摘要：與機(jī)器進(jìn)行語(yǔ)音交流，讓機(jī)器明白你說(shuō)什么，這是人們長(zhǎng)期以來(lái)夢(mèng)寐以求的事情。中國(guó)物聯(lián)網(wǎng)校企聯(lián)盟形象得把語(yǔ)音識(shí)別比做為“機(jī)器的聽(tīng)覺(jué)系統(tǒng)”。文章發(fā)表在《硅谷》上，是國(guó)家級(jí)電子論文發(fā)表范文，供同行參考。

　　關(guān)鍵詞：語(yǔ)音識(shí)別,家電遙控器,應(yīng)用前景

　　語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。語(yǔ)音識(shí)別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個(gè)方面。語(yǔ)音識(shí)別技術(shù)車聯(lián)網(wǎng)也得到了充分的引用，例如在翼卡車聯(lián)網(wǎng)中，只需按一鍵通客服人員口述即可設(shè)置目的地直接導(dǎo)航，安全、便捷。

　　1 語(yǔ)音識(shí)別算法目前，常以單片機(jī)(MCU)或DSP作炎硬件平臺(tái)的實(shí)現(xiàn)消費(fèi)類電子產(chǎn)品中的語(yǔ)音識(shí)別。這類語(yǔ)音識(shí)別主要為孤立詞識(shí)別，它有兩種實(shí)現(xiàn)方案：一種是基于隱含馬爾科夫統(tǒng)計(jì)模型(HMM)框架的非特定人識(shí)別;另一種是基于動(dòng)態(tài)規(guī)劃(DP)原理的特定人識(shí)別。它們?cè)趹?yīng)用上各有優(yōu)缺點(diǎn)。

　　HMM非特定人員的優(yōu)點(diǎn)是用戶無(wú)需經(jīng)過(guò)訓(xùn)練，可以直接使用;并且具良好的穩(wěn)定性(即對(duì)使用者而言，語(yǔ)音識(shí)別性能不會(huì)隨著時(shí)間的延長(zhǎng)而降低)。但非特定人語(yǔ)音識(shí)別也有其很難克服的缺陷。首先，使用該方法需要預(yù)先采集大量的語(yǔ)料庫(kù)，以便訓(xùn)練出相應(yīng)的識(shí)別模型，這就大大提高了應(yīng)用此技術(shù)的前期成本;其次，非特定人語(yǔ)音識(shí)別很難解決漢語(yǔ)中不同方言的問(wèn)題，限制了它的使用區(qū)域;另外還有一個(gè)因素也應(yīng)予以考慮，家電中用于控制的具體命令詞語(yǔ)最好不要完全固定，應(yīng)當(dāng)根據(jù)的用戶的習(xí)慣而改變，這一點(diǎn)在非特定人識(shí)別中幾乎不可能實(shí)現(xiàn)。

　　因此大多數(shù)家電遙控器不適合采用此方案。DP特定人識(shí)別的優(yōu)點(diǎn)是方法簡(jiǎn)單，對(duì)硬件資源要求較低;此外，這一方法中的訓(xùn)練過(guò)程也很簡(jiǎn)單，不需預(yù)先采集過(guò)多的樣本，不僅降低了前期成本，而且可以根據(jù)用戶習(xí)慣，由用戶任意定義控制項(xiàng)目的具體命令語(yǔ)句，因而適合大多數(shù)家電遙控器的應(yīng)用。DP特定識(shí)別的嚴(yán)重缺點(diǎn)是它的穩(wěn)健性不理想，對(duì)有些人的語(yǔ)音識(shí)別率高，有的人識(shí)別率卻不高;剛訓(xùn)練完時(shí)識(shí)別率較高，但隨著時(shí)間的推遲而識(shí)別率降低。些缺點(diǎn)往往給用戶帶來(lái)不便。

