周揚(yáng)++孫玲玲++馬德

摘 要：文中首先提出漢語語音識別中存在的關(guān)鍵問題，通過對相關(guān)算法的研究，對技術(shù)進(jìn)行改進(jìn)，從而使語音的識別率更高、計(jì)算時(shí)識別模型收斂更快。文中使用Matlab進(jìn)行程序編寫，在HMM上構(gòu)建了漢語數(shù)字語音識別系統(tǒng)，對比了HMM對于孤立詞與連接詞的辨別能力，同時(shí)還對比分析了其與DTW對于孤立詞的識別能力，發(fā)現(xiàn)兩種方法各有優(yōu)缺點(diǎn)，并針對其不足之處提出了改進(jìn)方法。

關(guān)鍵詞：語音識別；HMM算法；Matlab；孤立詞；連接詞

中圖分類號：TP39；TN912 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2017）10-00-03

0 引 言

當(dāng)今社會人與人之間交流的方式很多，如視頻、語音等。其中，語音是人們使用最頻繁、最方便也是最快捷的溝通方式。語言是人類具備的一種技能，聲音是語言能夠存在的基礎(chǔ)，人們依靠聲音發(fā)出信息、實(shí)現(xiàn)相互溝通。語音信號是人類表達(dá)內(nèi)心想法與情緒的重要方式。語音識別技術(shù)可以幫助促進(jìn)人類之間的交流（HHC）。過去，人們通過不同的語言交流時(shí)，必須要一個(gè)人作為翻譯，極大地限制了人們的可選交流對象，同時(shí)也抑制了交流機(jī)會。此外，語音識別技術(shù)也可以極大地提升人機(jī)交流（HMC）能力，包括語音搜索，個(gè)人數(shù)碼助理，游戲等交互系統(tǒng)。語音識別技術(shù)涵蓋多門學(xué)科，如今作為一種信息傳遞方式在信息研究領(lǐng)域受到較大關(guān)注。與其相似的科學(xué)技術(shù)還有語音學(xué)、語言學(xué)、數(shù)理統(tǒng)計(jì)學(xué)和神經(jīng)生理學(xué)等。

1 語音識別系統(tǒng)的設(shè)計(jì)與說明

基于HMM的漢語數(shù)字語音識別系統(tǒng)如圖1所示。

一個(gè)馬爾科夫鏈q1T=q1，q2，…，qT，可被轉(zhuǎn)移概率完全表示，定義為：

如果這些轉(zhuǎn)移概率與時(shí)間t無關(guān)，則得到其次馬爾科夫鏈。當(dāng)一個(gè)離散狀態(tài)的值被化為一個(gè)新的隨機(jī)變量（離散或連續(xù)）時(shí)，馬爾科夫鏈一般會被化為（離散或連續(xù)）隱馬爾科夫序列，或當(dāng)它用于表征或接近真實(shí)世界數(shù)據(jù)序列的統(tǒng)計(jì)特性時(shí)便被一般化為隱馬爾科夫模型。作為馬爾科夫鏈的一種擴(kuò)展，隱馬爾科夫序列在各個(gè)狀態(tài)中引入了一種隨機(jī)性。隱馬爾科夫序列在馬爾科夫鏈的基礎(chǔ)上，用一個(gè)觀測的概率分布與每一個(gè)狀態(tài)對應(yīng)，而非確定的觀察值或事件。這樣的馬爾科夫鏈序列引入了雙重隨機(jī)性，使得馬爾科夫鏈不再能被直接觀測。隱藏在馬爾科夫序列下的馬爾科夫鏈只能通過一個(gè)單獨(dú)的觀測概率分布函數(shù)表現(xiàn)出來。假設(shè)觀察概率分布為P（ot|s（i）），i=1，2，…，N。

