江躍龍，龔儉龍，鐘宇軒，楊世杰，黃震

（1.廣州鐵路職業(yè)技術(shù)學(xué)院，廣州 510610；2.廣東交通職業(yè)技術(shù)學(xué)院，廣州 510650）

0 引言

人的自生以來的聽覺系統(tǒng)是非常特殊的一個(gè)非線性系統(tǒng)，人類的耳朵能夠響應(yīng)不同頻率信號[2]。因此，在語音特征提取方面，借助人類與生俱來的聽覺系統(tǒng)，它不僅能夠提取語義的信息，同時(shí)還可以提取說話人的特征，這些人類的特性在現(xiàn)有的語音識別系統(tǒng)所望洋興嘆。本文設(shè)計(jì)秉承“綠色環(huán)保、節(jié)能減排”與“深度學(xué)習(xí)人工智能”的設(shè)計(jì)理念，將以MFCC 特征提取技術(shù)與全新節(jié)能技術(shù)融入人工智能應(yīng)用領(lǐng)域中。

1 系統(tǒng)設(shè)計(jì)思路與實(shí)現(xiàn)

本文將基于MFCC 特征提取的全新節(jié)能機(jī)器人進(jìn)行了研究，并將面向服務(wù)的深度學(xué)習(xí)技術(shù)應(yīng)用，其中構(gòu)建了原始語音信號頻譜和預(yù)加重后語音信號頻譜分析和特征提取。本文實(shí)現(xiàn)的功能：基于MFCC 特征提取的智能語音識別交互控制的機(jī)器人與無線Wi-Fi 通信技術(shù)及紅外控制技術(shù)相結(jié)合，實(shí)現(xiàn)與人進(jìn)行交流對話、查詢天氣、查詢時(shí)間、語音控制等功能。硬件模塊由太陽能光伏供電模塊、ARM 處理器主控模塊、無線Wi-Fi通信模塊、LCD 顯示模塊、檢測室內(nèi)環(huán)境傳感器模塊、MIC 輸入模塊、語音處理模塊以及人工智能處理模塊等組成，其系統(tǒng)總體設(shè)計(jì)框圖如圖1所示。

2 語音信號提取預(yù)處理

全新節(jié)能機(jī)器人在復(fù)雜的應(yīng)用環(huán)境下，作為語音類應(yīng)用的前端接口，語音信號預(yù)處理顯得尤為重要，其可以細(xì)分出處理噪聲干擾的語音增強(qiáng)和處理人聲干擾的語音分離[1]。語音在實(shí)際的傳輸過程中，環(huán)境噪聲和人的聲音干擾都會對全新節(jié)能機(jī)器人語音識別產(chǎn)生一定的影響，使得語音的質(zhì)量和可懂性能大大地下降，同時(shí)也給后續(xù)全新節(jié)能機(jī)器人語音識別方面的應(yīng)用帶來挑戰(zhàn)，例如語音識別、說話人的語音識別等。

圖1 系統(tǒng)總體設(shè)計(jì)框圖

2.1 語音輸入

利用麥克風(fēng)陣列的語音輸入設(shè)備進(jìn)行語音原始未經(jīng)處理信號進(jìn)行錄制。由本人錄音，在無噪音環(huán)境下錄制“小云”語音為實(shí)驗(yàn)的對象，經(jīng)過格式轉(zhuǎn)換后，實(shí)驗(yàn)語音數(shù)據(jù)分別命名為xiaoyun.wav。該關(guān)鍵詞的“小云”語音信號是在較為安靜的環(huán)境下錄制而成的。在釆集的該語音輸入信號過程當(dāng)中，將會直接消除或減少語音輸入時(shí)間序列數(shù)據(jù)受偶然性因素干擾而產(chǎn)生不規(guī)則樣本或說話人自己造成的不規(guī)則樣本。

2.2 語音預(yù)處理

預(yù)處理的常用方法有預(yù)加重、端點(diǎn)檢測、分幀、聲道轉(zhuǎn)換、去加重、加窗、重采樣等，不同的語音識別在預(yù)處理方法和處理順序上有一定差別。在進(jìn)行關(guān)鍵詞“小云”語音信號特征提取之前，都要對原始序列做一系列的預(yù)處理，目的是盡可能保證后續(xù)語音處理得到的信號更均勻、平滑，為信號參數(shù)提取提供優(yōu)質(zhì)的參數(shù)，提高語音處理質(zhì)量，同時(shí)，消除采集語音信號的設(shè)備所帶來的混疊、高次諧波失真、高頻等因素，以免對關(guān)鍵詞的“小云”語音信號質(zhì)量的影響。