　　第二級(jí)根據(jù)輸入語(yǔ)音頻譜的FFT分析結(jié)果，分別計(jì)算出高頻、中頻和低頻段的能量分布特性，用來(lái)判別輕輔音、濁輔音和元音;在確定了元音、濁音段后，再向前后兩端擴(kuò)展搜索包含語(yǔ)音端點(diǎn)的幀。FRED端點(diǎn)檢測(cè)算法根據(jù)語(yǔ)音的本質(zhì)特征進(jìn)行端點(diǎn)檢測(cè)，可以更好地適應(yīng)環(huán)境的干擾和變化，提高端點(diǎn)檢測(cè)的精度。在特定人識(shí)別中，比較了常用的FED(Fast Endpoint Detection)[5]和FRED兩種端點(diǎn)檢測(cè)算法的性能。兩種算法測(cè)試使用相同的數(shù)據(jù)庫(kù)，包括7個(gè)人的錄音，每個(gè)人說(shuō)100個(gè)人名，每個(gè)人名讀3遍。測(cè)試中的DP模板訓(xùn)練和識(shí)別算法為傳統(tǒng)的固定端點(diǎn)動(dòng)態(tài)時(shí)間伸縮(DTW)模板匹配算法[4]。兩種端點(diǎn)檢測(cè)算法的識(shí)別率測(cè)試結(jié)果列在表1中。

　　語(yǔ)音識(shí)別在家電遙控器中的應(yīng)用 :

　　表1 比較FED和FRED端點(diǎn)檢測(cè)算法對(duì)DTW模板匹配識(shí)別率的影響端點(diǎn)檢測(cè)算法第1人第2人第3人第4人第5人第6人第7人平均FED92.5%87%92.6%95.6%96.2%96.8%100%94.4%FRED94.3%89.9%93.2%99.4%99.4%98.8%100%96.4%測(cè)試結(jié)果說(shuō)明：使用FRED端點(diǎn)檢測(cè)算法，所有說(shuō)話人的識(shí)別率都有了不同程度的提高。

　　因此，本系統(tǒng)采用這種兩級(jí)端點(diǎn)檢測(cè)方案。1.2 模擬匹配算法DTW是典型的DP特定人算法，為了克服自然語(yǔ)速的差異，用動(dòng)態(tài)時(shí)間規(guī)整方法將模板特征序列和語(yǔ)音特征序列進(jìn)行匹配，比較兩者之間的失真，得出識(shí)別判決的依據(jù)。假設(shè)存儲(chǔ)的一個(gè)詞條模板包括M幀倒譜特征R={r(m)m=1,2,∧,M};識(shí)別特征序列包括N幀倒譜特征T={t(n)n=1,2, ∧,N}。在r(i)和t(i)之間定義幀局部失真D(i,j),D(i,j)=|r(i)-t(i)| 2，通過(guò)動(dòng)態(tài)規(guī)劃過(guò)程，在搜索路徑中找到累積失真最小的路徑，即最優(yōu)的匹配結(jié)果。采用對(duì)稱形式DTW：其中S(i,j)是累積失真,D(i,j)是局部失真。

　　當(dāng)動(dòng)態(tài)規(guī)劃過(guò)程計(jì)算到固定結(jié)點(diǎn)(N，M)時(shí)，可以計(jì)算出該模板動(dòng)態(tài)匹配的歸一化距離，識(shí)別結(jié)果即該歸一化距離最小的模板詞條：x=argmin{S(N,Mx)}。為了提高DTW識(shí)別算法的識(shí)別性能和模板的穩(wěn)健性，提出了雙模板策略，即x=argmin{S(N,M2x)}。第一次輸入的訓(xùn)練詞條存儲(chǔ)為第一個(gè)模板，第二次輸入的相同訓(xùn)練詞條存儲(chǔ)為第二個(gè)模板，希望每個(gè)詞條通過(guò)兩個(gè)較穩(wěn)健的模板來(lái)保持較高的識(shí)別性能。與上面測(cè)試相同，也利用7個(gè)人說(shuō)的100個(gè)人名，每個(gè)人名含3遍的數(shù)據(jù)庫(kù)，比較DTW單模板和雙模板的性能差別，結(jié)果更在表2中。

