嵌入式實(shí)時(shí)英語(yǔ)語(yǔ)音識(shí)別系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)

專用芯片只需外接：

（1）EPROM：存放系統(tǒng)程序；

（2）Flash Memory：存放語(yǔ)音識(shí)別系統(tǒng)需要的聲學(xué)模型參數(shù)和系統(tǒng)中的語(yǔ)音提示、語(yǔ)音回放數(shù)據(jù)；

（3）語(yǔ)音輸入器件：可直接外接麥克風(fēng)，接收語(yǔ)音信號(hào)；

（4）語(yǔ)音輸出器件：可直接外接揚(yáng)聲器或耳機(jī)，輸出系統(tǒng)的提示音；

（5）電源：通過(guò)電壓變換芯片，為電路板上各芯片提供需要的電壓；

（6）USB接口：接板級(jí)語(yǔ)音識(shí)別模塊提供了USB接口，以提高該嵌入式系統(tǒng)和通用計(jì)算機(jī)系統(tǒng)之間數(shù)據(jù)交換的速度；

（7）鍵盤：提供外接鍵盤接口，方便系統(tǒng)控制；

（8）液晶：可外接一塊液晶顯示屏，以輸出識(shí)別結(jié)果；

（9）其他設(shè)備接口：為了增強(qiáng)該語(yǔ)音信號(hào)處理模塊的功能擴(kuò)展性，UniSpeech提供了豐富的I/O資源，共有100條通用I/O，系統(tǒng)也預(yù)留了這些I/O接口，以方便與其他設(shè)備連接。

2 算法研究

2.1 兩階段識(shí)別算法

在英語(yǔ)語(yǔ)音識(shí)別系統(tǒng)中，常用的聲學(xué)模型基本單元是單詞（word）、上下文無(wú)關(guān)音速（Monophone）[1]、上下文相關(guān)音速（Triphone、Biphone）和音節(jié)（Syllable）[2]，單詞模型由于其靈活性太差及計(jì)算時(shí)間和占用內(nèi)存隨待識(shí)別單詞數(shù)的增加而線性增長(zhǎng)，所以在嵌入式語(yǔ)音識(shí)別系統(tǒng)中很少應(yīng)用。Monophone模型具有模型簡(jiǎn)單、狀態(tài)數(shù)較少、識(shí)別速度快、內(nèi)存占用少且與識(shí)別詞匯量無(wú)關(guān)等優(yōu)點(diǎn)，但其對(duì)發(fā)音的相關(guān)性描述不夠精確，一選識(shí)別率不高，Triphone和Syllable模型對(duì)發(fā)音相關(guān)性能準(zhǔn)確建模，但模型數(shù)量巨大、狀態(tài)數(shù)較多、識(shí)別速度慢、內(nèi)存占用多，為了解決內(nèi)存占用量與識(shí)別速度之間的矛盾，本文采用了兩階段搜索算法，其基本流程如圖2所示。

在第一階段識(shí)別中，采用monophone模型和靜態(tài)識(shí)別網(wǎng)絡(luò)，得到多侯選詞條；在第二階段識(shí)別中，根據(jù)第一階段輸出的多侯選詞條，構(gòu)建新的識(shí)別網(wǎng)絡(luò)，采用triphone模型，進(jìn)行精確識(shí)別，得到最終的識(shí)別結(jié)果。由于第二階段識(shí)別的詞條數(shù)較少，與只采用triphone模型的一階段識(shí)別相比，識(shí)別速度大大提高，同時(shí)，第二階段識(shí)別可重用第一階段的內(nèi)存資源，也減少了級(jí)別系統(tǒng)的內(nèi)存占用量。

2.2 特征提取與選擇

在連續(xù)語(yǔ)音識(shí)別系統(tǒng)中，通常采用39維的MFCC（Mel Frequency Cepstral Coefficient）特征，甚至再加入一些特征。但是，考慮到嵌入式系統(tǒng)有限的硬件資源，在不降低識(shí)別率的基礎(chǔ)上，應(yīng)盡量減少特征的維數(shù)，本文采用最小互信息改變準(zhǔn)則MMIC（Minimum Mutual Information Change）進(jìn)行特征選擇，一階段采用22維MFCC特征（9 MFCC，6ΔMFCC，4Δ²MFCC，E，ΔE，Δ²E），二階段采用26維MFCC特征（10MFCC，7ΔMFCC，6Δ²MFCC，E，ΔE，Δ²E）。