2.3 語音信號預(yù)加重

語音信號預(yù)加重（Pre-emphasis）是一種將低頻段關(guān)鍵詞“小云”語音信號能量放大，在高頻段的信號能量變小。因此，在傳輸之前把關(guān)鍵詞“小云”語音信號的高頻部分進(jìn)行處理（如加重處理），然后接收端再去重處理，以此來提高信號的傳輸質(zhì)量，要在對關(guān)鍵詞“小云”語音信號進(jìn)行分析之前對其高頻部分加以提升，以便于關(guān)鍵詞“小云”信號的頻譜分析或者聲道參數(shù)分析。

設(shè)關(guān)鍵詞“小云”語音信號t 時(shí)刻的語音采樣為S（t），經(jīng)預(yù)加重處理后結(jié)果為 Y（t）=S（t）-μ*S（t-1），其中μ根據(jù)經(jīng)驗(yàn)值取μ取值為0.97。通常設(shè)置一階數(shù)字濾波器：

上式中，μ值=預(yù)加重系數(shù)，其范圍為：0.9＜μ＜1.0。

圖2 原始小云語音信號頻譜及預(yù)加重后頻譜

2.4 語音分幀與加窗

語音處理過程需要我們理解語音信號各個(gè)頻率成分具體分布情況，這時(shí)就需要利用傅里葉變換分析頻率成分。傅里葉變換要求輸入語音信號是平穩(wěn)的，在宏觀上來看語音信號是不平穩(wěn)的，從微觀上來看，語音信號在非常短時(shí)間內(nèi)可以看作是具有平穩(wěn)的。由此可見，從宏觀角度來看語音信號的特性和表征，它的本質(zhì)特征和相關(guān)參數(shù)都是隨時(shí)間而變化的，所以語音信號是一個(gè)不平穩(wěn)態(tài)的信號，不能用處理數(shù)字信號處理技術(shù)（如傅里葉變換）的對其進(jìn)行平穩(wěn)信號分析處理。但是，微觀角度來看，雖然語音信號具有時(shí)變特性，但是在一個(gè)非常短的時(shí)間（在10～30ms 時(shí)間內(nèi)）范圍內(nèi)，語音信號特性和參數(shù)基本保持不變，即語音信號保持相對穩(wěn)定的狀態(tài)，所以我們可將語音信號看作其具有短時(shí)間內(nèi)平穩(wěn)性準(zhǔn)穩(wěn)態(tài)過程。

圖3 語音分幀

圖4 漢明窗（hamming window）

將語音信號分幀處理（如圖3 所示）后，我們將每一幀代入漢明窗（hamming window）窗函數(shù)如圖4 所示，窗外的值通常設(shè)為0，是為了消除每一個(gè)幀的兩端信號可能會造成的頻譜泄露spectral leakage（即不連續(xù)性）現(xiàn)象。理論上窗函數(shù)越寬，產(chǎn)生的平滑效果就會越好，同時(shí)也會使窗函數(shù)的坡度不斷增大，導(dǎo)致頻譜泄露現(xiàn)象比較嚴(yán)重，截?cái)嘈?yīng)也會很嚴(yán)重。所以綜合分析與考慮，我們將漢明窗的主瓣設(shè)為較寬而旁瓣設(shè)為較低，對語音信號處理的平滑效果更明顯，根據(jù)窗函數(shù)的頻域特性，漢明窗的主瓣比較寬而旁瓣比較低，對處理語音信號的平滑性效果比較好。常采用漢明窗，公式如下：

