基于DSP的語音識別系統(tǒng)的實現(xiàn)及分析

0 引言

　　語音識別技術的目的是使機器能理解人類語言，最終使人機通信成為現(xiàn)實。在過去幾十年，自動語音識別（AutomaticSpeech Recognition，ASR）技術已經取得了非常重大的進步。

　　ASR系統(tǒng)已經能從處理像數(shù)字之類的小詞匯量到廣播新聞之類的大詞匯量。然而針對識別效果來說，ASR 系統(tǒng)則相對較差。尤其在會話任務上，自動語音識別系統(tǒng)遠不及人類。因此，語音識別技術的應用已成為一個極具競爭性和挑戰(zhàn)性的高新技術產業(yè)。

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

　　1 系統(tǒng)參數(shù)選擇

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

　　本文主要研究非特定人小詞匯量連續(xù)語音實時識別系統(tǒng)。

　　1.1 語音識別系統(tǒng)

　　語音識別本質上是一種模式識別的過程，即未知語音的模式與已知語音的參考模式逐一進行比較，最佳匹配的參考模式被作為識別結果。語音識別系統(tǒng)一般包括前端處理、特征參數(shù)提取、模型訓練和識別部分。圖1所示是基于模式匹配原理的語音識別系統(tǒng)框圖。

　　圖1 語音識別系統(tǒng)基本框圖

　　1.2 特征參數(shù)

　　語音信號中含有非常豐富的信息，包括影響語音識別的重要信息，也包括對語音識別無關緊要甚至會降低識別率的冗余信息。特征提取則可以去除冗余信息，將能準確表征語音信號特征的聲學參數(shù)提取出來用于后端的模型建立和匹配，大大減少了存儲空間、訓練和測試時間。對特定人語音識別來說，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人信息，而對非特定人語音識別來說，則相反。

　　現(xiàn)在較常用的特征參數(shù)有線性預測參數(shù)（LPCC）、線譜對（LSP）參數(shù)、Mel頻率倒譜參數(shù)（MFCC）、感覺加權的線性預測（PLP）參數(shù)、動態(tài)差分參數(shù)和高階信號譜類特征等，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 模型訓練及模式識別

　　在識別系統(tǒng)后端，從已知模式中獲取用以表征該模式本質特征的模型參數(shù)即形成模式庫，再將輸入的語音提取特征矢量參數(shù)后與已建立的聲學模型進行相似度比較，同時根據(jù)一定的專家知識（如構詞規(guī)則，語法規(guī)則等）和判別規(guī)則決策出最終的識別結果。

　　目前，語音識別所應用模型匹配技術主要有動態(tài)時間規(guī)整（DTW）、隱馬爾可夫模型（HMM）、人工神經元網絡（ANN）和支持向量機（SVM）等。DTW 是基本的語音相似性或相異性的一種測量工具，僅僅適合于孤立詞語音識別系統(tǒng)中。在解決非特定人、大詞匯量、連續(xù)語音識別問題時較之HMM 算法相形見絀。HMM 模型是隨機過程的數(shù)學模型，它用統(tǒng)計方式建立語音信號的動態(tài)模型，將聲學模型和語言模型融入語音識別搜索算法中，被認為是語音識別中最有效的模型。

　　然而由Vapnik和co-workers提出來的SVM 基于結構風險最小化準則和非線性和函數(shù)，具有更好的泛化能力和分類精確度。目前，SVM 已經成功應用于語音識別與話者識別。

　　除此之外，Ganapathiraju等人已經將支持向量機成功運用到復雜的大詞表非特定人連續(xù)語音識別上來。因此本文選擇SVM結合VQ完成語音模式識別。

　　2 系統(tǒng)構建及實現(xiàn)

　　為了更好地體現(xiàn)DSP的實時性，選擇的合適參數(shù)相當重要。考慮到DSP的存儲容量和實時性要求，本文首先選用Matlab平臺對系統(tǒng)進行仿真以比較選取合適的參數(shù)。

