0 引言

　　語(yǔ)音識(shí)別技術(shù)的目的是使機(jī)器能理解人類(lèi)語(yǔ)言，最終使人機(jī)通信成為現(xiàn)實(shí)。在過(guò)去幾十年，自動(dòng)語(yǔ)音識(shí)別（AutomaticSpeech Recognition，ASR）技術(shù)已經(jīng)取得了非常重大的進(jìn)步。

　　ASR系統(tǒng)已經(jīng)能從處理像數(shù)字之類(lèi)的小詞匯量到廣播新聞之類(lèi)的大詞匯量。然而針對(duì)識(shí)別效果來(lái)說(shuō)，ASR 系統(tǒng)則相對(duì)較差。尤其在會(huì)話(huà)任務(wù)上，自動(dòng)語(yǔ)音識(shí)別系統(tǒng)遠(yuǎn)不及人類(lèi)。因此，語(yǔ)音識(shí)別技術(shù)的應(yīng)用已成為一個(gè)極具競(jìng)爭(zhēng)性和挑戰(zhàn)性的高新技術(shù)產(chǎn)業(yè)。

　　隨著DSP技術(shù)的快速發(fā)展及性能不斷完善，基于DSP的語(yǔ)音識(shí)別算法得到了實(shí)現(xiàn)，并且在費(fèi)用、功耗、速度、精確度和體積等方面有著PC機(jī)所不具備的優(yōu)勢(shì)，具有廣闊的應(yīng)用前景。

　　1 系統(tǒng)參數(shù)選擇

　　一般情況下，語(yǔ)音識(shí)別系統(tǒng)按照不同的角度、不同的應(yīng)用范圍、不同的性能要求有不同的分類(lèi)方法。針對(duì)識(shí)別對(duì)象不同有孤立詞識(shí)別、連接詞識(shí)別、連續(xù)語(yǔ)音識(shí)別與理解和會(huì)話(huà)語(yǔ)音識(shí)別等。針對(duì)識(shí)別系統(tǒng)的詞匯量有小詞匯量語(yǔ)音識(shí)別（1~20個(gè)詞匯）、中詞匯量識(shí)別（20~1 000個(gè)詞匯）和大詞匯量（1 000以上個(gè)詞匯）語(yǔ)音識(shí)別。針對(duì)發(fā)音人范圍來(lái)分，分為特定人語(yǔ)音識(shí)別、非特定人語(yǔ)音識(shí)別、自適應(yīng)語(yǔ)音識(shí)別。

　　本文主要研究非特定人小詞匯量連續(xù)語(yǔ)音實(shí)時(shí)識(shí)別系統(tǒng)。

　　1.1 語(yǔ)音識(shí)別系統(tǒng)

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

　　圖1 語(yǔ)音識(shí)別系統(tǒng)基本框圖

　　1.2 特征參數(shù)

　　語(yǔ)音信號(hào)中含有非常豐富的信息，包括影響語(yǔ)音識(shí)別的重要信息，也包括對(duì)語(yǔ)音識(shí)別無(wú)關(guān)緊要甚至?xí)档妥R(shí)別率的冗余信息。特征提取則可以去除冗余信息，將能準(zhǔn)確表征語(yǔ)音信號(hào)特征的聲學(xué)參數(shù)提取出來(lái)用于后端的模型建立和匹配，大大減少了存儲(chǔ)空間、訓(xùn)練和測(cè)試時(shí)間。對(duì)特定人語(yǔ)音識(shí)別來(lái)說(shuō)，希望提取的特征參數(shù)盡可能少的反映語(yǔ)義信息，盡可能多的反映說(shuō)話(huà)人的個(gè)人信息，而對(duì)非特定人語(yǔ)音識(shí)別來(lái)說(shuō)，則相反。

　　現(xiàn)在較常用的特征參數(shù)有線(xiàn)性預(yù)測(cè)參數(shù)（LPCC）、線(xiàn)譜對(duì)（LSP）參數(shù)、Mel頻率倒譜參數(shù)（MFCC）、感覺(jué)加權(quán)的線(xiàn)性預(yù)測(cè)（PLP）參數(shù)、動(dòng)態(tài)差分參數(shù)和高階信號(hào)譜類(lèi)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(xùn)練及模式識(shí)別