　　論文語(yǔ)音識(shí)別在家電遙控器中的應(yīng)用

　　表2 DTW不同模板數(shù)的識(shí)別率比較DTW第1人第2人第3人第4人第5人第6人第7人平均單模板94.3%89.9%93.2%99.4%99.4%98.8%100%96.4%雙模板99.4%96.6%98.5%100%100%98.8%100%99.0%測(cè)試結(jié)果說(shuō)明：通過(guò)存儲(chǔ)兩個(gè)模板，相當(dāng)大地提高了DTW識(shí)別的性能，其穩(wěn)健性也有很大的提高。因此，對(duì)特定人識(shí)別系統(tǒng)，采用DTW雙模板是簡(jiǎn)單有效的策略。綜上所述，該嵌入式語(yǔ)音識(shí)別芯片系統(tǒng)采用了改進(jìn)端點(diǎn)檢測(cè)性能的FRED算法，12階Mel頻標(biāo)倒譜參數(shù)(MFCC)作為特征參數(shù)，使用雙模板訓(xùn)練識(shí)別策略。

　　通過(guò)一系列測(cè)試，證明該系統(tǒng)對(duì)特定人的識(shí)別達(dá)到了很好的識(shí)別性能，完全可以滿足家用電器中聲控應(yīng)用的要求。2 語(yǔ)音控制遙控器設(shè)計(jì)目前家用遙控器主要為按鍵式，并有兩種類型：一種是固定碼型，每個(gè)鍵對(duì)應(yīng)一種或幾種碼型，都是生產(chǎn)廠家預(yù)先設(shè)定好的，用戶不能更改;另一種是學(xué)習(xí)型，具有自我學(xué)習(xí)遙控碼的功能，可由用戶定義遙控器的每個(gè)鍵對(duì)應(yīng)的碼型，它能夠?qū)⒍喾N遙控器集于一身，用一個(gè)遙控器就可控制多個(gè)家電，又可以作為原配遙控器的備份。由于現(xiàn)代家電功能不斷增加，上述兩種遙控器都有按鍵過(guò)多，用戶不易記住每個(gè)鍵的含義等問(wèn)題。將語(yǔ)音識(shí)別技術(shù)應(yīng)用于學(xué)習(xí)型遙控器，利用語(yǔ)音命令代替按者對(duì)命令的記憶和使用，同時(shí)省去了大量按鍵，縮小了遙控器的體積。

　　語(yǔ)音控制遙控器的硬件框圖如圖2所示，它由兩個(gè)獨(dú)立的模塊組成：語(yǔ)音信號(hào)處理模塊和系統(tǒng)控制模塊。語(yǔ)音信號(hào)算是模塊由DSP、快閃存儲(chǔ)器(FLASH)、編解碼器(CODEC)組成。其中DSP是整個(gè)語(yǔ)音識(shí)別模塊的核心，負(fù)責(zé)語(yǔ)音識(shí)別、語(yǔ)音編解碼，以及FLASH的讀寫控制。

　　FLASH和CODEC也都選用3.3V工作電壓的芯片。FLASH為美國(guó)ATMEL公司的AT29LV040A(4M Bit)，它作為系統(tǒng)的存儲(chǔ)器，主要用于存放以下內(nèi)容：提示語(yǔ)音合成所需的參數(shù)，特定人訓(xùn)練后的碼本數(shù)據(jù)，DSP系統(tǒng)的應(yīng)用程序和學(xué)習(xí)和遙控碼數(shù)據(jù)。CODEC選用美國(guó)TI公司的TLV320AC37，用來(lái)進(jìn)行A/D、D/A變換、編碼和解碼。系統(tǒng)控制模塊由單片機(jī)、紅外接收發(fā)送器、電源管理電路組成。單片機(jī)負(fù)責(zé)整個(gè)遙控器的系統(tǒng)控制。單片機(jī)作為主控芯片，進(jìn)行鍵盤掃描，根據(jù)用戶通過(guò)鍵盤輸入的指令，分別完成學(xué)習(xí)遙控碼;控制DSP進(jìn)行語(yǔ)音訓(xùn)練、回放、識(shí)別;將識(shí)別結(jié)果轉(zhuǎn)換成相應(yīng)的遙控碼，通過(guò)紅外發(fā)光管發(fā)射出去。單片機(jī)與DSP之間通過(guò)標(biāo)準(zhǔn)的RS232串行協(xié)議通訊。

