基于智能語音的智能家居系統(tǒng)設(shè)計

凌賢鵬 李綻蕾 劉昊 張釤釤 俞蕓蕓

摘 要：文中設(shè)計了一款智能家居系統(tǒng)，主要介紹了語音識別技術(shù)的相關(guān)基礎(chǔ)原理以及流程。詳細分析了一段語音信號從采集到預(yù)處理，提取特征值后與語音庫中的聲學模型比對得出識別結(jié)果的過程及隱馬爾科夫的建模過程、算法流程，最后利用Arduino開發(fā)板搭建智能家居系統(tǒng)。

關(guān)鍵詞：智能家居;語音識別;Arduino;隱馬爾科夫模型;特征提取

中圖分類號：TP39文獻標識碼：A文章編號：2095-1302（2019）01-00-02

0 引 言

第一次工業(yè)時代后，生活方式大不同前，越來越多的機器設(shè)備開始代替手工作業(yè)，而在家居行業(yè)也出現(xiàn)了類似的機器人幫人們處理家居生活中的簡單工作，不僅解放了人們的雙手，又節(jié)省了大量時間。智能家居的發(fā)展與人機交互技術(shù)有著密不可分的關(guān)聯(lián)，在長期探索中，語音識別技術(shù)脫穎而出。本文詳細分析了語音識別過程，并設(shè)計了一套基于Arduino平臺的智能家居系統(tǒng)實現(xiàn)對家居燈光、環(huán)境（溫度和濕度）、光線、安防監(jiān)督的語音化控制。

1 語音識別系統(tǒng)相關(guān)理論技術(shù)

語音識別的信號處理流程如圖1所示。語音識別系統(tǒng)由語音前期預(yù)處理、語音信號特征參數(shù)提取、參考模型庫建模、模式匹配以及語音后處理五個部分組成[1]。語音識別可分為如下四大階段：

（1）第一個階段先通過性能優(yōu)良的語音采集設(shè)備采集語音信號，然后進行相關(guān)預(yù)加重、分幀、加窗、端點檢測等預(yù)處理操作。

（2）第二階段是聲學模型訓練階段。提取語音庫中已知語義的語音信號特征參數(shù)，將其作為模板存入?yún)⒖寄Ｐ蛶熘?。使用訓練算法建立聲學模型，而聲學模型的訓練過程也是建模過程，通過訓練語音庫的特征參數(shù)訓練聲學模型參數(shù)[2]，因此要設(shè)置合理的模型初始值。

（3）第三階段是識別階段，將輸入語音的特征參數(shù)經(jīng)過一定的識別算法與訓練好的參考模型庫中的特征參數(shù)進行相似度對比，匹配相似度概率最高的即為輸入語音最終識別結(jié)果[3]。

（4）第四階段是語音后處理階段，確定當前哪個詞語可以跟隨上一個已經(jīng)識別的詞，排除不可能的單詞，將最佳匹配結(jié)果語音信號進行語言建模，匹配出文本語義。

2 語音信號的時域處理

在對語音信號分析前，要先對語音信號進行預(yù)處理，包括端點檢測、預(yù)加重、加窗和分幀等技術(shù)[4]。

預(yù)加重采用一個6 dB/倍頻的一階高通數(shù)字濾波器實現(xiàn)，其傳遞函數(shù)為H（z）=1-μz-1，加窗可以讓一幀信號的幅度在兩端平滑的衰減漸變到零，以避免短時語音段邊緣的影響。但由于加窗削弱了語音邊緣的信號，為了使相鄰幀連續(xù)不中斷，一般采用重疊分幀方法[5]。

端點檢測技術(shù)的目的是檢測出有效語音信號的起始點和終止點[6]，從而減少需要處理的數(shù)據(jù)量和運算量，同時還能降低噪聲對語音識別系統(tǒng)的影響，一般采用雙門限端點檢測法。

