基于語音識別的密語口令翻譯系統

趙文杰 薛永奎 陳磊 劉鎮瑜 霍爍爍

摘? 要： 為解決軍隊在執行使用密語口令指揮的試驗任務中，缺少對口令實時翻譯顯示的問題，將語音識別技術運用到密語口令翻譯顯示系統中，利用微軟語音識別引擎對口令語音進行識別，根據口令對應的明語，將識別內容進行切詞和翻譯，并將翻譯后的明文內容通過網絡發送至顯示端后投影至試驗指揮所大屏，為指揮大廳內觀摩人員提供試驗參與裝備、實施過程及結果等重要內容的顯示，設計了一個密語口令語音實時識別翻譯系統，實現了密語口令語音到明文顯示。

關鍵詞： 語音識別;密語口令;Speech SDK;口令識別

中圖分類號： TP391.41 ???文獻標識碼： A??? DOI：10.3969/j.issn.1003-6970.2020.07.048

本文著錄格式：趙文杰，薛永奎，陳磊，等. 基于語音識別的密語口令翻譯系統[J]. 軟件，2020，41（07）：235-238

Password Translation System Based on Speech Recognition

ZHAO Wen-jie， XUE Yong-kui， CHEN Lei， LIU Zhen-yu， HUO Shuo-shuo

（Luoyang Electric Equipment Test Center， Henan Luoyang 471000）

【Abstract】： In order to solve the army in the use of secret password command test tasks， lack of password display real-time translation， translate speech recognition technology applied to secret password display system， using the Microsoft speech recognition engine to password voice identification， according to the password corresponding plain language， cut identify content words and translation， and will be translated clear text content through the network to show end projection to test after command post screen， for staff， command hall view test in equipment， process and result， etc， according to the important content of the design a secret password speech translation projection real-time identification system， It realizes the speech of password to plaintext display.

【Key words】： Speech recognition; Password recognition; Secret password; Speech SDK

0? 引言

在軍隊試驗任務的組織實施中，試驗指揮是通過密語口令下達試驗命令的，且指揮口令以密語形式進行傳播的。在試驗任務實施過程中，指揮口令的翻譯顯示可以使指揮大廳內觀摩人員掌握參試裝備、試驗過程、進度和結果等重要內容，是試驗指揮顯示中一個十分重要的要素。

當前試驗任務中對僅為指揮大廳內部人員提供密語口令表，雖然可以根據此表對試驗中的口令進行翻譯，但是由于試驗過程中指揮員口令的下達與自他參與者的回復都是十分迅速和頻繁的，指揮大廳內除指揮員外的其他人對通過口令了解試驗信息是十分困難的，這對試驗任務組織實施和觀摩造成很大不便。隨著語音技術的發展，語音識別技術已進入工業、家電、通信、汽車電子、醫療、家庭服務、消費電子產品等各個領域^[1]。但是由于軍用數字口令發音與正常數字發音不同，使通用語音識別程序不能達到軍用口令識別的效果，本文主要工作是運用語音識別技術，構建了一個密語口令識別翻譯系統，實時識別指揮語音口令并翻譯為明文，而后再通過網絡投影至指揮大廳觀摩屏進行實時顯示，為試驗指揮大廳內部人員提供參試裝備、試驗實時進度、結果等的顯示說明。

1 ?系統設計

1.1? 需求分析

正文內容。在試驗任務中，一般試驗指揮人員是在指揮大廳內通過調度、電臺等通訊設備進行指揮的，由于試驗任務的復雜性，可能有多個試驗指揮人員同時指揮不同的試驗科目，參與的通信設備也可能有調度和多部電臺同時使用，因此本系統需要同時具備多個口令語音識別的客戶端同時運行，對翻譯后的內容應按時間順序進行匯總顯示。因此本系統設計為可根據需要同時運行在多個計算機上的口令識別翻譯后端軟件和一個接收匯總翻譯內容的顯示前端軟件。該系統結構圖如圖1所示。

1.2 ?功能設計

顯示前端軟件的主要功能為將接收到后端軟件發送的信息進行解析、顯示和存儲。

口令識別翻譯后端軟件功能如下：

（1）加載密語庫。加載試驗口令的密語庫，該庫定義了口令和其對應的明文解釋，是系統進行口令翻譯的依據;

（2）語音口令識別。獲取計算機系統外設語音拾取設備的語音信息，并對其進行識別;

（3）口令翻譯。對識別后的口令語句進行切詞，并依據密語庫進行明文翻譯;

（4）網絡發送。將翻譯內容通過試驗網絡發送至顯示前端;

