基于動態(tài)時間規(guī)整算法的語音識別技術(shù)研究

張慧敏

摘 要：語音控制作為一種新型的人機(jī)交互手段，給用戶帶來更多的操作體驗(yàn)，在很多特定場景中具有必要性。本文將梅爾倒譜系數(shù)（MFCC）作為語音特征參數(shù)，采用動態(tài)時間規(guī)整算法（DTW）進(jìn)行模式識別和分類，實(shí)現(xiàn)了小樣本孤立詞匯的實(shí)時識別，具有高識別率。在基本算法的基礎(chǔ)上進(jìn)行了邊界條件改進(jìn)，克服了端點(diǎn)檢測缺陷。在語音特征提取上，分析比較了線性預(yù)測系數(shù)（LPC）和梅爾倒譜系數(shù)（MFCC）作為特征參數(shù)的優(yōu)缺點(diǎn)，最后選定基于人耳聽覺特性的MFCC作為語音特征參數(shù)。語音信號采用NI公司USB-6218采集卡將數(shù)據(jù)直接傳輸至MATLAB開發(fā)平臺，在MATLAB集成環(huán)境下實(shí)現(xiàn)了語音識別程序。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)可以實(shí)現(xiàn)6個特定的孤立詞識別，滿足實(shí)時性和準(zhǔn)確性要求。

關(guān)鍵詞：語音識別 端點(diǎn)檢測 DTW MFCC

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2017）09（b）-0028-04

Abstract： Speech control， as a new type of human-computer interaction method， brings better operation experience to users， and it is necessary in many specific scenes. In this paper， the MFCC are used as speech feature parameters， and the dynamic time warping algorithm （DTW） is used for pattern recognition and classification， which realizes the real-time recognition of small sample isolated words with high recognition rate. On the basis of the basic algorithm， the boundary condition is improved and the defect of endpoint detection is overcome. In the speech feature extraction， analysis and comparison of the linear prediction coefficient （LPC） and MFCC advantages and disadvantages as characteristic parameters， finally selected based on human auditory characteristics MFCC as speech feature parameters. The voice signals are directly transmitted to the MATLAB development platform by NI company's USB-6218 acquisition card， and the voice recognition program is implemented in the MATLAB integrated environment. Experimental results show that the system can implement 6 specific isolated word recognition， which meets the requirements of real-time and accuracy.

Key Words： Speech recognition； Endpoint detection； DTW； MFCC

語言是人與人之間最自然、最重要的交流工具，同時也是人類獲取信息的重要途徑之一。語音信號處理有四大分支，分別為語音識別、語音合成、語音編碼和說話人識別。語音識別是下一代人機(jī)交互的核心技術(shù)之一，能夠讓機(jī)器按照人的語音指令進(jìn)行各項(xiàng)操作，甚至與人交流，這在實(shí)際應(yīng)用中具有極其重要的意義。1956年，美國普林斯頓大學(xué)RCA實(shí)驗(yàn)室利用帶通濾波器組提取頻譜參數(shù)特征，成功地研制出能識別10個單音節(jié)詞的語音識別系統(tǒng)。20世紀(jì)60年代，隨著計算機(jī)技術(shù)的發(fā)展和應(yīng)用，動態(tài)規(guī)劃（DP，Dynamic Programming）和線性預(yù)測分析技術(shù)（LP，Linear Prediction）兩大技術(shù)推動了語音識別技術(shù)理論研究的發(fā)展。20世紀(jì)70年代，語音識別技術(shù)的研究取得了突破性的進(jìn)展。動態(tài)時間規(guī)整算法（DTW，Dynamic time warping）、隱馬爾可夫模型（HMM，Hidden Markov Models）和矢量量化（VQ，Vector Quantization）理論的提出為語音識別的研究提供了理論依據(jù)。20世紀(jì)80年代，經(jīng)過Rabiner等人的研究，卡內(nèi)基梅隆大學(xué)的李開復(fù)教授最終實(shí)現(xiàn)了第一個基于隱馬爾科夫模型（HMM）的大詞匯量語音識別系統(tǒng)Sphinx。進(jìn)入20世紀(jì)90年代以來，小波變換、模糊控制、人工神經(jīng)網(wǎng)絡(luò)等數(shù)學(xué)工具的完善為語音識別技術(shù)提供了很多設(shè)計參考和問題解決方案，使得語音識別技術(shù)在細(xì)化模型設(shè)計，參數(shù)提取和優(yōu)化以及系統(tǒng)的自適應(yīng)技術(shù)上取得了很大的進(jìn)展。因此，語音識別技術(shù)的研究具有極大的研究意義和應(yīng)用價值。