若ot是離散的，每個(gè)狀態(tài)對應(yīng)的概率分布用來描述觀察{v1，v2，…，vk}的概率：

在語音處理問題中，我們用HMM下的PDF（Probability Density Function，PDF）來描述連續(xù)觀察向量的概率分布，其中多元高斯分布是最成功，應(yīng)用最廣泛的PDF：

在混合高斯HMM中，參數(shù)集Λi由混合成分的權(quán)重ci，m，高斯分布的均值向量與高斯分布協(xié)方差矩陣組成。

本文采用EM算法來訓(xùn)練HMM模型的參數(shù)。當(dāng)統(tǒng)計(jì)模型中含有潛在或隱藏的隨機(jī)變量時(shí)，最大似然度估計(jì)就會變得困難，而EM算法則顯得更有效率。EM算法能使得我們避免直接優(yōu)化觀測數(shù)據(jù)o的PDF，因?yàn)橹苯佑?jì)算太困難。EM算法的主要特征包括以下幾點(diǎn)：

（1）它提供的僅是一個(gè)局部，而非全局針對局部觀測值的似然度最優(yōu)化結(jié)果。

（2）算法需要提供針對未知變量的初始化值，同時(shí)對大部分迭代過程來說，一個(gè)好的初始化值能夠帶來更好的收斂和最大化似然度估計(jì)結(jié)果。

（3）對完整的數(shù)據(jù)集的選擇需要根據(jù)實(shí)際情況進(jìn)行變更。

本文用于解碼HMM狀態(tài)序列所采用的算法是維特比算法（Viterbi Algorithm），該算法屬于動態(tài)規(guī)劃運(yùn)算法則。這種算法常用于馬爾科夫信息源上下文和隱馬爾科夫模型，主要作用是找出維特比路徑-隱含狀態(tài)序列，這類序列生成觀測事件的概率最高?！熬S特比路徑”和“維特比算法”是專業(yè)用語，這兩種方法主要用于找出對動態(tài)規(guī)劃算法進(jìn)行解釋的結(jié)果。動態(tài)規(guī)劃算法可以用在統(tǒng)計(jì)句法分析中，其能夠大大提高尋找出與文章關(guān)聯(lián)性較弱的派生字符串，這一過程也稱為“維特比分析”。

現(xiàn)在假定隱馬爾科夫模型（HMM）狀態(tài)空間為S，部分初始狀態(tài)i可能轉(zhuǎn)化為狀態(tài)j，這種可能性用概率ai，j表示。y1，…，yt表示通過觀測與分析得到的輸出。最終形成的結(jié)果中概率最大的狀態(tài)序列x1，…，xt通過遞推關(guān)系求解：

其中Vt，k為概率，表示范圍在t之前的最終狀態(tài)為k的觀測結(jié)果中所對應(yīng)的狀態(tài)序列可能性的最大概率。操作過程中后向指針進(jìn)行實(shí)時(shí)儲存，以防止使用狀態(tài)x遺失，從而得到維特比路徑。在此強(qiáng)調(diào)函數(shù)Ptr（xt，t），其反饋信息中如果t>1則運(yùn)算求解Vt，k所使用的x值，若t=1則計(jì)算k。如下式：

使用argmax的標(biāo)準(zhǔn)定義。算法的復(fù)雜度為O（T×|S|2）。

本文采用的維特比為對數(shù)形式，計(jì)算中出現(xiàn)的所有概率均換算為對數(shù)形式。其中，當(dāng)概率為0時(shí)，對其取對數(shù)會導(dǎo)致下溢。針對這一問題，本研究將維特比程序進(jìn)行了改進(jìn)，建立find函數(shù)，找出不為0的元素的下標(biāo)，利用下標(biāo)為trans矩陣中的各個(gè)元素設(shè)定數(shù)值，從而避免出現(xiàn)對0取對數(shù)的錯誤而導(dǎo)致警報(bào)。

