典型簡單模板匹配語音識別方式技術研究

范崇山　陳新偉　羅智榮　劉樂　林秋文

【摘 要】本文從人類語言交流系統模型中獲取思路，重點研究小詞匯量、詞語間相互獨立的基于簡單模板匹配工作原理的語音識別模式。本文在語音識別的預處理、特征提取等環節深入討論，并進行了一系列仿真實驗對典型簡單模板匹配語音識別方式中的使用技術如：語音信號模型的建立、窗函數等做出清晰地說明。

【關鍵詞】語音識別；簡單模板匹配；預處理；特征提取

1 語音識別技術原理

語音識別是為了讓機器“懂”我們的語言，準確無誤地識別出我們發出語音內容，并且做出符合語音內容的一系列動作，執行我們的意圖。分析人類語言交流通信的過程，可以啟發我們的研究思路。對人類語音通信流程[1-2]分析如圖1。

由人類語音通信流程框圖可以看出，人類發出語音過程如圖左半部分，語音理解過程如圖右半部分。語音識別包括兩種含義，一是：將人類說的話轉換成文字，二是：在充分理解口述語音的基礎上，不僅僅是將語音轉換為文字信息，而且對語音內容也要作出正確響應[3]。在此，本文認為語音識別和語音理解意義等同，所以可用圖1右側部分流程可將語音識別過程。

目前語音識別技術應用中大部分都是小詞匯量，詞語間相互獨立基于簡單模板匹配工作原理的識別模式。針對這種典型的語音識別模式，原理流程路線圖[4]如圖2所示：

1.1 基于發音模型的語音信號產生模型

語音信號的產生是語音識別技術的基石，在語音信號處理的大部分過程中對語音信號產生模型有很強的依賴性。本文研究過程中，首先對人類發音過程進行了解：人類發音流程是首先肺部收縮，迫使氣流通過聲門和聲道引起音頻震蕩產生[3]。根據人的聲道三種不同激勵方式，分別對應產生了三種被大家熟知的發音類型，分別是濁音，摩擦音或清音，爆破音。

語音信號可看做由線性系統受到激勵信號的激勵輸出產生。如圖3是基于發音模型的語音信號產生模型流程圖：

如圖3建立的語音信號產生模型中認為濁音是周期為N0的沖激信號，且N0=fs/F0（其中F0是基音頻率，fs是采樣頻率）。清音認為是一個均值為0，幅值是正態分布的波形信號。參數Av，Au分別用來調節濁音和清音的幅值。

從已有語音識別技術研究結果可知，窗函數類型眾多，使用不同形式的窗函數對短時分析處理語音信號結果有很大的影響。已知目前應用最廣泛的窗函數是漢明窗，結合仿真實驗分析可以看出：高斯窗函數的橫向主瓣寬度最小，但其縱向旁瓣高度最高；漢明窗函數的橫向主瓣寬度最寬，縱向旁瓣高度是三種窗函數中最低的。

2.3 端點檢測

語音信號的起始點是語音信號處理的關鍵分界點，端點檢測的目的就是找到連續語音信號中的信號起始點。常用的端點檢測方法有兩種，分別是短時平均能量和短時過零率[6]。當下流行的端點檢測方法是短時平均能量和短時過零率兩者的結合，稱這種方法為雙門限端點檢測算法[7]。

在實際問題中通常采用兩者結合解決問題。本文同樣是采用兩者結合的方法，利用短時過零率方法檢測語音信號波形穿越零電平的次數，既代表的是清音；用短時平均能量方法計算第y幀語音信號的短時平均能量E（y），既代表的是濁音，進而實現可靠的端點檢測。

3 特征提取

目前特征是語音信號預處理中的重要步驟。在實際特征提取中，較常采用的參數是線性預測倒譜系數（LPCC）和Mel倒譜系數（MFCC）。二者采用的均是時域轉換到倒譜域上，但是出發思路兩者不同。線性預測倒譜系數（LPCC）以人類發聲模型為基礎，采用線性預測編碼（LPC）技術求倒譜系數；Mel倒譜系數（MFCC）以人類聽覺模型為基礎，通過離散傅利葉變換（DFT）進行變換分析。

其中k表示第k個濾波器，Hm（k）表示第k個mel濾波器組，f（m）為中心頻率，m=1，2，…K，K表示濾波器個數。

經過仿真實驗分析比較，可以分析得出Mel倒譜系數（MFCC）參數較線性預測倒譜系數（LPCC）參數的優點，優點如下：

（1）語音低頻信號是語音信息的聚集區，高頻信號相對低頻語音信號更容易受到周圍環境等的干擾。Mel倒譜系數（MFCC）將線性頻標轉化為Mel頻標，強調語音的低頻信息，從而突出了有利于識別的信息，屏蔽了噪聲的干擾[8]。LPCC參數是基于線性頻標的，所以沒有這一特點；

（2）MFCC參數無任何假設前提，在各種語音信號預處理情況下均可使用，但是LPCC參數首先假定所處理的語音信號是AR信號，對于動態特性較強的輔音，這個假設并不嚴格成立[8]；

（3）MFCC參數提取過程中需要經過FFT變換，我們可以順便獲得語音信號頻域上的全部信息，不需要多花費時間處理，有利于端點檢測、語音分段等算法實現[8]。

4 訓練與識別

訓練和識別是語音識別的中心內容，有很多專家學者研究了一系列成果。語音識別實質是模式匹配的過程，而對分類器和分類決策的設計[9]又是模式匹配的核心。在現有的分類器設計[10-11]中，經常使用的有：動態時間規整（Dynamic Time Warping，DTW）分類器、基于人工神經網絡（Artificial Neural Networks，ANN）分類器、基于高斯混合模型（GMM）分類器、基于Bayes規則的分類器、基于HMM分類器[12]等。

本文重點討論語音信號預處理中技術及實現，對訓練和識別技術不再做研究描述。

【參考文獻】

[1]尹巖巖.基于語音識別與合成的低速率語音編碼研究[D].上海師范大學，2013.

[2]張偉偉.通信系統中語音質量評價的研究[D].北京郵電大學，2014.

[3]朱淑琴.語音識別系統關鍵技術研究[D].西安電子科技大學，2004.

[4]王偉臻.基于神經網絡的語音識別研究[D].浙江大學，2008.

[5]鐘林鵬.說話人識別系統中的語音信號處理技術研究[D].電子科技大學，2013.

[6]周剛，周萍，楊青.一種簡單的噪聲魯棒性語音端點檢測方法[J].測控技術，2015，（02）：31-34.

[7]薛勝堯.基于改進型雙門限語音端點檢測算法的研究[J].電子設計工程，2015，（04）：78-81.

[8]惠博.語音識別特征提取算法的研究及實現[D].西北大學，2008.

[9]張寧.基于決策樹分類器的遷移學習研究[D].西安電子科技大學，2014.

[10]汪云云.結合先驗知識的分類器設計研究[D].南京航空航天大學，2012.

[11]李楊.基于神經網絡的分類器設計及優化[D].安徽農業大學，2013.

[12]厲小潤，趙光宙，趙遼英.決策樹支持向量機多分類器設計的向量投影法[J]. 控制與決策，2008（07）：745-750.

[責任編輯：朱麗娜]