1 系統(tǒng)設(shè)計

本系統(tǒng)中，語音信號經(jīng)過兩級放大、二階巴特沃斯帶通濾波、A/D轉(zhuǎn)換后輸入到MATLAB軟件系統(tǒng)進(jìn)行數(shù)據(jù)處理和分析，系統(tǒng)硬件框架如圖1所示。

語音系統(tǒng)的聲電轉(zhuǎn)換采用小巧的全指向性背極式駐極體聲電換能器，該傳聲器參數(shù)如表1所示。

電容式駐極體聲電換能器采用2V供電，根據(jù)參數(shù)計算，說話者距離麥克風(fēng)有1M遠(yuǎn)時，平均輸出電信號1～2mV。語音信號放大電路設(shè)計為反向放大電路，其增益比例為A1=（R2/R1），其中R2=30kΩ，R1=1kΩ。因此，信號反向放大倍數(shù)為30倍。為了保證信號不失真，語音信號放大部分采用兩級反向放大，總增益為900倍輸出。endprint

系統(tǒng)中的模數(shù)轉(zhuǎn)換采用美國NI公司的USB-6218多功能DAQ數(shù)據(jù)采集卡。該采集卡具有USB接口和多功能DAQ模塊，具有總線供電帶隔離、高采樣率、高精度特點(diǎn)。語音信號經(jīng)過DAQ轉(zhuǎn)換后，通過USB接口輸入到MATLAB軟件分析處理。

2 識別算法研究

軟件算法主要分為語音信號濾波去噪、預(yù)加重、分幀、端點(diǎn)檢測、特征參數(shù)提取、模式匹配。算法的關(guān)鍵點(diǎn)和難點(diǎn)是特征參數(shù)提取和模式匹配。孤立詞的語音識別應(yīng)用程序也是基于MATLAB的GUI進(jìn)行開發(fā)。

2.1 語音預(yù)處理

語音信號是一種典型的非平穩(wěn)隨機(jī)信號，容易受到呼吸氣流、環(huán)境背景噪聲、電流噪聲的影響。所以，在對語音信號進(jìn)行下一步分析之前，需要對硬件電路采集回來的語音信號進(jìn)行預(yù)濾波、預(yù)加重、分幀加窗、端點(diǎn)檢測等。預(yù)處理后的語音信號噪聲干擾較小，信號較純凈，特征參數(shù)較穩(wěn)定，適合后續(xù)的模式識別和匹配分類，圖2是語言信號預(yù)處理過程圖。