3 語音信號的特征提取

語音信號提取的特征值應(yīng)該準確、完全地包含語音信號的全部信息。同時提取能有效反映語音特性、減少語音信號中與識別無關(guān)的信息，減少識別數(shù)據(jù)量。本文分析了語音信號的三種特征參數(shù)，即線性預(yù)測系數(shù)（LPC）、線性預(yù)測倒譜系數(shù)（LPCC）、梅爾頻率倒譜系數(shù)（MFCC）[7]。

3.1 線性預(yù)測系數(shù)（LPC）

線性預(yù)測的原理：語音信號S（n）的值可由過去若干時刻的采樣值或其線性組合來逼近[8]。在逼近過程中，逼近值與原始值之間的差值稱為預(yù)測誤差，當預(yù)測誤差達到最小時，即預(yù)測效果最接近，也是模型建立最完美的值?？梢酝频?，線性預(yù)測系數(shù)ai的值達到了收斂。線性預(yù)測方法得到的參數(shù)可以很好地反映語音信號的頻譜幅度。

3.2 線性預(yù)測倒譜系數(shù)（LPCC）

LPCC可以將語音模型中的聲門激勵信號與聲道沖激響應(yīng)信號進行分離，計算量小，實現(xiàn)相對簡單，提高了特征參數(shù)的穩(wěn)定性[9]。該值是對語音信號進行FFT后再取對數(shù)，求IFFT后得到的。

3.3 梅爾頻率倒譜系數(shù)（MFCC）

Mel頻率倒譜系數(shù)（MFCC）充分考慮了人耳聽覺的感知特性后進行語音信號處理。MFCC具有更好的識別性能[10]，語音信號中的能量主要集中在低頻部分，對人耳的聽覺特性模擬地更好，而人耳對低頻分量也更敏感。語音信號低頻部分的一個參數(shù)淡化了易受環(huán)境噪聲干擾的高頻部分，提高了語音識別系統(tǒng)的抗噪聲能力。

4 隱馬爾科夫模型HMM

隱馬爾科夫過程是一個雙重隨機過程：其一用于描述每幀語音信號的統(tǒng)計特性（可直接觀測到）;其二用于描述每幀語音信號如何轉(zhuǎn)變到寫一個語音幀信號（隱含在觀察序列中）。隱馬爾可夫模型就像一個黑箱子，內(nèi)部狀態(tài)外部不可見，外界只能看到各個時刻的輸出值[11]?？捎^測部分是人的語音，而隱含部分則是人組織語言的大腦激勵信號。隱馬爾可夫模型可用λ=（π，A，B）表示[12]。

本文詳細分析了HMM模型三個基本問題的解決算法。假設(shè)已知可觀察狀態(tài)值序列O=（O1，O2，…，OT）（T是語音信號的幀數(shù)）和馬爾科夫模型參數(shù)λ=（π，A，B），計算可觀察序列的概率P（O|λ）時一般使用向前-向后算法[13]。

已知可觀察狀態(tài)值序列O=（O1，O2，…，OT）和模型λ=（π，A，B），計算最有可能生成該可觀察序列的隱含狀態(tài)序列，通常使用Viterbi算法[14]。

在已知可觀察狀態(tài)的序列O=（O1，O2，…，OT）的前提下，確定HMM的模型參數(shù)λ=（π，A，B），使得可觀察序列的概率P（O|λ）最大，通常使用Baum-Welch算法[15]。

5 智能家居系統(tǒng)實現(xiàn)

結(jié)合Arduino開發(fā)平臺實現(xiàn)智能家居模塊的交互系統(tǒng)，對家居系統(tǒng)整體以及軟硬件需求進行分析與總體設(shè)計，實現(xiàn)通過語音控制家居設(shè)備的目標。該系統(tǒng)具有燈光控制，光線以及溫度濕度檢測和危險氣體警報功能。為了擁有更好的人機交互環(huán)境，本文系統(tǒng)還添加了語音播報功能。