　　2.1 Matlab平臺上的仿真實現(xiàn)

　　2.1.1 實驗數(shù)據(jù)的建立

　　基于Matlab平臺，本文實驗語音信號在安靜的實驗室環(huán)境下用普通的麥克風通過Windows音頻設備和Cool edit軟件進行錄制，語速一般，音量適中，文件存儲格式為wav文件。語音采樣頻率為8kHz，采樣量化精度為16bit，雙聲道。

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

　　2.1.2 基于Matlab的語音識別系統(tǒng)的仿真及性能分析

　　首先對語音信號進行了預處理及時域分析：使用H（Z）=1-0.9375z-1 進行預加重處理；同時考慮語音信號的短時平穩(wěn)性，進行分幀加窗---選用Hamming窗，幀長32ms，幀移是10ms.本文所設計系統(tǒng)為小詞匯量的連續(xù)語音識別，考慮到訓練時的工作量和運算量，選用音節(jié)作為基本識別單元。語音特征參數(shù)矢量采用12維MFCC、12維一階MFCC以及每幀的短時歸一化能量共25維構成。

　　本文構造了基于SVM 的連續(xù)語音識別系統(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）混合算法對其進行聚類得到優(yōu)化碼本，然后將所得碼本作為 SVM 模式訓練和識別算法的輸入，按照相應的準則最終得到識別的結果。語音識別系統(tǒng)流程圖如圖2所示。

　　圖2 語音識別系統(tǒng)流程圖

　　首先對不同初始種群數(shù)的語音識別系統(tǒng)性能進行了分析。表1給出了不同初始種群下的識別系統(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，種群最終平均適應度和正識率最高，之后隨著初始種群數(shù)繼續(xù)增加，平均適應度和正識率都在降低。綜合考慮迭代所需時間和正識率，本文折衷采用初始種群數(shù)為80進行系統(tǒng)的仿真和實現(xiàn)。

　　表1 不同初始種群下的識別系統(tǒng)性能

　　種群數(shù)平均適應度迭代所需時間/ （s） 正識率系統(tǒng)設計中考慮到MFCC參數(shù)數(shù)據(jù)量太大，對模型訓練和識別的時間有很大的影響，因此選擇矢量量化對數(shù)據(jù)進行分類。矢量量化的關鍵問題是如何獲取VQ碼本及碼本長度的確定，對此進行了仿真比較。

　　表2給出了不同VQ算法對正識率的影響比較。由表可以采用種群數(shù)為80，碼本長度為16，核函數(shù)為 RBF，選用的改進遺傳算法（GA）時系統(tǒng)的正識率要明顯高于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。實驗證明，改進的GA較好地解決了這兩者的問題，收斂速度較快，正識率也有較為明顯的提高。

　　表2 不同VQ算法對正識率的影響比較

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

　　不同SVM 核函數(shù)對語音識別系統(tǒng)性能也會有影響。SVM分類器的目的是設計一個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分類超平面區(qū)分多類數(shù)據(jù)樣本。

　　已有文獻證明一對一分類器在邊界距離上比一對多分類器更精確，故本文采用一對一方法對多類數(shù)據(jù)樣本進行訓練和識別。

　　圖3 碼本長度的失真測度對比

　　表3給出了針對非特定人的不同SVM 核函數(shù)的識別系統(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時所需的支持向量數(shù)要略高于核函數(shù)為Sigmoid時，但系統(tǒng)的正確識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)對語音識別系統(tǒng)性能產生的影響，為語音識別系統(tǒng)在DSP上的實現(xiàn)提供了參數(shù)和模型的選擇。

2.2 語音識別系統(tǒng)在DSP上的實現(xiàn)

　　2.2.1 實驗數(shù)據(jù)的建立

　　所有語音信號在安靜的實驗室環(huán)境下獲得?；贒SP 平臺的實時識別實驗系統(tǒng)，語音信號通過麥克風輸入，使用TLV320AIC23對模擬語音信號進行采樣。語音采樣頻率為8kHz，采樣量化精度為 16bit，雙聲道?？紤]到Flash存儲空間有限，本文選用自建語音庫中900個樣本中的40個樣本作為訓練樣本建立模型參數(shù)。

