嵌入式實時英語語音識別系統(tǒng)的設計和實現(xiàn)

隨著移動設備的快速發(fā)展，迫切需要一種更友好、更敏捷的用戶操作系統(tǒng)。自動語音識別系統(tǒng)能夠提供便利的人機交互，將成為一種主要方法，目前，實驗室環(huán)境中的自動語音識別系統(tǒng)已經(jīng)取得了很好的效果，但需要很大的存儲空間和運算資源。當自動語音識別應用于移動設備時，必須對模型和識別策略進行相應改進，才能滿足其對運算速度、內(nèi)存資源和功耗的要求，為了解決這個問題，本文將結合英語語音的特點，設計并實現(xiàn)嵌入式英語語音識別系統(tǒng)，完成中等詞匯量的孤立詞實時識別任務。

1 硬件平臺

嵌入式系統(tǒng)的軟硬件高度結合，針對系統(tǒng)的特定任務，要量體裁衣、去除冗余、使得系統(tǒng)能夠在高性能、高效率、高穩(wěn)定性的同時，保證低車成本和低功耗，因此，系統(tǒng)硬件平臺的選用是因為系統(tǒng)整體性能的關鍵因素，系統(tǒng)采用infineon公司unispeech 80d51語音處理專用芯片作為芯片的硬件平臺，該芯片集成了一個16位定點dsp核（oak）、一個8位mcu核（m8051 e-warp）、兩路adc、兩路dac、104kb的sram以及高靈活性的mmu等器件，其中dsp最高工作頻率可達100mhz，mcu最高工作頻率為50mhz。

由于系統(tǒng)的語音處理專用芯片unispeech集成了大部分的功能單元，片外所需元件很少，因此系統(tǒng)硬件平臺的板級結構非常簡單，圖1為硬件平臺的板級結構圖。

專用芯片只需外接：

（1）eprom：存放系統(tǒng)程序；

（2）flash memory：存放語音識別系統(tǒng)需要的聲學模型參數(shù)和系統(tǒng)中的語音提示、語音回放數(shù)據(jù)；

（3）語音輸入器件：可直接外接麥克風，接收語音信號；

（4）語音輸出器件：可直接外接揚聲器或耳機，輸出系統(tǒng)的提示音；

（5）電源：通過電壓變換芯片，為電路板上各芯片提供需要的電壓；

（6）usb接口：接板級語音識別模塊提供了usb接口，以提高該嵌入式系統(tǒng)和通用計算機系統(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，以輸出識別結果；

（9）其他設備接口：為了增強該語音信號處理模塊的功能擴展性，unispeech提供了豐富的i/o資源，共有100條通用i/o，系統(tǒng)也預留了這些i/o接口，以方便與其他設備連接。

2 算法研究

2.1 兩階段識別算法

在英語語音識別系統(tǒng)中，常用的聲學模型基本單元是單詞（word）、上下文無關音速（monophone）[1]、上下文相關音速（triphone、biphone）和音節(jié)（syllable）[2]，單詞模型由于其靈活性太差及計算時間和占用內(nèi)存隨待識別單詞數(shù)的增加而線性增長，所以在嵌入式語音識別系統(tǒng)中很少應用。monophone模型具有模型簡單、狀態(tài)數(shù)較少、識別速度快、內(nèi)存占用少且與識別詞匯量無關等優(yōu)點，但其對發(fā)音的相關性描述不夠精確，一選識別率不高，triphone和syllable模型對發(fā)音相關性能準確建模，但模型數(shù)量巨大、狀態(tài)數(shù)較多、識別速度慢、內(nèi)存占用多，為了解決內(nèi)存占用量與識別速度之間的矛盾，本文采用了兩階段搜索算法，其基本流程如圖2所示。

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

2.2 特征提取與選擇

在連續(xù)語音識別系統(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，在不降低識別率的基礎上，應盡量減少特征的維數(shù)，本文采用最小互信息改變準則mmic（minimum mutual information change）進行特征選擇，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

對于硬件系統(tǒng)，如果數(shù)據(jù)的讀入速度較慢，則對運算速度影響就很大，在保證系統(tǒng)高識別率的前提下，系統(tǒng)的內(nèi)存消耗量和識別時間常常是一對矛盾體，很難保證兩者同時達到理想狀態(tài)，如果僅僅考慮節(jié)省內(nèi)存、將每個詞條識別網(wǎng)絡和相應的狀態(tài)逐個讀入，計算匹配分數(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間，并且反復計算同一個轉移概率，也對識別時間影響很大，另一方面，如果僅僅考慮運算速度，一次性將所有詞條的識別網(wǎng)絡和所有狀態(tài)模型讀入內(nèi)存，雖然僅需一次性數(shù)據(jù)讀入，運算速度大大提高，但卻對內(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)首先逐個讀入模型，計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，然后逐條讀入識別網(wǎng)絡，選取路徑似然度最高的詞條作為最終的識別結果，這樣綜合了前面兩種方案的優(yōu)點，適應了硬件系統(tǒng)的要求。