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

　　目前，語(yǔ)音識(shí)別所應(yīng)用模型匹配技術(shù)主要有動(dòng)態(tài)時(shí)間規(guī)整（DTW）、隱馬爾可夫模型（HMM）、人工神經(jīng)元網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）等。DTW 是基本的語(yǔ)音相似性或相異性的一種測(cè)量工具，僅僅適合于孤立詞語(yǔ)音識(shí)別系統(tǒng)中。在解決非特定人、大詞匯量、連續(xù)語(yǔ)音識(shí)別問(wèn)題時(shí)較之HMM 算法相形見(jiàn)絀。HMM 模型是隨機(jī)過(guò)程的數(shù)學(xué)模型，它用統(tǒng)計(jì)方式建立語(yǔ)音信號(hào)的動(dòng)態(tài)模型，將聲學(xué)模型和語(yǔ)言模型融入語(yǔ)音識(shí)別搜索算法中，被認(rèn)為是語(yǔ)音識(shí)別中最有效的模型。

　　然而由Vapnik和co-workers提出來(lái)的SVM 基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則和非線(xiàn)性和函數(shù)，具有更好的泛化能力和分類(lèi)精確度。目前，SVM 已經(jīng)成功應(yīng)用于語(yǔ)音識(shí)別與話(huà)者識(shí)別。

　　除此之外，Ganapathiraju等人已經(jīng)將支持向量機(jī)成功運(yùn)用到復(fù)雜的大詞表非特定人連續(xù)語(yǔ)音識(shí)別上來(lái)。因此本文選擇SVM結(jié)合VQ完成語(yǔ)音模式識(shí)別。

　　2 系統(tǒng)構(gòu)建及實(shí)現(xiàn)

　　為了更好地體現(xiàn)DSP的實(shí)時(shí)性，選擇的合適參數(shù)相當(dāng)重要?？紤]到DSP的存儲(chǔ)容量和實(shí)時(shí)性要求，本文首先選用Matlab平臺(tái)對(duì)系統(tǒng)進(jìn)行仿真以比較選取合適的參數(shù)。

　　2.1 Matlab平臺(tái)上的仿真實(shí)現(xiàn)

　　2.1.1 實(shí)驗(yàn)數(shù)據(jù)的建立

　　基于Matlab平臺(tái)，本文實(shí)驗(yàn)語(yǔ)音信號(hào)在安靜的實(shí)驗(yàn)室環(huán)境下用普通的麥克風(fēng)通過(guò)Windows音頻設(shè)備和Cool edit軟件進(jìn)行錄制，語(yǔ)速一般，音量適中，文件存儲(chǔ)格式為wav文件。語(yǔ)音采樣頻率為8kHz，采樣量化精度為16bit，雙聲道。

　　由于無(wú)調(diào)音節(jié)有412個(gè)，有調(diào)音節(jié)為1 282個(gè)，若采用SVM 對(duì)所有音節(jié)進(jìn)行分類(lèi)，數(shù)據(jù)量很龐大，故本文選擇10個(gè)人對(duì)6個(gè)不固定的連續(xù)漢語(yǔ)數(shù)字進(jìn)行發(fā)音，每人發(fā)音15次，音節(jié)切分后共900個(gè)樣本，其中600個(gè)樣本作為訓(xùn)練樣本集，其余300個(gè)樣本用于特定人的識(shí)別；另外選擇5個(gè)人對(duì)漢語(yǔ)數(shù)字0~9發(fā)音，每人發(fā)音3次，共150個(gè)測(cè)試樣本作為非特定人的識(shí)別。此外，以上選取的訓(xùn)練或測(cè)試樣本均考慮到0~9共10個(gè)數(shù)字的均勻分布，并且樣本類(lèi)型通過(guò)手工標(biāo)定。

　　2.1.2 基于Matlab的語(yǔ)音識(shí)別系統(tǒng)的仿真及性能分析

　　首先對(duì)語(yǔ)音信號(hào)進(jìn)行了預(yù)處理及時(shí)域分析：使用H（Z）=1-0.9375z-1 進(jìn)行預(yù)加重處理；同時(shí)考慮語(yǔ)音信號(hào)的短時(shí)平穩(wěn)性，進(jìn)行分幀加窗---選用Hamming窗，幀長(zhǎng)32ms，幀移是10ms.本文所設(shè)計(jì)系統(tǒng)為小詞匯量的連續(xù)語(yǔ)音識(shí)別，考慮到訓(xùn)練時(shí)的工作量和運(yùn)算量，選用音節(jié)作為基本識(shí)別單元。語(yǔ)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(shí)歸一化能量共25維構(gòu)成。