2.3 數(shù)據(jù)的輸入輸出

對(duì)于硬件系統(tǒng)，如果數(shù)據(jù)的讀入速度較慢，則對(duì)運(yùn)算速度影響就很大，在保證系統(tǒng)高識(shí)別率的前提下，系統(tǒng)的內(nèi)存消耗量和識(shí)別時(shí)間常常是一對(duì)矛盾體，很難保證兩者同時(shí)達(dá)到理想狀態(tài)，如果僅僅考慮節(jié)省內(nèi)存、將每個(gè)詞條識(shí)別網(wǎng)絡(luò)和相應(yīng)的狀態(tài)逐個(gè)讀入，計(jì)算匹配分?jǐn)?shù)，這樣雖然可以最大限度地節(jié)省內(nèi)存的使用，但是數(shù)據(jù)的多次讀入占用了大量時(shí)間，并且反復(fù)計(jì)算同一個(gè)轉(zhuǎn)移概率，也對(duì)識(shí)別時(shí)間影響很大，另一方面，如果僅僅考慮運(yùn)算速度，一次性將所有詞條的識(shí)別網(wǎng)絡(luò)和所有狀態(tài)模型讀入內(nèi)存，雖然僅需一次性數(shù)據(jù)讀入，運(yùn)算速度大大提高，但卻對(duì)內(nèi)存提出了更高要求，為了更好地利用系統(tǒng)的硬件資源，本系統(tǒng)首先逐個(gè)讀入模型，計(jì)算所有觀察矢量在各狀態(tài)模型的輸出概率，存放在內(nèi)存中，然后逐條讀入識(shí)別網(wǎng)絡(luò)，選取路徑似然度最高的詞條作為最終的識(shí)別結(jié)果，這樣綜合了前面兩種方案的優(yōu)點(diǎn)，適應(yīng)了硬件系統(tǒng)的要求。

2.4 兩階段端點(diǎn)檢測(cè)

端點(diǎn)檢測(cè)是嵌入式語(yǔ)音識(shí)別中最基本的模塊，端點(diǎn)檢測(cè)是否準(zhǔn)確直接影響系統(tǒng)的運(yùn)算復(fù)雜度和系統(tǒng)的識(shí)別性能，因此在不增加復(fù)雜運(yùn)算量的前提下，希望端點(diǎn)檢測(cè)能盡量準(zhǔn)確，而且能適應(yīng)嵌入式系統(tǒng)多變的應(yīng)用環(huán)境，本文使用了一種有效的兩階段端點(diǎn)檢測(cè)方法，在第一階段使用圖像分割中經(jīng)常使用的邊緣檢測(cè)濾波器方法，得到一個(gè)能包含語(yǔ)音段同時(shí)又比較寬松的端點(diǎn)結(jié)果，在第二階段，對(duì)第一階段的結(jié)果進(jìn)行再判決，使用直方圖統(tǒng)計(jì)方法得到靜音段的能量聚類中心，并用這個(gè)中心能量值對(duì)整句能量序列進(jìn)行中心削波，對(duì)削波后的能量序列進(jìn)行最終判決，通常最終的結(jié)果會(huì)在第二階段端點(diǎn)檢測(cè)的基礎(chǔ)上作適當(dāng)?shù)姆潘?，前后放?-5幀（大約64-80ms），這些放松在求取特征的差分分量時(shí)是很有必要的。

在實(shí)驗(yàn)室環(huán)境下（信噪比大于25dB），以8KHz采樣頻率錄制了20人（其中男、女各10人）的語(yǔ)音數(shù)據(jù)，對(duì)于1200句原始錄制語(yǔ)音或帶噪語(yǔ)音，對(duì)傳統(tǒng)的固定能量閾值方法和兩階段檢測(cè)方法進(jìn)行了比較測(cè)試，測(cè)試的性能如表1所示。

傳統(tǒng)的固定閾值方法就是針對(duì)環(huán)境噪聲設(shè)定一個(gè)固定的能量閾值進(jìn)行端點(diǎn)檢測(cè)，實(shí)踐證明，兩階段檢測(cè)方法無(wú)論在安靜環(huán)境中還是在包含一定噪聲的環(huán)境中，都比固定能量閾值的端點(diǎn)檢測(cè)方法有更好的性能，此方法能夠進(jìn)一步改善嵌入式語(yǔ)音識(shí)別系統(tǒng)的識(shí)別性能。

2.5 束搜索

英語(yǔ)語(yǔ)音發(fā)音快、單詞長(zhǎng)、狀態(tài)數(shù)多，因而搜索時(shí)間長(zhǎng)，要實(shí)現(xiàn)實(shí)時(shí)識(shí)別、就不能在所有的語(yǔ)音數(shù)據(jù)都得到后再進(jìn)行解碼識(shí)別，在兩級(jí)識(shí)別網(wǎng)絡(luò)中，第一階段要在大量的詞條中搜索，而第二階段只在N_BEST詞條中搜索，相對(duì)時(shí)間占用量很少，為了滿足實(shí)時(shí)要求，本系統(tǒng)在獲取語(yǔ)音信號(hào)的同時(shí)進(jìn)行提取特征和第一階段識(shí)別[6]，根據(jù)硬件的內(nèi)存容量，考慮到匹配分?jǐn)?shù)所占用的內(nèi)存，選取每20幀（320ms）的語(yǔ)音完成一次搜索。由于所搜索的詞條并沒(méi)有結(jié)束，不能求出最終對(duì)應(yīng)于詞條得分?jǐn)?shù)，因此，必須保留每次搜索中每個(gè)詞條的每個(gè)節(jié)點(diǎn)的匹配分?jǐn)?shù)，這帶來(lái)了新的內(nèi)存開銷。

