語音識別是機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本文件或命令的高技術(shù)。作為專門的研究領(lǐng)域，語音識別又是一門交叉學科，它與聲學、語音學、語言學、數(shù)字信號處理理論、信息論、計算機科學等眾多學科緊密相連。語音識別經(jīng)過四十多年的發(fā)展，已經(jīng)顯示出巨大的應(yīng)用前景。本文從實現(xiàn)原理入手，介紹語音識別系統(tǒng)的實現(xiàn)方式。

　　1 概述

　　本漢語語音識別系統(tǒng)是一個非特定人的、孤立音語音識別系統(tǒng)。其中孤立音至少包括漢語的400多個調(diào)音節(jié)（不考慮聲調(diào)）以及一些常用的詞組。識別系統(tǒng)主要用于手持設(shè)備，如手機、掌上電腦。這些設(shè)備的CPU一般是DSP，硬件資源十分有限，而且大多不支持浮點運算。那么，對系統(tǒng)各個部分的設(shè)計首要考慮的是系統(tǒng)對硬件資源的開銷必須盡量的小，不能超過這些設(shè)備的限制。硬件資源的開銷包括存儲模型參數(shù)的開銷，以及識別過程中對內(nèi)存、DSP的運行時間的開銷。

　　2 實現(xiàn)流程

　　一般的語音處理流程圖如圖1所示。

　　圖1 語音識別系統(tǒng)的處理流圖

　　在語音識別系統(tǒng)中，模擬的語音信號在完成A/D轉(zhuǎn)換后成為數(shù)字信號，但時域上的語音信號很難直接用于識別，因此需要從語音信號中提取語音的特征，一方面可以獲得語音的本質(zhì)特征，另一方面也起到數(shù)據(jù)壓縮的作用。輸入的模擬語音信號首先要進行預(yù)處理，包括預(yù)濾波、采樣和量化、加窗、端點檢測、預(yù)加重等。語音識別系統(tǒng)的模型通常由聲學模型和語言模型兩部分組成，分別對應(yīng)于語音到半音節(jié)概率的計算和半音節(jié)到字概率的計算。

　　3 特征提取

　　目前通用的特征提取方法是基于語音幀的，即將語音信號分為有重疊的若干幀，對每一幀提取語音特征。由于本技術(shù)方案采用的語音庫采樣率為8 kHz，因此采用幀長為256個采樣點（即32 ms），幀步長或幀移（即每一幀語音與上一幀語音不重疊的長度）為80個采樣點（即10 ms）。

　　現(xiàn)有語音識別系統(tǒng)采用的最主要的兩種語音特征包括：

　　線性預(yù)測倒譜參數(shù)（Linear Prediction Cepstrum Coefficient，LPCC），該特征是基于語音信號為自回歸信號的假設(shè)，利用線性預(yù)測分析獲得倒譜參數(shù)。LPCC參數(shù)的優(yōu)點是計算量小，對元音有較好的描述能力，其缺點在于對輔音的描述能力較差，抗噪聲性能較差。

　　Mel 頻標倒譜參數(shù)（Mel Frequency Cepstrum Coefficient，MFCC），該特征考慮了人耳的聽覺特性，將頻譜轉(zhuǎn)化為基于Mel頻標的非線性頻譜，然后轉(zhuǎn)換到倒譜域上。由于充分模擬了人的聽覺特性，而且沒有任何前提假設(shè)，MFCC參數(shù)具有識別性能和抗噪能力，實驗證明在漢語數(shù)碼語音識別中MFCC 參數(shù)的性能明顯優(yōu)于LPCC參數(shù)，因此本技術(shù)方案采用MFCC參數(shù)為語音特征參數(shù)。

　　求MFCC參數(shù)的大致過程為：

　　對輸入語音幀加Hamming窗后做快速傅里葉變換（Fast Fourier Transformation，F(xiàn)FT），將時域信號轉(zhuǎn)化為頻域信號。

　　將線性頻標轉(zhuǎn)化為Mel頻標。轉(zhuǎn)化方法是將頻域信號通過24個三角濾波器，其中中心頻率在1 000 Hz以上和以下的各12個。濾波器的中心頻率間隔特點是在1000Hz以下為線性分布，1 000 Hz以上為等比數(shù)列分布。三角濾波器的輸出為：

　　式中：Xk為頻譜上第k個頻譜點的能量；Yi為第i個濾波器的輸出；Fi為第i個濾波器的中心頻率。

　　用離散余弦變換（Discrete Cosine Transformation，DCT）將濾波器輸出變換到倒譜域：

　　式中：p為MFCC參數(shù)的階數(shù)，這里取p = 12.{Ck}k = 1，2，…，12即為所求的MFCC參數(shù)。

　　為體現(xiàn)語音的動態(tài)特性，在語音特征中加入了一階差分倒譜，其計算方法如下式所示：

　　式中下標l與l - k表示第l與l - k幀；m表示第m維。

　　MFCC參數(shù)計算的要點是將線性功率譜S（n）轉(zhuǎn)換成為Mel頻率下的功率譜，這需要在計算之前先在語音的頻譜范圍內(nèi)設(shè)置若干個帶通濾波器Hm（n），m= 0，1，2，…，M - 1，n = 0，1，2，…，N/2 - 1.M為濾波器個數(shù)，N為一幀語音信號的點數(shù)。每個濾波器具有三角形特性，其中心頻率為fm，它們在Mel頻率軸上是均勻分布的。在線性頻率上，當m 較小時相鄰的fm間隔很小，隨著m的增加相鄰的fm間隔逐漸拉開。Mel頻率和線性頻率的轉(zhuǎn)換關(guān)系如下：