在本系統(tǒng)中，預(yù)濾波采用數(shù)字濾波方法，設(shè)計了一個五階巴特沃斯帶通濾波器，通頻帶范圍為370Hz～3.4kHz。經(jīng)過預(yù)提升后，原始語音信號中的低頻干擾得到抑制，改善了高頻部分，使得高頻信號得到增強(qiáng)。預(yù)加重不僅能夠有效抑制低頻，提升高頻，還能有效消除5～60Hz的工頻干擾。特別是在端點(diǎn)檢測前進(jìn)行預(yù)加重，可以起到消除基線漂移、抑制隨機(jī)噪聲的作用。在分幀加窗中，采樣語音時間長度為1.2s，采樣頻率為8000Hz，即9600點(diǎn)。分幀函數(shù)中，每幀長度設(shè)置為80，幀移間隔為40，為了減少信號的時域截斷效應(yīng)，窗函數(shù)選用漢明窗。經(jīng)過分幀以后，語音信號被分成了239幀。最后在語音識別系統(tǒng)中，通過端點(diǎn)檢測準(zhǔn)確找到原始語音信號的起始點(diǎn)可以獲取有效的語音信息，減少語音處理數(shù)據(jù)量，抑制無聲段噪聲干擾，有助于實(shí)時語音識別。本系統(tǒng)采用基于能量和過零率的雙門限來實(shí)現(xiàn)端點(diǎn)檢測。

2.2 語音特征信息提取

經(jīng)過端點(diǎn)檢測后的語音信息再進(jìn)行特征參數(shù)提取和模式匹配研究，該算法基于線性預(yù)測系數(shù)LPC模型為基礎(chǔ)開展研究，由于LPC模型對于動態(tài)性較強(qiáng)的輔音不嚴(yán)格成立，語音信號的特征參數(shù)魯棒性不是很好?，F(xiàn)階段在語音識別技術(shù)中得到廣泛應(yīng)用的梅爾頻率倒譜系數(shù)是另一種更加有效的語音特征參數(shù)。梅爾（Mel）頻率倒譜系數(shù)是基于人耳聽覺特性提出的，將人耳聽覺感知特性與人類語音產(chǎn)生結(jié)合起來得到的一種特征參數(shù)。由于對輸入信號不做假設(shè)和約束，與輸入信號特性無關(guān)，因此，具有較高的魯棒性。

當(dāng)聲音頻率低于1000Hz的時候，人耳對聲音的感知近似滿足線性關(guān)系；當(dāng)聲音頻率高于1000Hz的時候，人耳對聲音的感知不再近似滿足線性關(guān)系，而是在對數(shù)頻率坐標(biāo)上近似滿足線性關(guān)系。

MEL頻率倒譜系數(shù)的計算過程見圖3。

通常MFCC系數(shù)的第一維的能量很大，在語音識別系統(tǒng)中，將稱為能量系數(shù)，不作為倒譜系數(shù)。

利用上述方法提取的MFCC參數(shù)只能表征語音信號的靜態(tài)特征，然而人耳對語音信號的動態(tài)特征更為敏感。為了更準(zhǔn)確地反映語音動態(tài)特征需要進(jìn)行二次特征提取。二次特征提取是指對原始特征向量進(jìn)行二次分析，通常是加權(quán)、差分、篩選。在語音識別中，一階和二階差分可以表示特征向量變化速度，體現(xiàn)了語音的言語和韻律變化，較好地描述了語音信號的動態(tài)特性。因此，采用一階和二階差分倒譜參數(shù)來描述語音信號。

2.3 動態(tài)時間規(guī)整識別算法

前面的端點(diǎn)檢測算法確定了語音信號的起點(diǎn)和終點(diǎn)。假設(shè)參考模板為，共M幀；測試語音為，共N幀。由于M≠N，動態(tài)時間規(guī)整通過尋找一個時間規(guī)整函數(shù)m=w（n），使得測試語音的時間軸通過非線性變換函數(shù)映射到參考模板的時間軸，并使得該函數(shù)滿足一下關(guān)系式：

在這里，是第n幀測試語音特征矢量與第m幀參考模板特征矢量之間的距離。D就是處于最優(yōu)時間規(guī)整情況下兩矢量的累積距離。由于DTW不斷地計算兩矢量的距離以尋找最優(yōu)的匹配路徑，所以得到的是兩矢量匹配時累積距離最小所對應(yīng)的規(guī)整函數(shù)，這就保證了它們之間存在的最大聲學(xué)相似性。