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)過程

首先通過麥克風(fēng)與PC機(jī)手機(jī)錄音機(jī)錄入語音信號。參數(shù)設(shè)置如下：采樣頻率與精度分別取11 025 Hz與16 b。建立多個(gè)內(nèi)容相同的語音樣本，這一步驟通過要求多人依次讀出 “0～9”的各個(gè)數(shù)字并進(jìn)行錄入實(shí)現(xiàn)，獲取的樣本存放在語音庫中，用于孤立數(shù)字識別。連續(xù)讀出5～7的樣本，通過處理后得到的波形如圖2所示。

進(jìn)行端點(diǎn)檢測，在端點(diǎn)檢測之前，需要對采樣后的語音進(jìn)行分幀操作。通過這項(xiàng)處理后才能算出短時(shí)能量和過零率參數(shù)，之后，通過過零率的端點(diǎn)檢測算法對端點(diǎn)進(jìn)行檢驗(yàn)測試。求解短時(shí)能量前必須對語音信號進(jìn)行處理：將信號送入一階濾波裝置，過濾掉低頻部分以突出高頻信息，之后對信息進(jìn)行分幀。在本研究中，將能量取絕對值以表示平均幅度。部分結(jié)果如圖3所示。endprint

選取LPCC參數(shù)、MFCC參數(shù)作為特征參數(shù)，兩者均為12階。另外對兩者進(jìn)行一階差分（共24維）計(jì)算，求得的參數(shù)也作為特征參數(shù)。求解MFCC參數(shù)時(shí)，人的發(fā)聲系統(tǒng)被視作由濾波器組成的系統(tǒng)，MFCC參數(shù)就是這其中具有不同功能的濾波器參數(shù)。

依次求解序列組中各參數(shù)的輸出概率，并進(jìn)行相加得到總概率，疊加過程中設(shè)定一參數(shù)作為運(yùn)算中止依據(jù)，當(dāng)概率的相對變化小于該參數(shù)時(shí)運(yùn)算不再繼續(xù)。本研究中選用除0之外的自然數(shù)并將其自由組合為多組，因此需要建立單元數(shù)組，規(guī)格為1行10列。之后啟動錄音設(shè)備進(jìn)行錄音，再通過循環(huán)程序?qū)浫氲恼Z音信號導(dǎo)入數(shù)組中，數(shù)組中包含了觀察序列的信息。然后在Matlab軟件中使用訓(xùn)練函數(shù)em train進(jìn)行訓(xùn)練仿真，最終得到一組結(jié)構(gòu)數(shù)組，其中各元素即每一個(gè)數(shù)字均為HMM型構(gòu)造。圖4所示為運(yùn)算收斂后的最終結(jié)果。

將HMM模型的參數(shù)與語音樣本觀察序列導(dǎo)入識別程序，通過計(jì)算求解得到這一序列成功輸出的概率，同時(shí)提供輸出的最優(yōu)路徑。HMM通常采用維特比算法進(jìn)行識別，包含這一算法的軟件有Matlab，算法存在于該軟件語音工具箱的程序viterbi.m中。

2.2 識別仿真結(jié)果

表1為用Matlab對數(shù)字0～9識別模擬的結(jié)果。其中，各行中的數(shù)字即為相對應(yīng)的語音應(yīng)用在不同數(shù)學(xué)模型時(shí)被成功解碼的概率。表中的概率為負(fù)值，這與一般意義上的概率不同。導(dǎo)致概率為負(fù)的原因是操作過程中為了避免數(shù)據(jù)下溢而對維特比算法進(jìn)行了修改，將求得的參數(shù)進(jìn)行了對數(shù)換算，由于概率值小于1，因此取對數(shù)后為負(fù)值。從表中可以看出，各行最大值呈對角線分布，這一現(xiàn)象反應(yīng)語音被成功識別。

本文研究了孤立數(shù)字和連接數(shù)字串的語音識別，特征提取選用了兩種方法，分別為12維的LPCC、24維的MFCC，表2所列為驗(yàn)證結(jié)果。

