(shù)據(jù)存儲(chǔ)器RAM 模塊及其他相關(guān)模塊。

　　圖4 系統(tǒng)硬件結(jié)構(gòu)圖

　　數(shù)據(jù)采集模塊主要采用TLV320AIC23編解碼器來實(shí)現(xiàn)對(duì)語音數(shù)據(jù)的采集。由AIC23采集的數(shù)字信號(hào)數(shù)據(jù)通過McBSP1存入SDRAM 中，數(shù)據(jù)傳輸方式為EDMA方式下的McBSP數(shù)據(jù)傳輸。數(shù)據(jù)處理模塊是系統(tǒng)的核心模塊，用TMS320C6713DSP芯片來完成語音識(shí)別算法的實(shí)現(xiàn)。訓(xùn)練時(shí)，DSP完成語音信號(hào)MFCC特征參數(shù)的提取、SVM 建模并存入Flash中；識(shí)別時(shí)，DSP讀取待識(shí)別語音信號(hào)數(shù)據(jù)并將獲得的模型參數(shù)與訓(xùn)練模型參數(shù)進(jìn)行比較，進(jìn)而得到識(shí)別結(jié)果。

　　2.2.2 基于DSP的語音識(shí)別系統(tǒng)的實(shí)現(xiàn)及分析

　　本系統(tǒng)設(shè)計(jì)主要涉及到語音數(shù)據(jù)段、執(zhí)行代碼段、載入Flash的程序段和模型參數(shù)段等。在編程中主要以C語言編程為主，配合使用匯編語言，使程序運(yùn)行效率更高。

　　實(shí)驗(yàn)結(jié)果及其性能分析：

　　訓(xùn)練時(shí)，系統(tǒng)上電，加入工程項(xiàng)目。圖5所示為讀取“12345”的語音時(shí)部分主程序、對(duì)音節(jié)切分后數(shù)字“1”提取的語音及其第10幀的MFCC參數(shù)、mfcc子程序等。

　　圖5 MFCC參數(shù)

　　識(shí)別過程中，將存入Flash中的訓(xùn)練模型參數(shù)依次讀出，與待識(shí)別語音信號(hào)的MFCC參數(shù)比較，最后得到識(shí)別結(jié)果。

　　實(shí)驗(yàn)中讀取20句話，每句話含有6個(gè)不同漢語數(shù)字的連續(xù)語音，通過對(duì)其進(jìn)行測(cè)試，得到識(shí)別率為76.7%.圖6是對(duì)音節(jié)切分后的數(shù)字“2”的識(shí)別情況，在STD欄輸出了最后識(shí)別結(jié)果即數(shù)字“2”。

　　3 結(jié)論

　　本文通過在Matlab平臺(tái)上進(jìn)行仿真實(shí)驗(yàn)選取合適的參數(shù)及模型，并將其移植到 TMS320C6713DSK上實(shí)現(xiàn)了非特定人小詞匯量連續(xù)語音識(shí)別系統(tǒng)。其中基于TLV320AIC23完成了對(duì)語音數(shù)據(jù)的采集，借助SDRAM 和Flash進(jìn)行數(shù)據(jù)存儲(chǔ)，并采用短時(shí)能量和短時(shí)過零率進(jìn)行語音信號(hào)的初步判定，結(jié)合起來進(jìn)行測(cè)試，在Windows7操作系統(tǒng)中使用DirectX SDK 9.0b進(jìn)行視頻顯示，QR解碼程序?yàn)樽孕芯幹疲⑴cTPS自動(dòng)測(cè)試臺(tái)集成。連續(xù)地采集視頻，在計(jì)算機(jī)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(jié)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(yù)估未定位條碼的結(jié)果，q1為已定位碼，q2，q3，q4為未定位碼，由q1預(yù)估q2，q3，q4的結(jié)果為圖中的加亮框表示，對(duì)框區(qū)域外擴(kuò)使其包含完整條碼，然后把擴(kuò)域后的子區(qū)域獨(dú)立出來，作為下一幀條碼解碼的有效區(qū)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(yù)估結(jié)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(xiàn)實(shí)時(shí)視頻，并具有如下特點(diǎn)：

　　a）無需夾具，允許遮擋，允許測(cè)試板和探頭位置變化；探針和目標(biāo)點(diǎn)標(biāo)記同時(shí)出現(xiàn)影像圖上，直接引導(dǎo)，無需在影像和實(shí)板上對(duì)照查找，提高探測(cè)效率，減小出錯(cuò)機(jī)會(huì)。

　　b）QR碼定位符含測(cè)試板信息，可以在PCB板制作過程中通過絲印到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(qū)分不同PCB板及不同板面，用作PCB加電前預(yù)檢測(cè)，可保證加電安全。