語(yǔ)音特征參數(shù)提取算法的研究與硬件實(shí)現(xiàn)

劉澤琛，焦繼業(yè)，崔智恒，安超

（1.西安郵電大學(xué)電子工程學(xué)院，陜西 西安 710121；2.西安郵電大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710121）

在離線語(yǔ)音產(chǎn)品中，由于其系統(tǒng)脫離了云端的服務(wù)器，語(yǔ)音模板庫(kù)的訓(xùn)練只能通過(guò)自身系統(tǒng)來(lái)建立[1]，所以合理的使用人體模型作為參考，選用合適的語(yǔ)音特征參數(shù)對(duì)于語(yǔ)音識(shí)別系統(tǒng)非常重要[2]，也是離線語(yǔ)音識(shí)別技術(shù)的研究重點(diǎn)[3]。對(duì)于離線語(yǔ)音識(shí)別產(chǎn)品，不是越先進(jìn)的算法就越適用[4]，需合理地選用算法結(jié)構(gòu)和運(yùn)算以達(dá)到提取特征參數(shù)的效果[5]，既可以降低系統(tǒng)的成本又可以很快地應(yīng)用到產(chǎn)品中去[6]。該文面向離線語(yǔ)音產(chǎn)品的設(shè)計(jì)，對(duì)MFCC 參數(shù)的提取階段進(jìn)行了重點(diǎn)學(xué)習(xí)和研究，使用合理的算法結(jié)構(gòu)來(lái)降低系統(tǒng)運(yùn)算成本，并針對(duì)軟件實(shí)現(xiàn)MFCC 參數(shù)提取過(guò)程中產(chǎn)生的大量且重復(fù)性計(jì)算問(wèn)題，對(duì)MFCC 參數(shù)的提取進(jìn)行了算法優(yōu)化設(shè)計(jì)，并給出硬件設(shè)計(jì)方案以提高運(yùn)算效率。

1 MFCC原理分析

MFCC 參數(shù)由Davis[7]等人在二十世紀(jì)八十年代提出，具有良好的識(shí)別性能和抗噪能力[8-9]。MFCC參數(shù)的提取過(guò)程充分考慮了人耳聽(tīng)覺(jué)特性，而且沒(méi)有任何前提假設(shè)[10]，該參數(shù)通過(guò)將線性頻譜轉(zhuǎn)換到Mel 頻譜中，再將信號(hào)的對(duì)數(shù)能量轉(zhuǎn)換在倒譜上而得到。MFCC 特征參數(shù)提取流程如圖1 所示。

圖1 MFCC參數(shù)提取流程圖

1）語(yǔ)音信號(hào)在經(jīng)過(guò)預(yù)處理（預(yù)加重、分幀、加窗）后變?yōu)槎虝r(shí)信號(hào)，使用傅里葉變換將這些時(shí)域信號(hào)X(n)轉(zhuǎn)化為頻域信號(hào)X(m)，并由此計(jì)算它的短時(shí)能量譜P(f)。

2）求出的每一幀能量譜P(f)通過(guò)Mel 濾波器，計(jì)算在該Mel 濾波器中的能量。在頻域中相當(dāng)于把每幀的能量譜P(f)與Mel 濾波器的頻域響應(yīng)Hm(k)相乘并相加，最后求其對(duì)數(shù)能量S(m)。

式中，k表示第k個(gè)濾波器，M表示濾波器總個(gè)數(shù)。

3）S(m)表示第k個(gè)濾波器的輸出能量，則C(n)為輸出的MFCC 參數(shù)。

式中，P為MFCC 參數(shù)的階數(shù)。

2 算法優(yōu)化設(shè)計(jì)

2.1 語(yǔ)音時(shí)頻轉(zhuǎn)換設(shè)計(jì)與優(yōu)化

在時(shí)域上，提取出語(yǔ)音信號(hào)的信息特征非常困難[11]，通常會(huì)把時(shí)域的語(yǔ)音信號(hào)轉(zhuǎn)換至頻域上來(lái)分析，該設(shè)計(jì)采用快速傅里葉變換FFT 進(jìn)行時(shí)頻轉(zhuǎn)換，作為離散傅里葉變換DFT 的快速算法，其函數(shù)表達(dá)式如下：

其中，原始的語(yǔ)音信號(hào)表示為x(n)。在該設(shè)計(jì)中，由于語(yǔ)音信號(hào)都是實(shí)數(shù)計(jì)算，所以直接將x(n)作為一個(gè)虛部為0 的復(fù)數(shù)序列進(jìn)行計(jì)算。