解決方法是在第一階段識(shí)別網(wǎng)絡(luò)中加入束搜索（Beam Search）快速算法。該算法假設(shè)：Viterbi解碼過(guò)程中的最終路徑在任何時(shí)刻都能保證較高的似然度，在搜索過(guò)程中對(duì)網(wǎng)絡(luò)進(jìn)行剪枝，只保留匹配分?jǐn)?shù)最大的有限個(gè)路徑，以減少運(yùn)算量和內(nèi)存消耗。但是，要獲得匹配得分?jǐn)?shù)最大的幾個(gè)狀態(tài)，在每次搜索過(guò)程中都要對(duì)匹配分?jǐn)?shù)進(jìn)行排序，這使運(yùn)算負(fù)擔(dān)加重，在實(shí)際中不可取，為了解決這一問(wèn)題，結(jié)合本系統(tǒng)識(shí)別網(wǎng)絡(luò)的特點(diǎn)，采用了一種滑動(dòng)窗束搜索算法。對(duì)于每一個(gè)詞條網(wǎng)絡(luò)，Viterbi解碼過(guò)程中，近似地認(rèn)為真實(shí)路徑總是當(dāng)前匹配分?jǐn)?shù)最優(yōu)的路徑和近鄰路徑，因此，設(shè)置了一個(gè)固定寬度的窗，在所有時(shí)刻，窗中的路徑總包含了該時(shí)刻似然度最高的路徑及其相鄰路徑，而那些落在窗外的路徑則將被剪枝，由于模型狀態(tài)不可跨越，因此，下一個(gè)活躍路徑的位置，只可能是上一個(gè)活躍路徑的原有位置或者滑動(dòng)一格，由于中間的匹配分?jǐn)?shù)相同，比較滑動(dòng)窗兩端的匹配分?jǐn)?shù)即可決定下一個(gè)滑動(dòng)窗的位置，這樣可大大減少比較的運(yùn)算量，提高運(yùn)算速度。

由于語(yǔ)音信號(hào)隨機(jī)性較強(qiáng)，束搜索的這種假設(shè)并不符合真實(shí)情況，因此，過(guò)窄的束寬很容易導(dǎo)致最后識(shí)別結(jié)果的錯(cuò)誤，以三對(duì)角高斯模型為例，語(yǔ)音庫(kù)為10個(gè)男生的命令詞，窗寬與識(shí)別率的關(guān)系如表2所示。

可以看出，當(dāng)窗寬為15時(shí)，識(shí)別率基本沒(méi)有下降，這個(gè)結(jié)果與侯選詞條的長(zhǎng)度有關(guān)，詞條的狀態(tài)越多，最優(yōu)結(jié)果在搜索過(guò)程中“露出”窗外的可能性也就越大，綜合束搜索對(duì)系統(tǒng)率和識(shí)別時(shí)間兩方面的影響，選定了束寬為10的滑動(dòng)窗算法為系統(tǒng)的束搜索算法。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)訓(xùn)練集采用LDC WSJ1訓(xùn)練庫(kù)（SI_TR_S）包括200人的連續(xù)語(yǔ)音，共61個(gè)小時(shí)，降采樣為8KHz，16位量化，測(cè)試集為由WSJ1測(cè)試集（CDTest和HSDTest）得到的525個(gè)短句（每句包含2個(gè)單詞），侯選詞條為535個(gè)，包括637個(gè)不同的單詞發(fā)音，同樣降采樣為8KHz，16位量化。

表3為一階段識(shí)別和兩階段識(shí)別的識(shí)別率，識(shí)別時(shí)間和內(nèi)存占用量比較，從表3中可以看出，與直接進(jìn)行的一階段識(shí)別相比，兩階段識(shí)別通過(guò)采用兩階段斷電檢測(cè)方法、MMIC特征選擇算法、特征提取和解碼同步的束搜索算法，極大的提高了識(shí)別率，減少了內(nèi)存占用量和識(shí)別時(shí)間。

本文提出了一種基于定點(diǎn)DSP的嵌入式英語(yǔ)孤立詞識(shí)別系統(tǒng)，兩階段識(shí)別的連續(xù)HMM模型，其中第一階段為實(shí)時(shí)識(shí)別，第二階段為非實(shí)時(shí)識(shí)別，通過(guò)采用新穎的兩階段端點(diǎn)測(cè)試方法、最后互信息改變準(zhǔn)則特征選擇算法、特征提取和解碼同步的束搜索算法，進(jìn)一步提高了識(shí)別性能、減少了內(nèi)存占用量和計(jì)算復(fù)雜度。