根據(jù)表中數(shù)據(jù)分析，HMI法能夠成功識別大部分連接詞，但是對孤立詞的識別能力較弱。對于選用不同參數(shù)得到的識別結(jié)果，使用MFCC方法時(shí)語音識別率高，但計(jì)算程序繁瑣，識別過程需消耗大量時(shí)間。

2.3 基于HMM和DTW條件的識別對比

DTW主要用于識別孤立元素，本研究對這一方法進(jìn)行了實(shí)驗(yàn)?zāi)M，以檢驗(yàn)其對孤立詞的識別能力。特征參數(shù)選用12維LPCC系數(shù)和24維MFCC系數(shù)，實(shí)驗(yàn)結(jié)果見表3所列。

對于不同的算法DTW與HMM，本研究中均使用相同的特征矢量進(jìn)行實(shí)驗(yàn)，現(xiàn)將使用兩種方法得到的實(shí)驗(yàn)結(jié)果表進(jìn)行合并得到表4。由表4可知，使用MFCC方法的識別結(jié)果普遍優(yōu)于LPCC。此外，使用兩種參數(shù)時(shí)，HMM法的語音辨別能力均高于DTW法。使用MFCC參數(shù)時(shí)兩者相差不大，使用LPCC參數(shù)時(shí)兩者相差大于10%。但DTW法相比與HMM法更適合用于孤立詞的辨別。

3 結(jié) 語

語音識別技術(shù)涵蓋多門學(xué)科，如今作為一種信息傳遞方式在信息研究領(lǐng)域受到較大關(guān)注，具有很高的研究價(jià)值與商業(yè)使用前景。與其相似的科學(xué)技術(shù)還有語音學(xué)、語言學(xué)、數(shù)理統(tǒng)計(jì)學(xué)和神經(jīng)生理學(xué)等。本文將漢語數(shù)字語音識別作為研究對象，通過對系統(tǒng)的研究與應(yīng)用，提出了若干使語音識別效果提升的方法。研究的主要內(nèi)容與目前收獲的成果有：對隱馬爾科夫模型（HMM）原理進(jìn)行了探索，并將其用于語音識別的研究。通過仿真模擬，得到了使用HMM法的語音識別結(jié)果，過程中進(jìn)行了程序設(shè)置，并研究了人機(jī)交互界面。通過分析實(shí)驗(yàn)數(shù)據(jù)總結(jié)出一些規(guī)律。MFCC參數(shù)法比LPCC法更適用于語音識別。DTW法相比HMM法更適合用于辨別孤立詞。HMM法在連接詞的識別中具有優(yōu)勢。

參考文獻(xiàn)

[1]易克初，田斌，付強(qiáng).語音信號處理[M].北京：國防工業(yè)出版社，2000.

[2]蔡蓮紅，黃德智，蔡銳.現(xiàn)代語音技術(shù)基礎(chǔ)與應(yīng)用[M].北京：清華大學(xué)出版社，2003.

[3]趙力.語音信號處理[M].北京：機(jī)械工業(yè)出版社，2013.

[4]胡光銳.語音處理與識別[M].上海：上海科學(xué)技術(shù)文獻(xiàn)出版社，1994.

[5]何英，何強(qiáng).MATLAB擴(kuò)展編程[M].北京：清華大學(xué)出版社，2002.

[6] Lawrence Rabiner， Biing-Hwang Juang. Fundamentals of Speech Recognition[M]. Beijing：Tsinghua University Press ， 1999.

[7]楊行峻，遲惠生.語音信號數(shù)字處理[M].北京：電子工業(yè)出版社，1995.

[8]李虎生.漢語數(shù)碼串語音識別及說話人自適應(yīng)[D].北京：清華大學(xué)，2012.

[9]俞棟，鄧力，俞凱.解析深度學(xué)習(xí)：語音識別實(shí)踐[M].北京：電子工業(yè)出版社，2016：17-38.endprint