　　本文構(gòu)造了基于SVM 的連續(xù)語(yǔ)音識(shí)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(duì)其進(jìn)行聚類(lèi)得到優(yōu)化碼本，然后將所得碼本作為 SVM 模式訓(xùn)練和識(shí)別算法的輸入，按照相應(yīng)的準(zhǔn)則最終得到識(shí)別的結(jié)果。語(yǔ)音識(shí)別系統(tǒng)流程圖如圖2所示。

　　圖2 語(yǔ)音識(shí)別系統(tǒng)流程圖

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

　　表1 不同初始種群下的識(shí)別系統(tǒng)性能

　　種群數(shù)平均適應(yīng)度迭代所需時(shí)間/ （s） 正識(shí)率系統(tǒng)設(shè)計(jì)中考慮到MFCC參數(shù)數(shù)據(jù)量太大，對(duì)模型訓(xùn)練和識(shí)別的時(shí)間有很大的影響，因此選擇矢量量化對(duì)數(shù)據(jù)進(jìn)行分類(lèi)。矢量量化的關(guān)鍵問(wèn)題是如何獲取VQ碼本及碼本長(zhǎng)度的確定，對(duì)此進(jìn)行了仿真比較。

　　表2給出了不同VQ算法對(duì)正識(shí)率的影響比較。由表可以采用種群數(shù)為80，碼本長(zhǎng)度為16，核函數(shù)為 RBF，選用的改進(jìn)遺傳算法（GA）時(shí)系統(tǒng)的正識(shí)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(shí)驗(yàn)證明，改進(jìn)的GA較好地解決了這兩者的問(wèn)題，收斂速度較快，正識(shí)率也有較為明顯的提高。

　　表2 不同VQ算法對(duì)正識(shí)率的影響比較

　　在此基礎(chǔ)上比較了傳統(tǒng)GA和優(yōu)化后GA對(duì)不同碼本長(zhǎng)度失真測(cè)度的影響，如圖3所示。由圖可知，在碼本平均失真測(cè)度上，改進(jìn)的GA比傳統(tǒng)GA在整體上明顯有所降低，即種群平均適應(yīng)度更高。從圖3還可以發(fā)現(xiàn)碼本長(zhǎng)度為32時(shí)失真測(cè)度達(dá)到最低，但相比碼本長(zhǎng)度為16時(shí)的值減少的并不太明顯。 考慮到迭代時(shí)間問(wèn)題，本文所采用的碼本長(zhǎng)度為16.

　　不同SVM 核函數(shù)對(duì)語(yǔ)音識(shí)別系統(tǒng)性能也會(huì)有影響。SVM分類(lèi)器的目的是設(shè)計(jì)一個(gè)具有良好性能的分類(lèi)超平面，以滿(mǎn)足在高維特征空間中能通過(guò)這個(gè)分類(lèi)超平面區(qū)分多類(lèi)數(shù)據(jù)樣本。

　　已有文獻(xiàn)證明一對(duì)一分類(lèi)器在邊界距離上比一對(duì)多分類(lèi)器更精確，故本文采用一對(duì)一方法對(duì)多類(lèi)數(shù)據(jù)樣本進(jìn)行訓(xùn)練和識(shí)別。

　　圖3 碼本長(zhǎng)度的失真測(cè)度對(duì)比

　　表3給出了針對(duì)非特定人的不同SVM 核函數(shù)的識(shí)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(shí)所需的支持向量數(shù)要略高于核函數(shù)為Sigmoid時(shí)，但系統(tǒng)的正確識(shí)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(shí)別系統(tǒng)性能

　　通過(guò)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(duì)語(yǔ)音識(shí)別系統(tǒng)性能產(chǎn)生的影響，為語(yǔ)音識(shí)別系統(tǒng)在DSP上的實(shí)現(xiàn)提供了參數(shù)和模型的選擇。