（5）信息存儲。對前端地址以及發送的數據等信息進行存儲。

2 ?系統關鍵模塊實現

2.1? 加載密語庫

密語庫定義了口令和其對應的明文解釋，是系統進行口令翻譯的依據。該庫由試驗師根據試驗需要編訂，主要用來存儲密語口令的口令和明語信息，包括參與試驗裝備代號和名稱、試驗實施動作、裝備工作方式、結果上報信息等。根據實際需要采用EXCEL表格作為密語庫的載體，系統通過調用COM組件的方式讀取EXCEL密語庫的內容^[2]。

2.2 ?口令語音識別

（1）識別引擎Speech SDK介紹

近些年來，語音識別技術在國內發展迅速，科大訊飛、搜狗、百度、騰訊等國內公司均推出了自己的語音識別引擎，大部分對中文識別率很高，但基本均需要互聯網的支持，不支持離線，對于對保密要求嚴格的軍隊來說，都不是最佳選擇。

Microsoft Speech SDK是一套語音應用程序開發的軟件開發資源包，它完全基于COM標準開發，底層協議以COM組件的形式完全獨立于應用程序層，開發人員可以方便使用資源包中的資源開發語音識別和語音合成應用程序，而不必糾結于復雜的語音技術^[3]，而且Microsoft Speech SDK完全支持簡體中文語音系統，且其工作過程可以完全離線，不需要連接互聯網，因此，對于有保密要求的軍隊而言，是一個理想的開發工具。

其中，語音識別有識別引擎Recognition Engine負責，語音合成由語音合成引擎TTS Engine負責，結構圖如圖2所示。

（2）環境配置

系統在Visual Studio 2010 C#開發環境下，使用Windows7自帶的windows Speech SDK 5.4版本的開發包^[4]，項目創建后，首先需要在解決方案管理器中添加對SDK開發包的COM組件的引用，如下圖2所示。

添加引用后在需要調用語音識別引擎的代碼頭部添加語音識別命名空間的using System.Speech. Recognition引用指令，在需要調用語音合成引擎的代碼頭部添加語音合成命名空間的using System. Speech.Synthesis引用指令^[5]。

（3）語音識別分析

調用Speech SDK中語音識別引擎進行口令語音識別過程如下圖4所示。

通過對SDK中SpeechRecognitionEngine類的研究，在以上識別過程中，需要調用Speech?Reco?gni?tionEngine構造函數構建語音識別器，通過Load?Grammar、UnloadAllGrammar等函數管理語音識別語法，通過SetInputToAudioStream、SetInputTo?DefaultAudioDevic等配置識別器輸入，通過Recognize或RecognizeAsync方法執行啟動單次或連續語音識別，通過設置EndSilenceTimeout等屬性設置識別間隔，通過SpeechRecognizedEventArgs事件委托得到識別結果，通過RecognizeAsyncStop或RecognizeAsyncCancel方法停止語音識別，通過調用Dispose進行資源釋放^[6]。

（4）口令識別語法構建

在軍隊任務指揮中，口令主要由0-9的十個數字組合而成，但軍語對十個數字的口令發音與正常普通話發音存在差異（區別見表1），因此本系統的語音識別任務為對十個數字口令軍語發音的組合進行識別^[7]。

識別語法構建有兩種方式，一種是在XML文件中定義，一種則以編程方式生成^[8]。密語口令中，每一句口令均由0-9的十個數字自由組合而成，因此構建語法規則中，關鍵詞限定為：“幺”、“兩”、“三”、“四”、“五”、“六”、“拐”、“八”、“勾”、“洞”。由于關鍵詞數量少，選擇以編程方式生成語法約束，生成方法為使用GrammarBuilder對象生成由Cho?i?ces包含備用關鍵詞的層次結構樹（其中Choices為同包含在System.Speech.Recogniton命名空間中表示可以具有若干值之一的短語集合）。主要代碼如下：

string[] numStr = {“幺”，“兩”，“三”，“四”，“五”，“六”，“拐”，“八”，“勾”，“洞”};

Choices numChoices = new Choices（numStr）;

GrammarBuilder tempGrammarBuilder = new GrammarBuilder（）;

tempGrammarBuilder.Append（numChoices）;

以上代碼構建的語法約束僅滿足識別單個數字的要求，本文要求識別可變長度的數字串，則需要調用GrammarBuilder類中的重載函數public void Append （GrammarBuilder builder， int minRepeat， int maxRepeat），其中builder為已生成識別單個數字的語法元素，minRepeat和maxRepeat分別表示必須發生構成匹配的語法builder的最小次數和最大次數，為滿足可變長度的要求，此處minRepeat必須設定為0，maxRepeat設定為1。根據實際需要，最長識別長度設定為50，則滿足識別需要的語法約束剩余代碼如下，其中numGrammar為最終語音識別引擎需要加載的語法約束。

GrammarBuilder numGrammarBuilder = new GrammarBuilder（）;

for（int i=0;i<50;i++）

{numGrammarBuilder.Append（tempGrammarBuilder， 0， 1）;}

Grammar numGrammar = new Grammar（numGrammarBuilder）;