調(diào)試并連接智能家居的軟硬件系統(tǒng)，分別測試智能家居系統(tǒng)的語音識別率，以及相應(yīng)的語音命令能否實現(xiàn)對應(yīng)功能。在安靜的環(huán)境下，系統(tǒng)功能能夠全部實現(xiàn)，測試非特定人100次的語音識別率均在90%以上。在有噪聲的環(huán)境下，系統(tǒng)功能均未實現(xiàn)，測試非特定人100次的語音識別率均在50%以下甚至更低。由實驗結(jié)果可知，與安靜環(huán)境對比，噪聲環(huán)境下的語音識別效果大大降低，且長語音命令的識別率同之前一樣低于安靜環(huán)境下的語音識別率。

6 結(jié) 語

本文主要對語音識別技術(shù)做了大致分析，比較了特征提取線性預(yù)測技術(shù)、線性預(yù)測倒譜系數(shù)以及梅爾頻率倒譜系數(shù)之間的優(yōu)缺點。詳細分析了隱馬爾科夫的建模過程以及相應(yīng)算法，結(jié)合Arduino開發(fā)平臺，對智能家居系統(tǒng)做出簡單設(shè)計，實現(xiàn)了語音命令“開燈”“關(guān)燈”“溫度濕度檢測”“環(huán)境光線檢測”等操作，同時還采用危險氣體警報對家居安防進行布施。語音播報提供了良好的人機交互環(huán)境，通過智能家居各模塊功能語音識別測試可知，提高語音識別率不僅需要安靜的環(huán)境，還需要說標準的普通話。語音識別如何在有較大噪音的環(huán)境中進行準確識別是一道難關(guān)，也是未來科研人的努力方向。

參 考 文 獻

[1]許春冬，張震，戰(zhàn)鴿，等.面向語音增強的約束序貫高斯混合模型噪聲功率譜估計[J].聲學學報，2017，42（5）：633-640.

[2]趙明明.語音識別系統(tǒng)中特征提取和聲學建模的研究[D].重慶：重慶師范大學，2012.

[3]張志霞.語音識別中個人特征參數(shù)提取研究[D].太原：中北大學，2009.

[4]許春冬，戰(zhàn)鴿，應(yīng)冬文，等.基于隱馬爾科夫模型的非監(jiān)督噪聲功率譜估計[J]. 數(shù)據(jù)采集與處理，2015，30（2）：359-364.

[5]李寶祥.語音關(guān)鍵詞檢索若干問題的研究[D].北京：北京郵電大學，2013.

[6]劉洋.基于神經(jīng)網(wǎng)絡(luò)的語音端點檢測方法研究[D].大連：大連理工大學，2010.

[7]郭秋雨.小詞匯量非特定人的孤立詞語音識別系統(tǒng)研究[D].青島：中國海洋大學，2010.

[8]張輝.基于線性預(yù)測和激勵機制的在線語音傳輸實驗系統(tǒng)[D].天津：南開大學，2008.

[9]許春冬，王晶，戰(zhàn)鴿，等.基于功率譜包絡(luò)動態(tài)分割的魯棒語音端點檢測[J]. 北京理工大學學報，2015，35（11）：1189-1193.

[10]陳衛(wèi)東，王曉亞，解靜.基于LPCC的多語種識別算法[J].無線電工程，2009，39（9）：16-18.

[11]孫穎華.高階離散隱馬爾科夫模型的嚴格定義及等價性質(zhì)[D].鎮(zhèn)江：江蘇大學，2016.

[12]郭雷勇，李宇，林勝義，等.用于隱馬爾科夫模型語音帶寬擴展的激勵分段擴展方法[J].計算機應(yīng)用，2017，37（8）：2416-2420.

[13] XU L，KONG A L，LI H，et al.Generalizing I vector estimation for rapid speaker recognition[J].IEEE/ACM transactionson audio speech & language processing，2018，26（4）：749-759.

[14] FAN J L.Forward-backward algorithm[J].Springer international，2016，13（2）：97-116.

[15] VITERBI A J.Error bounds for convolute-onal codes and an asymptotically optim-um decoding algorithm[J].IEEE Trans.informat.theory，1967，13（2）：260-269.