但是在語(yǔ)音分幀時(shí)相鄰幀之間需要相互重疊來(lái)彌補(bǔ)加窗時(shí)的信號(hào)消弱，相鄰兩幀起始位置的時(shí)間間隔就是幀移[12]，在本設(shè)計(jì)中讓幀移等于幀長(zhǎng)的一半，也就是每相鄰的兩幀語(yǔ)音信號(hào)就會(huì)重疊50%，以此保證語(yǔ)音信號(hào)的連續(xù)性[13-14]。由于語(yǔ)音信號(hào)有50%的幀重疊段，所以在對(duì)語(yǔ)音信號(hào)做FFT 計(jì)算時(shí)，每?jī)蓭盘?hào)就會(huì)產(chǎn)生一次重復(fù)計(jì)算，但是兩幀重疊部分的計(jì)算結(jié)果是相同的。為了節(jié)省運(yùn)算時(shí)間，該設(shè)計(jì)提出優(yōu)化的時(shí)頻轉(zhuǎn)換方法，重復(fù)利用這半幀的數(shù)據(jù)，節(jié)省了FFT 計(jì)算時(shí)間。假設(shè)一幀語(yǔ)音信號(hào)中有樣本點(diǎn)N，并且?guī)в?0%的幀移，每幀的計(jì)算公式可用式（5）表示：

其中，k=0,1,…,N-1，Xold(k)和Xnew(k) 又都可以用式（6）表示：

在計(jì)算過(guò)程中，Xold(k) 就是在幀移N/2 的基礎(chǔ)上，上一幀語(yǔ)音信號(hào)計(jì)算過(guò)的后半重疊部分，Xnew(k)是在幀移N/2 的基礎(chǔ)上，下一幀語(yǔ)音信號(hào)計(jì)算過(guò)的前半重疊部分，又將在下一幀計(jì)算中變?yōu)閄old(k)。使用Matlab 對(duì)改進(jìn)后的優(yōu)化設(shè)計(jì)與直接進(jìn)行時(shí)頻轉(zhuǎn)換的結(jié)果進(jìn)行了比較，輸出結(jié)果相同。在此算法改進(jìn)的基礎(chǔ)上，下文給出了硬件結(jié)構(gòu)圖，避免了由于幀移而產(chǎn)生的重復(fù)計(jì)算，進(jìn)而節(jié)省了運(yùn)算時(shí)間。

2.2 MFCC參數(shù)輸出設(shè)計(jì)與優(yōu)化

該設(shè)計(jì)使用一組三角形濾波器形成濾波器組，為了更好地提取出語(yǔ)音低頻信息，這些濾波器在頻率坐標(biāo)軸上不是均勻分布的，在低頻區(qū)域有很多的濾波器，它們分布比較密集，但在高頻區(qū)域，濾波器的數(shù)目就變得比較少，分布很稀疏。此過(guò)程中，濾波器參數(shù)的計(jì)算過(guò)程復(fù)雜，如果每次都直接計(jì)算，會(huì)存在很大的計(jì)算量。通過(guò)分析算法可知，濾波器中心頻率f(m)、對(duì)應(yīng)的線性頻率f和線性頻率對(duì)應(yīng)的FFT點(diǎn)數(shù)等參數(shù)的計(jì)算都可以脫離中間參數(shù)進(jìn)行提前計(jì)算。該設(shè)計(jì)的每一個(gè)三角濾波器的中心頻率f(m)可以使用式（7）進(jìn)行轉(zhuǎn)換，假設(shè)在采樣率為fs的情況下，語(yǔ)音經(jīng)過(guò)N點(diǎn)FFT 計(jì)算之后得到三角濾波器中心頻率f(m)的計(jì)算公式為：

