基于片上系統(tǒng)SoC的孤立詞語(yǔ)音識(shí)別算法設(shè)計(jì)

1. 引言

目前，嵌入式語(yǔ)音識(shí)別系統(tǒng)的實(shí)現(xiàn)主要通過(guò)單片機(jī)MCU和數(shù)字信號(hào)處理器DSP來(lái)實(shí)現(xiàn)[1]。但是單片機(jī)運(yùn)算速度慢，處理能力不高；雖然DSP處理速度很快，但是產(chǎn)品的成本很高，電源能量消耗也很大。因此，為了滿足嵌入式交互系統(tǒng)的體積越來(lái)越小、功能越來(lái)越強(qiáng)的苛刻需求，語(yǔ)音識(shí)別片上系統(tǒng)SoC（System on Chip）應(yīng)運(yùn)而生。

語(yǔ)音識(shí)別片上系統(tǒng)SoC本身就是一塊芯片，在單一芯片上集成了模擬語(yǔ)音模數(shù)轉(zhuǎn)換器ADC、數(shù)模轉(zhuǎn)換器DAC、信號(hào)采集和轉(zhuǎn)換、處理器、存儲(chǔ)器和I/O接口等，只要加上極少的電源就可以具有語(yǔ)音識(shí)別的功能，集成了聲音信息的采集、取樣、處理、分析和記憶。SoC具有片內(nèi)處理器和片內(nèi)總線，有著更靈活的應(yīng)用方式。它具有速度快，體積小，成本低，可擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)，有著廣泛的應(yīng)用前景，已經(jīng)成為語(yǔ)音識(shí)別技術(shù)應(yīng)用發(fā)展的一個(gè)重要方向[2-3]。研究和開(kāi)發(fā)應(yīng)用于片上系統(tǒng)SoC芯片的語(yǔ)音識(shí)別算法有著非常重要的意義。

2. 孤立詞語(yǔ)音識(shí)別系統(tǒng)

孤立詞語(yǔ)音識(shí)別系統(tǒng)應(yīng)用于嵌入式控制領(lǐng)域，例如數(shù)字家庭控制、車(chē)載語(yǔ)音控制和智能語(yǔ)音可控玩具等。在訓(xùn)練階段，用戶(hù)將每一個(gè)詞依次說(shuō)一遍，并將計(jì)算得到的每一個(gè)詞所對(duì)應(yīng)的特征矢量序列作為模板存入模板庫(kù)中。在識(shí)別階段，將輸入語(yǔ)音的特征矢量序列依次與模板庫(kù)中的每一模板進(jìn)行相似度比較，將相似度最高者作為識(shí)別結(jié)果輸出。

3. 針對(duì)片上系統(tǒng)SOC的孤立詞語(yǔ)音識(shí)別算法設(shè)計(jì)

在SoC芯片中實(shí)現(xiàn)孤立詞語(yǔ)音識(shí)別系統(tǒng)，就要根據(jù)語(yǔ)音識(shí)別片上系統(tǒng)的特點(diǎn)，來(lái)進(jìn)行SoC的語(yǔ)音識(shí)別算法的選擇和設(shè)計(jì)。

首先是特征提取算法的選擇。MFCC算法考慮到了人的聽(tīng)覺(jué)效果，能很好的表征語(yǔ)音信號(hào)，而且在噪聲環(huán)境下能取得很好的識(shí)別效果。而LPC系數(shù)主要是模擬人的發(fā)聲模型，對(duì)元音有較好的的描述能力，對(duì)輔音描述能力較差，抗噪聲性能也相對(duì)差一些。但是從算法的計(jì)算量來(lái)考慮，MFCC提取特征參數(shù)是LPCC 的10倍左右，通常在嵌入式系統(tǒng)下較難實(shí)現(xiàn)實(shí)時(shí)性。因此，選用LPCC算法。

模式匹配技術(shù)的選擇。隱馬爾柯夫模型HMM方法是用概率及統(tǒng)計(jì)學(xué)理論來(lái)對(duì)語(yǔ)音信號(hào)進(jìn)行分析與處理的，適用于大詞匯量、非特定人的語(yǔ)音識(shí)別系統(tǒng)。該算法對(duì)系統(tǒng)資源的要求較多。而動(dòng)態(tài)時(shí)間規(guī)整技術(shù)DTW采用模板匹配法進(jìn)行相似度計(jì)算，是一個(gè)最為小巧的語(yǔ)音識(shí)別算法，系統(tǒng)開(kāi)銷(xiāo)小，識(shí)別速度快，可有效節(jié)約系統(tǒng)資源，降低系統(tǒng)成本開(kāi)支。由于嵌入式系統(tǒng)資源有限，語(yǔ)音命令識(shí)別系統(tǒng)所需要的詞匯量有限，所需識(shí)別的語(yǔ)音都是簡(jiǎn)短的命令，模式匹配算法選擇DTW。