　　這些帶通濾波器的參數(shù)是事先計算好的。圖2給出了濾波器組的分布圖，其中M 選擇為26，F(xiàn)FT點數(shù)N為256，語音信號的采樣頻率為8000 Hz。

　　圖2 利用人耳仿生學特性設(shè)計的Mel尺度濾波器組

　　4 測度估計

　　測度估計技術(shù)可以采用動態(tài)時間彎折DTW、隱馬爾可夫模型HMM或人工神經(jīng)網(wǎng)ANN等算法，本項目采用國際上最先進的HMM，這樣能夠比較容易的實現(xiàn)非特定人，而且系統(tǒng)結(jié)構(gòu)也比較靈活、一致。

　　根據(jù)描述的語音單位的大小，HMM可分為：基于整詞模型的HMM（Word based HMM）。其優(yōu)點為可以很好地描述詞內(nèi)音素協(xié)同發(fā)音的特點，建模過程也較為簡單。因此很多小詞匯量語音識別系統(tǒng)均采用整詞模型HMM.但在大詞匯量語音識別中由于所需建立的模型太多而無法使用。

　　基于子詞模型的HMM（Sub Word based HMM）。該類HMM描述的語音單位比詞小，如英語語音識別中的基本音素，漢語語音識別中的半音節(jié)等。其優(yōu)點為模型總數(shù)少，所以在大詞匯量語音識別中得到了廣泛的應(yīng)用。其缺點在于其描述詞內(nèi)協(xié)同發(fā)音的能力劣于整詞模型，但由于子詞模型已經(jīng)得到了非常充分的研究，所以近年來在很多小詞表應(yīng)用識別系統(tǒng)中也用了子詞模型。本技術(shù)方案采用基于半音節(jié)（即聲、韻母）的語音建模方法，其識別模型拓撲結(jié)構(gòu)如圖3 所示，其中靜音HMM采用1個狀態(tài)，每一聲母模型采用2個狀態(tài)，每一韻母模型采用4個狀態(tài)。

　　圖3 識別模型拓撲結(jié)構(gòu)

　　根據(jù)輸出概率分布的不同，HMM（隱含馬爾科夫模型）可分為：

　　離散HMM（Discrete HMM，DHMM）。其輸出概率是基于一套碼本的離散概率分布，其優(yōu)點在于由于實現(xiàn)了存儲量和計算量都較小，所需的訓練語音也較少，但其矢量量化的過程會造成性能的損失。

　　連續(xù)HMM（Continuous Density HMM，CDHMM）。其輸出概率是連續(xù)概率密度函數(shù)（一般是高斯混合密度函數(shù)）。其所需的訓練語音較多，模型參數(shù)存儲量和計算量都較大，在訓練語音足夠時，其性能優(yōu)于DHMM.

　　半連續(xù)HMM（Semi Continuous HMM，SCHMM）。SCHMM是DHMM和CDHMM的折衷，與DHMM相似，其輸出為一套碼本，但每個碼字均為一個連續(xù)概率密度分布函數(shù)，這一點與CDHMM相近。其性能和所需的訓練語音等均介于DHMM和CDHMM之間。

　　考慮到漢語數(shù)碼語音所需的模型較少，很容易獲得足夠多的訓練語音，因此本技術(shù)方案采用了CDHMM為語音模型。

　　狀態(tài)輸出概率分布為混合高斯密度函數(shù)。其各分量計算如下：

　　總的概率輸出即為各分量的加權(quán)和：

　　式中：s表示當前狀態(tài)；M為混合分量數(shù)；u，Σ ，c分別為各混合分量的均值矢量、協(xié)方差矩陣和混合分量系數(shù)。

　　該算法利用Viterbi譯碼的過程進行幀同步的搜索，易于實時實現(xiàn)，也容易納入語法信息?？紤]到系統(tǒng)的實時實現(xiàn)性，本技術(shù)方案采用Viterbi譯碼作為系統(tǒng)的搜索算法。

　　5 試驗結(jié)果

　　在漢語全音節(jié)與詞組混合的語音識別任務(wù)中，得到的初步實驗結(jié)果為：PC微機浮點算法條件下正確覆蓋率不低于98%，定點算法的正確覆蓋率不低于97%。DSP嵌入系統(tǒng)定點條件下正確覆蓋率不低于96%。系統(tǒng)的響應(yīng)時間滿足實時識別的要求。通過測試組嚴格的檢查及抽樣測試，證明上述結(jié)果真實可靠，該輸入法基本達到實用化要求。

　　6 結(jié)語

　　語音漢字輸入技術(shù)的研發(fā)是具有重大經(jīng)濟和社會意義的課題，該項目采用孤立語音的全音節(jié)和詞組的混合識別模式，使用連續(xù)概率分布非特定人的聲學模型，并輔以多候選的人機交互方式，較好地實現(xiàn)了在移動（便攜式）電子設(shè)備上資源有限的條件下方便快捷的漢字語音輸入。