基于FPGA的語音端點檢測

語音端點檢測就是從背景噪聲中找到語音的起點和終點，其目標是要在一段輸入信號中將語音信號同其他信號(如背景噪聲)分離并且準確地判斷出語音的端點。研究表明，即使在安靜的環(huán)境中，一半以上的語音識別系統(tǒng)識別錯誤來自端點檢測。因此，端點檢測的重要性不容忽視，尤其在噪聲環(huán)境下語音的端點檢測，它的準確性很大程度上直接影響著后續(xù)的工作能否有效進行[1]。

　　當前語音識別系統(tǒng)大多以ARM、DSP為設計核心，其設計費用高、缺乏靈活性、開發(fā)周期長，而且很難滿足高速的系統(tǒng)要求。在對語音端點檢測算法的研究中，提出了諸如基于能量、過零率、LPC預測殘差等多種算法[2]，但這些方法大部分都是基于計算機軟件的，不適合進行硬件開發(fā)[3]。

　　FPGA具有功耗低、體積小、速度快等優(yōu)點，可以滿足語音識別系統(tǒng)的實時性要求。本文嘗試用FPGA實現(xiàn)語音端點檢測，對常用的Lawrence Rabiner端點檢測法進行改進，用純硬件的方法實現(xiàn)語音端點檢測，并以“長沙”等詞和短語為例，驗證其準確性和可行性。

　　1 FPGA實現(xiàn)語音端點檢測基本原理

　　主要由四個部分完成：預加重、分幀、加窗和端點判斷，F(xiàn)PGA實現(xiàn)方法同樣要經(jīng)過這四個步驟。

　　1.1 預加重

　　語音信號的平均功率譜由于受聲門激勵和口鼻輻射的影響，高頻端大約在800 Hz以上按6 dB/Oct(倍頻程)衰減，這樣語音信號的頻譜中，頻率越高相應的成分越少，因而要得到高頻部分的頻率比低頻部分更困難。所以，對語音信號進行分析之前，要對語音信號加以提升，使語音信號的短時頻譜變得更為平坦，從而便于進行頻譜分析和聲道參數(shù)分析。提升的方法有模擬電路法和數(shù)字電路法，本設計主要采用數(shù)字電路法。一般的數(shù)字電路法用一階的數(shù)字濾波器來實現(xiàn)：

　　式(2)只有移位和加減運算，即用簡單的移位來取代復雜的小數(shù)乘法運算，從而可以方便地用FPGA實現(xiàn)。

　　1.2 分幀加窗

　　分幀處理即將預加重后的語音信號分成多段進行分析，即從原始語音序列中分解出一個新的依賴于時間的序列，便于描述語音信號特征。語音信號具有時變特性，但在相當短的時間范圍內(nèi)，其特性基本保持不變，從而可以進行分段分析。假設語音信號在10 ms～30 ms內(nèi)平穩(wěn)，就可以以此時間段為單位將語音信號分ms段進行分析，其中每一段稱為一“幀”，每一幀的長度叫幀長。為了使幀與幀之間保持連續(xù)平滑過渡，分幀一般采用交疊分段的方法，前一幀和后一幀的交疊部分稱為幀移。幀移與幀長的比值一般取為0～1/2。為便于語音識別系統(tǒng)中特征的提取，取2n為幀長。本文語音信號的采樣頻率為16 kHz，取幀長為256(16 ms)，幀移為128。

　　分幀的FPGA實現(xiàn)。其關鍵就是解決幀移的疊加問題?？梢杂脙蓚€FIFO(F1和F2)來實現(xiàn)，具體過程為：先向F1寫入128個數(shù);讀取F1中的數(shù)得到這幀前128個數(shù)，同時將F1中的數(shù)寫入F2中;F1的數(shù)讀完時F2也已寫完，此時再讀取F2中的數(shù)得到這幀的后128個數(shù)(這時就得到了一幀的語音信號)，在讀取F2中數(shù)據(jù)的同時向F1寫入下一幀的數(shù)據(jù)，這樣一直循環(huán)就完成了語音的分幀。

　　分幀后幀之間重新拼接處語音信號的頻譜特性和原來相比會有差異。為了使語音信號在幀之間重新拼接處的頻譜特性與原來更加接近，就要進行加窗處理。在語音信號處理中常用的窗函數(shù)是矩形窗和漢明窗[5]。它們的表達式如下(其中N為幀長)：