3.1 端點(diǎn)檢測(cè)算法設(shè)計(jì)

一個(gè)好的端點(diǎn)檢測(cè)算法可以在一定程度上提高系統(tǒng)的識(shí)別率。在雙門(mén)限端點(diǎn)檢測(cè)原理的基礎(chǔ)上，進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)算法的設(shè)計(jì)。為了提高端點(diǎn)檢測(cè)的精度，采用短時(shí)能量E和短時(shí)過(guò)零率ZCR。

語(yǔ)音采樣頻率為8KHz，量化精度為16位，數(shù)字PCM碼首先經(jīng)過(guò)預(yù)加重濾波器H(z)=2-0.95z-1，再進(jìn)行分幀和加窗處理，每幀30ms，240點(diǎn)為一幀，幀移為80，窗函數(shù)采用Hamming窗。然后對(duì)每幀語(yǔ)音進(jìn)行歸一化處理，即把每點(diǎn)的值都除以所有語(yǔ)音幀中數(shù)值絕對(duì)值的最大值，把值的范圍從[-32767，32767]轉(zhuǎn)換到[-1，1]。

在實(shí)驗(yàn)中發(fā)現(xiàn)，雙門(mén)限端點(diǎn)檢測(cè)算法對(duì)于兩個(gè)漢字和三個(gè)漢字的語(yǔ)音命令端點(diǎn)檢測(cè)效果不好。以語(yǔ)音“開(kāi)燈”為例，如圖1所示語(yǔ)音波形圖中，端點(diǎn)檢測(cè)只能檢測(cè)到第一個(gè)字。

圖1 改進(jìn)前對(duì)語(yǔ)音“開(kāi)燈”的端點(diǎn)檢測(cè)

Fig2. the endpointing detection of speech “kaideng” before ameliorate

如果語(yǔ)音命令中兩個(gè)字的間隔過(guò)長(zhǎng)，使用雙門(mén)限端點(diǎn)檢測(cè)方法會(huì)發(fā)生只檢測(cè)到第一個(gè)字的情況，在實(shí)際中“開(kāi)燈”和“開(kāi)門(mén)”等命令只提取了“開(kāi)”字的語(yǔ)音，從而可能造成語(yǔ)音匹配的錯(cuò)誤。

為避免該錯(cuò)誤，采用的辦法是，把可容忍的靜音區(qū)間擴(kuò)大到15幀 (約150ms)。在雙門(mén)限的后一門(mén)限往后推遲15幀，如15幀內(nèi)一直沒(méi)有energy和ZCR超過(guò)最低門(mén)限，則認(rèn)為語(yǔ)音結(jié)束；如發(fā)現(xiàn)仍然有語(yǔ)音，則繼續(xù)算入在內(nèi)。

圖2 改進(jìn)后對(duì)語(yǔ)音“開(kāi)燈”的端點(diǎn)檢測(cè)

Fig3. the endpointing detection of speech “kaideng” after ameliorate

改進(jìn)后，整個(gè)語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)流程設(shè)計(jì)為四個(gè)階段：靜音、過(guò)渡段、語(yǔ)音段和語(yǔ)音結(jié)束。在靜音段，如果能量或過(guò)零率超越了低門(mén)限，就應(yīng)該開(kāi)始標(biāo)記起始點(diǎn)，進(jìn)入過(guò)渡段。在過(guò)渡段中，由于參數(shù)的數(shù)值比較小，不能確信是否處于真正的語(yǔ)音段，因此只要兩個(gè)參數(shù)的數(shù)值都回落到低門(mén)限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)。而如果在過(guò)渡段中兩個(gè)參數(shù)中的任一個(gè)超過(guò)了高門(mén)限，就可以確信進(jìn)入語(yǔ)音段。在語(yǔ)音段，如果兩個(gè)參數(shù)的數(shù)值降低到低門(mén)限以下，并且一直持續(xù)15幀，那么語(yǔ)音進(jìn)入停止。如果兩個(gè)參數(shù)的數(shù)值降低到低門(mén)限以下，但是并沒(méi)有持續(xù)到 15幀，后續(xù)又有語(yǔ)音段越過(guò)低門(mén)限，那么認(rèn)為語(yǔ)音還沒(méi)有結(jié)束。最后，如果檢測(cè)出的這段語(yǔ)音總長(zhǎng)度小于可接受的最小的語(yǔ)音幀數(shù)(設(shè)為15幀)，則認(rèn)為是一段噪音而放棄。

采用改進(jìn)后的端點(diǎn)檢測(cè)算法，對(duì)于單個(gè)漢字或多個(gè)漢字的語(yǔ)音命令均識(shí)別常。圖2為語(yǔ)音“開(kāi)燈”的端點(diǎn)檢測(cè)圖(兩條紅線以?xún)?nèi)的部分為檢測(cè)出來(lái)的語(yǔ)音部分)。