其中，fl為濾波器頻率范圍的最低頻率；fh為濾波器頻率范圍的最高頻率；N為FFT 時(shí)的長(zhǎng)度；fs為采樣頻率。fMel函數(shù)為：

根據(jù)式（8）可以得出最大的Mel頻率為2 146 mel，由于在Mel 頻率刻度范圍內(nèi)，各個(gè)濾波器的中心頻率是相等間隔的線性分布。由此可以計(jì)算出兩個(gè)相鄰三角濾波器中心頻率的間距為ΔMel=fmax/(k+1)=93.3 mel。各三角濾波器在Mel頻率刻度的中心頻率可以由Mel頻率與線性頻率的關(guān)系式求出，由中心頻率計(jì)算出對(duì)應(yīng)的線性刻度的頻率。該設(shè)計(jì)中Mel 濾波器共有24 組，F(xiàn)FT 計(jì)算點(diǎn)數(shù)為256，所以此過(guò)程的計(jì)算，提前使用Matlab 工具計(jì)算產(chǎn)生24×128 的bank系數(shù)矩陣，將bank 系數(shù)矩陣存入系統(tǒng)中，需要時(shí)直接讀取使用，大幅減少了計(jì)算量和時(shí)間。同時(shí)該設(shè)計(jì)采用DCT 進(jìn)行傅里葉逆變換，輸出12 階的MFCC 參數(shù)，式（3）為DCT 變換公式。由于這部分計(jì)算大多是重復(fù)性計(jì)算，而且三角函數(shù)的計(jì)算會(huì)引入CORDIC 算法，使得MFCC 參數(shù)的輸出精度變低，準(zhǔn)確性將被影響，所以可以提前計(jì)算好nπ/M、(m-0.5)、余弦值等參數(shù)，產(chǎn)生一個(gè)12×24 的DCT 的變換系數(shù)矩陣，將DCT 的變換系數(shù)矩陣存入系統(tǒng)，使用時(shí)直接讀取。

3 硬件設(shè)計(jì)實(shí)現(xiàn)

語(yǔ)音特征參數(shù)提取階段系統(tǒng)的硬件實(shí)現(xiàn)流程框圖如圖2所示。整個(gè)語(yǔ)音特征參數(shù)提取系統(tǒng)分為定點(diǎn)計(jì)算部分和浮點(diǎn)計(jì)算部分，原始語(yǔ)音信號(hào)使用Matlab將wav格式文件轉(zhuǎn)換為coe格式文件，保存在原始語(yǔ)音存儲(chǔ)ROM 中。語(yǔ)音特征參數(shù)提取系統(tǒng)先從原始語(yǔ)音數(shù)據(jù)存儲(chǔ)的ROM 中讀取出一幀的音頻數(shù)據(jù)傳送給預(yù)加重模塊，然后開(kāi)始計(jì)算該幀數(shù)據(jù)的MFCC 參數(shù)。等待該幀的MFCC 參數(shù)計(jì)算結(jié)束后，再讀取下一幀音頻數(shù)據(jù)，以此類(lèi)推，直到檢測(cè)完語(yǔ)音最后一幀數(shù)據(jù)為止。將處理后得到的MFCC 參數(shù)使用在線抓取的方式存儲(chǔ)于ILA 中，然后導(dǎo)出至本地文件。

圖2 硬件實(shí)現(xiàn)流程框圖

3.1 頂層控制模塊設(shè)計(jì)

輸入語(yǔ)音信號(hào)以后，進(jìn)行語(yǔ)音信號(hào)預(yù)處理，語(yǔ)音被分為很多幀數(shù)據(jù)等待處理。該設(shè)計(jì)中一段語(yǔ)音的MFCC 參數(shù)計(jì)算是以幀為單位進(jìn)行的，計(jì)算每幀信號(hào)會(huì)產(chǎn)生12 個(gè)特征參數(shù)，測(cè)試語(yǔ)音共127 幀數(shù)據(jù)，使用全局狀態(tài)機(jī)進(jìn)行控制。如圖3 所示，特征參數(shù)提取模塊空閑狀態(tài)為IDLE 狀態(tài)，等待觸發(fā)起始條件進(jìn)行數(shù)據(jù)處理。

圖3 全局狀態(tài)機(jī)轉(zhuǎn)移圖

當(dāng)啟動(dòng)計(jì)算信號(hào)Start 有效時(shí)，由IDLE 狀態(tài)進(jìn)入COMUTEMFCC 狀態(tài)，開(kāi)始對(duì)第一幀數(shù)據(jù)的MFCC 進(jìn)行計(jì)算。當(dāng)?shù)谝粠瑪?shù)據(jù)計(jì)算完成時(shí)，將計(jì)算結(jié)果存儲(chǔ)在FIFO 中等待COMPUTEEND 狀態(tài)對(duì)其數(shù)據(jù)進(jìn)行讀取，當(dāng)觸發(fā)計(jì)算結(jié)束的信號(hào)MFCC_ValidEnd 有效時(shí)，模塊進(jìn)入COMPUTETAP 狀態(tài)，對(duì)部分相關(guān)的變量進(jìn)行復(fù)位，取數(shù)地址減128，這個(gè)位置就是前一幀數(shù)據(jù)地址的中間位置，這樣進(jìn)行取地址操作，就可以實(shí)現(xiàn)兩幀數(shù)據(jù)重疊50%。Cnt計(jì)數(shù)至127時(shí)，127幀數(shù)據(jù)的MFCC 全部計(jì)算完成，模塊進(jìn)入COMPUTEEND狀態(tài)，對(duì)COMUTEMFCC 狀態(tài)下存儲(chǔ)在FIFO 中的MFCC 參數(shù)進(jìn)行讀取，Cnt1 計(jì)數(shù)到1 525，證明127 幀數(shù)據(jù)的MFCC 系數(shù)被全部讀取完成，讀取結(jié)束后系統(tǒng)回到IDLE 狀態(tài)等待Start信號(hào)再次啟動(dòng)計(jì)算。