　　矩形窗：

　　矩形窗的主瓣寬度較小，因而具有較高的頻率分辨率;但它的旁瓣峰值較大，因此其頻譜泄露比較嚴重。相比較而言，雖然漢明窗主瓣寬度較矩形窗大一倍，但是它的旁瓣衰減較大，因而具有更平滑的低通特性，能夠在較高程度上反映短時語音信號的頻譜特性，所以本文采用漢明窗。

　　加窗的FPGA實現(xiàn)。加窗就是用分幀后的數(shù)據(jù)乘以窗函數(shù)。在FPGA的實現(xiàn)上加漢明窗的過程難點是小數(shù)余弦乘法運算，如果用算法來實現(xiàn)運算會比較慢。這里考慮到N比較小，可以采用查表法實現(xiàn)加窗處理。查表法就是將窗函數(shù)的各個值存在ROM里面，依次查找。這里用DSP Builder工具生成窗函數(shù)的各個值，因為Altera公司開發(fā)的DSP Builder工具有很強的數(shù)字信號處理功能，能很好地完成窗函數(shù)的運算。具體操作步驟為：在Matlab中打開simulink工具并打開Altera DSP Builder Blockset工具箱，然后新建“.mdl”文件，在工具箱中找到相應的模塊并連接。在“hamming_table”模塊的“Matlab Array”中輸入“0.54-0.56*cos([0:2*pi/255:2*pi])”。然后編譯、綜合，系統(tǒng)就會自動生成查表法要用到的“.hex”文件。

　　1.3 端點判斷

　　端點判斷是整個端點檢測中最重要的部分，也是計算量最大的部分。所以算法的選擇非常重要，本文用算法是根據(jù)Lawrence Rabiner端點檢測法改進而來的。先介紹下Lawrence Rabiner端點檢測法，這種方法以過零率ZRC和能量E為特征來檢測起止點，具體方法為：

　　該算法是以基于能量的起止點算法。根據(jù)發(fā)音剛開始前已知為“靜”態(tài)的的連續(xù)10幀內(nèi)的數(shù)據(jù)，計算能量閾值T1(低能量閾值)及T2(高能量閾值)。開始計算前10幀每幀的能量，設其最大值稱之為MX，最小值為MN，過零率閾值為ZCT，則有：

　　其中，F(xiàn)為固定值，一般為25，ZC和c分別為最初10幀過零率的均值和標準差。先根據(jù)T1、T2算得初始起點BN(起點幀號)。方法為：從第11幀開始，逐次比較每幀的平均幅度，BN為能量超過T1的第一幀的幀號。但若后續(xù)幀的能量在尚未超過T2之前又降到T1之下，則原BN不作為初始起點，改記下一個能量超過了T1的幀的幀號為BN，依此類推，在找到第一個能量超過T2的幀時停止比較。當BN確定后，從BN幀向(BN-25)幀搜索，依次比較各幀的過零率，若有3幀以上的ZCR>ZCT，則將起點BN定為滿足ZCR>ZCT的最前幀的幀號，否則即以BN為起點。這種起點檢測法也稱雙門限前端檢測算法。語音結(jié)束點EN(結(jié)束點幀號)的檢測方法與檢測起點相同，從后向前搜索，找第一個能量低于T1且其前向幀的能量在超出T2前沒有下降到T1以下的幀的幀號，記為EN，隨后根據(jù)過零率向(EN=25)幀搜索，若有3幀以上的ZCR≥ZCT，則將結(jié)束點EN定為滿足ZCR≥ZCT的最后幀的幀號，否則即以EN作為結(jié)束點。

　　這種算法硬件實現(xiàn)起來比較復雜，而且速度慢，所以要對算法進行改進。改進后的算法為：超過高門限可以用于確定語音的開始，低門限用于確定語音的終點。超過高門限未必就是語音的開始，有時候噪聲的能量也可能相當大從而超過高門限，但是噪聲一般持續(xù)時間比較短，可以用超過高門限持續(xù)時間來決定是噪聲還是語音開始。當高門限已經(jīng)確定語音開始后，再利用低門限來確定語音的結(jié)束點。低于低門限未必就是語音的結(jié)束，有時候語音信號的能量也可能低于低門限，但是語音信號低于低門限的時間不可能很長，可以用低過低門限的時間來判斷語音的結(jié)束點。這樣起止點的檢查，就減少了過零率的判斷和前10幀過零率均值和標準差的計算。所以這個算法門限值的選擇對語音端點檢測的影響比較大，本設計的門限值是根據(jù)Lawrence Rabiner端點檢測法并通過大量實驗得來，計算式如式(10)和式(11)。其中，AE為前14幀的平均能量、T1是低門限、T2是高門限。

　　T1=1.5AE(10)

　　T2=2T1(11)