2.4 兩階段端點檢測

端點檢測是嵌入式語音識別中最基本的模塊，端點檢測是否準確直接影響系統(tǒng)的運算復雜度和系統(tǒng)的識別性能，因此在不增加復雜運算量的前提下，希望端點檢測能盡量準確，而且能適應嵌入式系統(tǒng)多變的應用環(huán)境，本文使用了一種有效的兩階段端點檢測方法，在第一階段使用圖像分割中經(jīng)常使用的邊緣檢測濾波器方法，得到一個能包含語音段同時又比較寬松的端點結果，在第二階段，對第一階段的結果進行再判決，使用直方圖統(tǒng)計方法得到靜音段的能量聚類中心，并用這個中心能量值對整句能量序列進行中心削波，對削波后的能量序列進行最終判決，通常最終的結果會在第二階段端點檢測的基礎上作適當?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是很有必要的。

在實驗室環(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）的語音數(shù)據(jù)，對于1200句原始錄制語音或帶噪語音，對傳統(tǒng)的固定能量閾值方法和兩階段檢測方法進行了比較測試，測試的性能如表1所示。

傳統(tǒng)的固定閾值方法就是針對環(huán)境噪聲設定一個固定的能量閾值進行端點檢測，實踐證明，兩階段檢測方法無論在安靜環(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檢測方法有更好的性能，此方法能夠進一步改善嵌入式語音識別系統(tǒng)的識別性能。

2.5 束搜索

英語語音發(fā)音快、單詞長、狀態(tài)數(shù)多，因而搜索時間長，要實現(xiàn)實時識別、就不能在所有的語音數(shù)據(jù)都得到后再進行解碼識別，在兩級識別網(wǎng)絡中，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，相對時間占用量很少，為了滿足實時要求，本系統(tǒng)在獲取語音信號的同時進行提取特征和第一階段識別[6]，根據(jù)硬件的內(nèi)存容量，考慮到匹配分數(shù)所占用的內(nèi)存，選取每20幀（320ms）的語音完成一次搜索。由于所搜索的詞條并沒有結束，不能求出最終對應于詞條得分數(shù)，因此，必須保留每次搜索中每個詞條的每個節(jié)點的匹配分數(shù)，這帶來了新的內(nèi)存開銷。

解決方法是在第一階段識別網(wǎng)絡中加入束搜索（beam search）快速算法。該算法假設：viterbi解碼過程中的最終路徑在任何時刻都能保證較高的似然度，在搜索過程中對網(wǎng)絡進行剪枝，只保留匹配分數(shù)最大的有限個路徑，以減少運算量和內(nèi)存消耗。但是，要獲得匹配得分數(shù)最大的幾個狀態(tài)，在每次搜索過程中都要對匹配分數(shù)進行排序，這使運算負擔加重，在實際中不可取，為了解決這一問題，結合本系統(tǒng)識別網(wǎng)絡的特點，采用了一種滑動窗束搜索算法。對于每一個詞條網(wǎng)絡，viterbi解碼過程中，近似地認為真實路徑總是當前匹配分數(shù)最優(yōu)的路徑和近鄰路徑，因此，設置了一個固定寬度的窗，在所有時刻，窗中的路徑總包含了該時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，下一個活躍路徑的位置，只可能是上一個活躍路徑的原有位置或者滑動一格，由于中間的匹配分數(shù)相同，比較滑動窗兩端的匹配分數(shù)即可決定下一個滑動窗的位置，這樣可大大減少比較的運算量，提高運算速度。

由于語音信號隨機性較強，束搜索的這種假設并不符合真實情況，因此，過窄的束寬很容易導致最后識別結果的錯誤，以三對角高斯模型為例，語音庫為10個男生的命令詞，窗寬與識別率的關系如表2所示。

可以看出，當窗寬為15時，識別率基本沒有下降，這個結果與侯選詞條的長度有關，詞條的狀態(tài)越多，最優(yōu)結果在搜索過程中“露出”窗外的可能性也就越大，綜合束搜索對系統(tǒng)率和識別時間兩方面的影響，選定了束寬為10的滑動窗算法為系統(tǒng)的束搜索算法。

3 實驗結果

實驗訓練集采用ldc wsj1訓練庫（si_tr_s）包括200人的連續(xù)語音，共61個小時，降采樣為8khz，16位量化，測試集為由wsj1測試集（cdtest和hsdtest）得到的525個短句（每句包含2個單詞），侯選詞條為535個，包括637個不同的單詞發(fā)音，同樣降采樣為8khz，16位量化。

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

本文提出了一種基于定點dsp的嵌入式英語孤立詞識別系統(tǒng)，兩階段識別的連續(xù)hmm模型，其中第一階段為實時識別，第二階段為非實時識別，通過采用新穎的兩階段端點測試方法、最后互信息改變準則特征選擇算法、特征提取和解碼同步的束搜索算法，進一步提高了識別性能、減少了內(nèi)存占用量和計算復雜度。