3.2 時(shí)頻轉(zhuǎn)換模塊設(shè)計(jì)

時(shí)頻轉(zhuǎn)換模塊的硬件設(shè)計(jì)結(jié)構(gòu)圖如圖4 所示。

圖4 時(shí)頻轉(zhuǎn)換模塊

當(dāng)語(yǔ)音信號(hào)進(jìn)入到輸入緩沖區(qū)buff 后，語(yǔ)音數(shù)據(jù)被分為N/2 個(gè)采樣樣本，每?jī)蓚€(gè)連續(xù)語(yǔ)言段將形成一個(gè)重疊幀，每一段語(yǔ)音幀都要經(jīng)過(guò)式（6）的計(jì)算，然后將當(dāng)前語(yǔ)音段的計(jì)算結(jié)果Xnew(k)又存儲(chǔ)在輸入緩沖區(qū)H_RAM 中的K 地址處（又在下一幀計(jì)算中被重新用作Xold(k)，同時(shí)Xold(k)在輸入緩沖區(qū)H_RAM 中的K 地址被讀取，并與Xnew(k)又一起產(chǎn)生如式（5）所示的當(dāng)前幀的快速傅里葉變換結(jié)果。經(jīng)過(guò)FFT 之后，產(chǎn)生的數(shù)據(jù)格式是復(fù)數(shù)，為了給FFT 產(chǎn)生的頻譜求模值，該設(shè)計(jì)使用CORDIC 算法計(jì)算復(fù)數(shù)模值，使用簡(jiǎn)單的移位，加減操作減少計(jì)算量。

3.3 MFCC參數(shù)輸出模塊設(shè)計(jì)

該模塊用于實(shí)現(xiàn)MFCC 參數(shù)的輸出并通過(guò)狀態(tài)機(jī)來(lái)控制。CORDIC 算法計(jì)算結(jié)束之后，使用全浮點(diǎn)運(yùn)算來(lái)提升運(yùn)算精確度。該模塊可以分為緩存模塊和計(jì)算模塊兩個(gè)部分，緩存模塊部分包括常數(shù)的存儲(chǔ)和計(jì)算結(jié)果的緩存。Mel 濾波器的中心頻率、對(duì)應(yīng)的線性頻率和特征提取流程中的中間參數(shù)可脫離中間參數(shù)，提前使用Matlab 工具計(jì)算并產(chǎn)生bank 系數(shù)矩陣，將bank 系數(shù)矩陣存放在Mel 濾波器組參數(shù)ROM 中，等待計(jì)算時(shí)直接提取。再將離散余弦變換中的DCT 系數(shù)矩陣存入bank ROM 等待使用。該模塊MFCC 參數(shù)的輸出計(jì)算使用如圖5 所示。

圖5 該模塊狀態(tài)機(jī)轉(zhuǎn)移圖

具體計(jì)算實(shí)現(xiàn)的過(guò)程：將待處理的功率數(shù)據(jù)向量t存儲(chǔ)于ROM 中。bank 系數(shù)矩陣中每一行向量都要與t向量相乘，即128 個(gè)元素的相乘再相加的運(yùn)算。按順序每次讀取bank ROM 的128 個(gè)數(shù)和t進(jìn)行乘累加運(yùn)算，得到一個(gè)數(shù)，對(duì)bank ROM 中所有數(shù)計(jì)算完后，即完成bank 系數(shù)矩陣和t向量的相乘，就會(huì)得到24 個(gè)數(shù)，分別對(duì)其取自然對(duì)數(shù)后存于RAM 中。同理，計(jì)算DCT 的變換系數(shù)矩陣和自然對(duì)數(shù)向量的乘積向量c1；不同之處在于每得到c1 的一個(gè)元素，就利用浮點(diǎn)乘法器計(jì)算其與對(duì)應(yīng)歸一化倒譜提升窗口w元素的乘積，然后存于MFCC_FIFO 中。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 準(zhǔn)確率測(cè)試