　　2.2.2 語音識別系統(tǒng)的硬件結構

　　由于語音識別系統(tǒng)算法復雜度較高，同時考慮到實時性，本文選擇TI公司的TMS320C6713DSK 作為硬件開發(fā)平臺。

　　TMS320C6713DSK是一款低成本獨立開發(fā)應用板，其最高工作時鐘頻率可以達到225MHz，且是高性能的浮點數(shù)字信號處理器。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存儲器。

　　本系統(tǒng)針對的是非特定人小詞匯量連續(xù)語音的識別，硬件結構如圖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)存儲及Flash引導裝載模塊、數(shù)據(jù)存儲器RAM 模塊及其他相關模塊。

　　圖4 系統(tǒng)硬件結構圖

　　數(shù)據(jù)采集模塊主要采用TLV320AIC23編解碼器來實現(xiàn)對語音數(shù)據(jù)的采集。由AIC23采集的數(shù)字信號數(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芯片來完成語音識別算法的實現(xiàn)。訓練時，DSP完成語音信號MFCC特征參數(shù)的提取、SVM 建模并存入Flash中；識別時，DSP讀取待識別語音信號數(shù)據(jù)并將獲得的模型參數(shù)與訓練模型參數(shù)進行比較，進而得到識別結果。

　　2.2.2 基于DSP的語音識別系統(tǒng)的實現(xiàn)及分析

　　本系統(tǒng)設計主要涉及到語音數(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，使程序運行效率更高。

　　實驗結果及其性能分析：

　　訓練時，系統(tǒng)上電，加入工程項目。圖5所示為讀取“12345”的語音時部分主程序、對音節(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)

　　識別過程中，將存入Flash中的訓練模型參數(shù)依次讀出，與待識別語音信號的MFCC參數(shù)比較，最后得到識別結果。

　　實驗中讀取20句話，每句話含有6個不同漢語數(shù)字的連續(xù)語音，通過對其進行測試，得到識別率為76.7%.圖6是對音節(jié)切分后的數(shù)字“2”的識別情況，在STD欄輸出了最后識別結果即數(shù)字“2”。

　　3 結論

　　本文通過在Matlab平臺上進行仿真實驗選取合適的參數(shù)及模型，并將其移植到 TMS320C6713DSK上實現(xiàn)了非特定人小詞匯量連續(xù)語音識別系統(tǒng)。其中基于TLV320AIC23完成了對語音數(shù)據(jù)的采集，借助SDRAM 和Flash進行數(shù)據(jù)存儲，并采用短時能量和短時過零率進行語音信號的初步判定，結合起來進行測試，在Windows7操作系統(tǒng)中使用DirectX SDK 9.0b進行視頻顯示，QR解碼程序為自行編制，并與TPS自動測試臺集成。連續(xù)地采集視頻，在計算機顯示屏上實時顯示影像圖的同時進行條碼解碼定位，結果顯示單幀圖像的平均解碼時間為630ms，使用幀相關算法后，平均解碼時間為124ms.

　　圖6為在單碼定位時預估未定位條碼的結果，q1為已定位碼，q2，q3，q4為未定位碼，由q1預估q2，q3，q4的結果為圖中的加亮框表示，對框區(qū)域外擴使其包含完整條碼，然后把擴域后的子區(qū)域獨立出來，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 單碼定位的預估結果

　　本方法在采用幀相關及位置相關算法后，在普通PC上實現(xiàn)實時視頻，并具有如下特點：

　　a）無需夾具，允許遮擋，允許測試板和探頭位置變化；探針和目標點標記同時出現(xiàn)影像圖上，直接引導，無需在影像和實板上對照查找，提高探測效率，減小出錯機會。

　　b）QR碼定位符含測試板信息，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加電前預檢測，可保證加電安全。