　　語(yǔ)音識(shí)別在家電遙控器中的應(yīng)用 :

　　系統(tǒng)的控制軟件流程圖如圖3所示。在使用前，按“學(xué)習(xí)鍵”進(jìn)入學(xué)習(xí)狀態(tài)，用戶先對(duì)學(xué)習(xí)型遙控器訓(xùn)練語(yǔ)音命令，并使其學(xué)習(xí)與各語(yǔ)音命令相對(duì)應(yīng)的原理控碼型。使用時(shí)按“識(shí)別鍵”，進(jìn)入語(yǔ)音識(shí)別狀態(tài)，等待語(yǔ)音處理模塊返回結(jié)果，若返回正確的識(shí)別結(jié)果，則把相應(yīng)的遙控碼發(fā)射出去。

　　例如，原電視遙控器數(shù)字鍵“1”對(duì)應(yīng)中央1臺(tái)，用戶的訓(xùn)練命令為“中央1臺(tái)”，學(xué)習(xí)了原遙控器的數(shù)字鍵“1”的遙控碼，并使其與訓(xùn)練命令“中央1臺(tái)”對(duì)應(yīng)起來(lái)。于是使用時(shí)只需對(duì)著學(xué)習(xí)型遙控器的麥克風(fēng)說(shuō)出“中央1臺(tái)”，電視就會(huì)切換到中央1臺(tái)。這樣用戶不需要記住每個(gè)電視臺(tái)與臺(tái)號(hào)的對(duì)應(yīng)關(guān)系，相對(duì)于枯燥的頻道數(shù)字，用戶自定義的命令更容易記住。若連續(xù)的30秒無(wú)正確的命令則遙控器進(jìn)入休眠狀態(tài)，單片機(jī)控制電源管理電路切換DSP和FLASH電源，單片機(jī)本身也進(jìn)入休眠狀態(tài)，直至用戶按鍵，喚醒單片機(jī)，再由單片機(jī)控制恢復(fù)DSP和FLASH供電，重新開(kāi)始工作。

　　這是因?yàn)檎麄€(gè)系統(tǒng)中，DSP的功耗最大，長(zhǎng)時(shí)間不用時(shí)，關(guān)閉語(yǔ)音信號(hào)處理模塊，可以顯著地降低整個(gè)系統(tǒng)的功耗。從實(shí)驗(yàn)室走向市場(chǎng)的過(guò)程中，可靠性與成本是遇到的最大挑戰(zhàn)。采用雙模板的DTW和兩組端點(diǎn)檢測(cè)FRED算法，可在系統(tǒng)資源和反應(yīng)延時(shí)增加極小的情況下，有效地提高識(shí)別率和穩(wěn)健性。該項(xiàng)技術(shù)成功地運(yùn)用在學(xué)習(xí)型遙控器上，展現(xiàn)了語(yǔ)音識(shí)別技術(shù)在家電領(lǐng)域的廣闊前景。

　　職稱電子論文快速發(fā)表：《硅谷》雜志是由中國(guó)科學(xué)技術(shù)協(xié)會(huì)主管，中國(guó)科技新聞學(xué)會(huì)主辦，經(jīng)國(guó)家新聞出版總署批準(zhǔn)，國(guó)內(nèi)外公開(kāi)發(fā)行的國(guó)家級(jí)科技類學(xué)術(shù)刊物。