該設(shè)計(jì)在使用Matlab 測(cè)試之前，提前錄制好一段測(cè)試語(yǔ)音，保存為wav 格式，等待測(cè)試時(shí)使用，測(cè)試時(shí)使用Matlab 工具直接讀取wav 格式的語(yǔ)音數(shù)據(jù)進(jìn)行處理，測(cè)試所使用的語(yǔ)音時(shí)長(zhǎng)為2 s，共有127幀，每幀經(jīng)過(guò)特征參數(shù)提取系統(tǒng)都會(huì)產(chǎn)生一組12 階的MFCC 參數(shù)，從而形成一個(gè)12×127 的MFCC 參數(shù)矩陣，將其作為語(yǔ)音特征參數(shù)矩陣，以便語(yǔ)音識(shí)別階段使用，測(cè)試使用Matlab 和Vivado 分別對(duì)測(cè)試語(yǔ)音的MFCC參數(shù)矩陣輸出進(jìn)行仿真，波形結(jié)果如圖6所示。

圖6 特征參數(shù)矩陣Matlab仿真圖

將bit 文件下載至FPGA 開(kāi)發(fā)板。隨機(jī)選取一幀語(yǔ)音的12 階MFCC 參數(shù)，將該幀的Matlab 仿真計(jì)算結(jié)果與ILA 抓取到的MFCC 參數(shù)做對(duì)比，數(shù)據(jù)結(jié)果顯示平均誤差僅為0.92%，可以滿(mǎn)足設(shè)計(jì)的準(zhǔn)確率要求，數(shù)據(jù)結(jié)果如表1 所示。

表1 誤差對(duì)比表

4.2 實(shí)時(shí)性測(cè)試

測(cè)試使用的示例語(yǔ)音總計(jì)127 幀數(shù)據(jù)，每當(dāng)系統(tǒng)計(jì)算出一幀語(yǔ)音數(shù)據(jù)的MFCC 參數(shù)，MFCC_ValidEnd標(biāo)志位信號(hào)就有效一次，語(yǔ)音有效次數(shù)為127 次，總計(jì)提取出127 幀語(yǔ)音信號(hào)的MFCC 參數(shù)，總計(jì)用時(shí)為22.71 ms，該設(shè)計(jì)中特征參數(shù)提取模塊計(jì)算一幀MFCC 參數(shù)的時(shí)間為0.18 ms。

文中對(duì)MFCC參數(shù)提取系統(tǒng)的性能參數(shù)進(jìn)行了對(duì)比，性能參數(shù)對(duì)比如表2 所示。相較于ARM Cortex-M4、TMS320 DSP 平臺(tái)使用軟件實(shí)現(xiàn)MFCC 參數(shù)提取，該設(shè)計(jì)采用硬件設(shè)計(jì)進(jìn)行語(yǔ)音特征參數(shù)提取加速，在運(yùn)行速度上有了大幅度提升，提取一幀語(yǔ)音數(shù)據(jù)的MFCC 參數(shù)運(yùn)算速度分別提升了51 倍和67 倍。相較于其他硬件實(shí)現(xiàn)方案，該設(shè)計(jì)在時(shí)頻轉(zhuǎn)換模塊，節(jié)省了FFT 的重復(fù)計(jì)算并將MFCC 輸出階段做了優(yōu)化，將Mel 濾波器和DCT 計(jì)算的相關(guān)參數(shù)脫離系統(tǒng)計(jì)算形成稀疏矩陣，保存在參數(shù)ROM 中，供直接訪存使用，省去每次計(jì)算的耗時(shí)，較少硬件資源利用率，換來(lái)了計(jì)算速度近3 倍的提升，系統(tǒng)功耗也得到了降低，可以滿(mǎn)足實(shí)時(shí)性較高的離線語(yǔ)音識(shí)別產(chǎn)品設(shè)計(jì)要求。

表2 性能參數(shù)對(duì)比表

5 結(jié)論

該文提出優(yōu)化的語(yǔ)音MFCC 參數(shù)提取方案，節(jié)省了由于幀移而產(chǎn)生的FFT 重復(fù)計(jì)算，同時(shí)省去了Mel 濾波器和DCT 計(jì)算帶來(lái)的耗時(shí)，平均誤差為0.92%，提取一幀MFCC 參數(shù)的耗時(shí)為0.18 ms，可以滿(mǎn)足離線語(yǔ)音識(shí)別產(chǎn)品設(shè)計(jì)的實(shí)時(shí)性要求。