（5）識別結果處理

語音識別引擎通過LoadGrammar加載語法規則后，為語法的識別事件添加一個處理程序，主要代碼如下：

numGrammar.SpeechRecognized + = new Event?Handler（recognizer_ Result）;

void recognizer_Result（object sender， Speech?RecognizedEventArgs e）

{string result;result = e.Result.Text;//得到識別結果}

經過以上識別過程，通過麥克風拾取的語音信號便轉換為文字信息，再根據表1中數字0-9發音對比表將識別結果中字符進行替換，將口令語音字符替換為數字字符，如將“幺”替換為“1”、“兩”替換為“2”依次類推，由此得到一串類似于“01102”的識別結果。

2.3 ?口令翻譯

通過語音識別得到一串數字組合的識別結果后，需要根據口令庫對識別結果進行切詞、翻譯。

切詞是使用遞歸算法^[9]將字符串按字符順序拆分為多個字符串子集，假如各子集在密語庫中均有對應的翻譯，那么該拆分組合便是一次成功的切詞。如將“01102”根據密語庫中的口令切詞為“01，102”（其中“01”表示“裝備1”，“102”表示“關機”），由此得出“01102”的明文為“裝備1關機”的指令。切詞成功后，依據密語口令庫進行翻譯。

2.4? 網絡發送與信息存儲

網絡發送主要是講口令識別端將識別結果及翻譯內容通過網絡發送至前端，系統采用Windows操作系統提供的網絡套接字（SOCKET）接口實現實時雙端網絡通信。考慮到系統需要無差錯可靠的傳輸要求以及TCP面向連接的可靠性特點，本系統使用TCP^[10]傳輸口令及相關信息。

信息存儲主要是口令識別后端在向顯示前端發送數據時將發送內容同步進行存儲，存儲內容包括發送對象、內容及時間信息等，存儲方式采用同2.1中同樣的調用COM組件的方式寫入EXCEL文件^[3]，以便于根據保存的口令及翻譯內容在需要時復盤整個任務口令的執行過程。

3? 識別結果分析

經過對五次試驗1020條試驗密語口令進行識別測試，測試地點為有一定人聲為噪音背景的辦公室，麥克風為得勝PCM-5550手持錄音麥克風，結果顯示：識別正確974條，識別正確率為95.5%;識別錯誤46條，識別錯誤率為4.5%。

經過統計發現錯誤集中出現在以下幾處：11（幺幺）識別為16（幺六）、55（五五）識別為5（五）、9（勾）識別為95（勾五），且在系統啟動識別后前十條識別中識別錯誤率最高。分析主要原因除了系統語音識別算法自身原因外，對測試人發音是否標準也有很大關系，因此，若要提高識別正確率，首先發音應盡量標準、無拖音，其次密語庫設計中應減少重復數字的出現。

4? 結語

本文對語音識別技術應用于軍用密語口令識別的可能性進行了研究，分析了密語口令翻譯系統的功能需求，研究了微軟Speech SDK里語音應用程序接口的結構和工作原理，設計和實現了軍用密語口令識別翻譯系統，并對系統進行了識別測試，識別正確率達到95.5%，對識別錯誤的口令進行統計并分析了識別錯誤的原因，為減少識別錯誤率提出了發音應標準、密語庫中應減少重復數字口令出現等要求。

參考文獻

1. 高清倫， 譚月輝. 語音識別技術在軍用話務臺中的應用模擬系統研究[J]. 河北工業科技， 2007（5）： 272-274.

2. 林鳴霄. 基于SpeechSDK的語音識別技術在三維仿真中的應用[J]. 計算機技術與發展， 2011， 21（11）： 160-162.

3. 蔡小艷， 李龍騰， 葛玉，等. 基于C#的Excel數據導入導出研究與實現[J]. 智能計算機與應用， 2014， 4（5）： 83-85.

4. 熊凱. 用C#開發基于Microsoft Speech SDK的語音應用程序[J]. 計算機時代， 2007（2）： 40-42.

5. Microsoft speech SDK 5. 4 help[EB/OL]. http：//www.micro?soft.com.

6. https：//docs.microsoft.com/zh-cn/dotnet/api/system.speech.recognition.speechrecognitionengine？view=netframework-4.8[OL]

7. 劉春平. 基于Speech SDK的數字語音識別系統研究[J]. 工業控制計算機， 2012（7）： 69-70.

8. 黃旭. 基于HTK和Microsoft Speech SDK的連續語音識別系統的研究及實現[D]. 廈門大學.

9. 吳素萍. 遞歸算法與高效算法[J]. 電腦與信息技術， 2007（5）： 35-37.

10. 趙文杰， 陳磊， 鄭全普， 等. 虛擬語音會議系統設計與實現[J]. 軟件導刊， 2018， 017（1）： 132-134.