基本的DTW算法對端點(diǎn)檢測非常敏感，它要求進(jìn)行比較的兩個模板起點(diǎn)和終點(diǎn)分別對應(yīng)，并且對端點(diǎn)檢測的精度要求很高，在背景噪聲較大或者語音中存在摩擦音時，端點(diǎn)檢測往往不會非常精準(zhǔn)，端點(diǎn)檢測結(jié)果可能會對動態(tài)規(guī)整造成不可預(yù)知的誤差。此時，必須將邊界約束條件放寬。通常的做法是放寬區(qū)域中邊界約束條件不再要求起點(diǎn)和終點(diǎn)嚴(yán)格對齊，這樣就解決了由于端點(diǎn)檢測算法的缺陷帶來的參考模板和測試模板的起點(diǎn)和終點(diǎn)不能分別對齊的問題。實(shí)際中，起點(diǎn)和終點(diǎn)分別在橫軸和縱軸兩個方向上各放寬2～3幀，即起點(diǎn)（1，1）、（1，2）、（1，3）、（2，1）、（3，1）處，終點(diǎn)類推，就可以在不影響識別結(jié)果的前提下解決端點(diǎn)檢測缺陷問題。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)采集了8位實(shí)驗(yàn)者的語音數(shù)據(jù)，4位男性實(shí)驗(yàn)者，4位女實(shí)驗(yàn)者，受試者沒有發(fā)音障礙，不對受試者口音限制。每位實(shí)驗(yàn)者根據(jù)屏幕提示分別朗讀6個詞語，每個詞語重復(fù)10遍，采集卡每次記錄1.2s的語音數(shù)據(jù)，采樣率為8000Hz。為了減少偶然性，奇數(shù)次朗讀作為訓(xùn)練集，偶數(shù)次朗讀作為測試集。整個實(shí)驗(yàn)在白天普通實(shí)驗(yàn)室環(huán)境下進(jìn)行。為保證實(shí)驗(yàn)效果，正式實(shí)驗(yàn)前，受試者進(jìn)行10min的熟悉和練習(xí)。實(shí)驗(yàn)結(jié)果如下。

實(shí)驗(yàn)結(jié)果表明，對于每個實(shí)驗(yàn)者而言，識別準(zhǔn)確率都超過95%，識別率高，效果好。男性實(shí)驗(yàn)組和女性實(shí)驗(yàn)組沒有統(tǒng)計學(xué)差異，說明DTW語音識別算法不會因?yàn)樾詣e不同影響性能。

4 結(jié)語

針對孤立小詞匯識別選用了動態(tài)時間規(guī)整算法（DTW），并且基于端點(diǎn)檢測缺陷的考慮，提出改進(jìn)的DTW算法。通過軟件編程實(shí)現(xiàn)了DTW算法，在實(shí)驗(yàn)中進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明DTW算法可以很好地實(shí)現(xiàn)系統(tǒng)中指定的孤立詞匯識別，具有較好的魯棒性和抗噪性能，識別率高。

參考文獻(xiàn)

[1] 舒琦.小詞匯量的孤立詞語音識別方法研究[D].武漢：武漢理工大學(xué)，2012.

[2] 徐曉娜.基于HMM和ANN的語音識別算法研究[D].長春：長春理工大學(xué)，2009.

[3] 胡航.語音信號處理[M].2版.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2000.

[4] 楊行峻.語音信號數(shù)字處理[M].北京：電子工業(yè)出版社，2003.

[5] WH Shin，BS Lee，YK Lee，et al.Speech/non-speech Classification Using Multiple Features for Roust Endpoint Detection[J].IEEE International Conferece on Acoustics，2000（3）：1399-1402.

[6] 張軍.基于MFCC的語音識別加速技術(shù)研究[D].北京：北京化工大學(xué)，2009.

[7] 謝禮瑩.模擬電路實(shí)驗(yàn)技術(shù)（上冊）[M].重慶：重慶大學(xué)出版社，2005.endprint