2.5 語音信號的特征提取

梅爾（Mel）頻率分析是基于人類的聽覺感知系統(tǒng)實(shí)驗(yàn)的，經(jīng)實(shí)驗(yàn)觀測發(fā)現(xiàn)人的聽覺系統(tǒng)對不同的頻率是有一定地選擇性的，人耳類似一個(gè)濾波器組一樣，它只關(guān)注個(gè)別特殊頻率的分量。換句話說，它只讓某些特定的頻率信號通過，同時(shí)可以對不想感知的頻率信號過濾掉。這些濾波器在頻率的坐標(biāo)軸上不是成統(tǒng)一分布，在低頻信號區(qū)域有很多的濾波器，它們分布較為密集，而在高頻區(qū)域，濾波器的個(gè)數(shù)就變得較少，分布也較為稀疏。若我們利用語音處理技術(shù)在語音識別系統(tǒng)中能夠模擬類似人類的聽覺感知，那么就極有可能提高和改善語音識別率。

通常語音信號的特征參數(shù)MFCC 提取過程，具體如圖5 所示步驟。

圖5 MFCC提取流程圖

圖6 Mel濾波器組

由于人耳對應(yīng)外界不同頻率的敏感程度是不同的，而且成為一種非線性關(guān)系，為此將語音信號頻譜按人耳敏感程度劃分多個(gè)梅爾（Mel）濾波器組如圖6 所示，在梅爾（Mel）刻度范圍內(nèi)將各個(gè)濾波器的中心頻率f（m）等間隔的線性分布和頻率范圍形成非相等間隔，然后將線性分布的頻譜映射到類似人的聽覺感知梅爾（Mel）非線性頻譜中，最后轉(zhuǎn)換到梅爾（Mel）倒譜上。將普通頻率轉(zhuǎn)化到梅爾（Mel）頻率的公式如下：

上式中f 為頻率，Mel（f）為梅爾（Mel）頻率，單位為Hz。

將該信號的能量譜通過一組Mel 三角形濾波器組（Mel-Filter banks），定義一個(gè)用 24 個(gè)濾波器（0-4000Hz）總點(diǎn)數(shù)，每個(gè)濾波在中心頻率f（m）的響應(yīng)都是1，然后左右兩邊線性下降到相鄰的三角形濾波器的中心頻率f（m）處為0，如圖6 所示。

3 語音識別實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)是在基于MATLAB 2017b 軟件平臺，語音樣本由作者規(guī)定為普通話“小云”錄音組成，并在安靜環(huán)境內(nèi)完成的。選用Windows 10 自帶錄音軟件進(jìn)行錄制，CompressionMethod：'Uncompressed'，NumChannels： 2，SampleRate： 48000，TotalSamples： 354304，Duration： 7.3813，BitsPerSample： 16 保存文件為 xiaoyun.wav格式。音頻數(shù)據(jù)x=xiaoyun.wav，采樣率fs=8000Hz，采用端點(diǎn)檢測，最后提取MFCC 特征參數(shù)，實(shí)驗(yàn)輸出數(shù)據(jù)：（N=分幀個(gè)數(shù)，M=特征維度）大小的特征參數(shù)矩陣，特征參數(shù)為M=24 倒譜系數(shù)為12 維，一階差分為12維。通過實(shí)現(xiàn)分幀、加窗、快速傅里葉變換（FFT）、梅爾濾波器組（Mel-bank）、離散余弦變換（DCT）等過程來計(jì)算得到語音信號MFCC 特征提取如7 圖所示。

圖7 MFCC特征提取

4 結(jié)語

本文梅爾頻率倒譜系數(shù)（MFCC）方法應(yīng)用于全新節(jié)能機(jī)器人設(shè)計(jì)與實(shí)現(xiàn)進(jìn)行了研究與實(shí)驗(yàn)，并將面向服務(wù)的深度學(xué)習(xí)技術(shù)應(yīng)用。在梅爾濾波（Mel filter）實(shí)驗(yàn)過程中，對原始小云語音信號時(shí)域波形、語譜圖繪制，然后對該信號進(jìn)行預(yù)加重，并分析其分幀的語音信號在短時(shí)間（通常10-30ms）內(nèi)具有平穩(wěn)性。通過錄入小云語音信號進(jìn)行實(shí)驗(yàn)加入短時(shí)能量特征，并引入梅爾頻率倒譜系數(shù)（MFCC）的一階差分和二階差分，對語音數(shù)據(jù)特征提取和降低運(yùn)算維度感知敏感度，從而提高了特征提取的有效性。在此基礎(chǔ)上，能夠更好地反映全新節(jié)能機(jī)器人在復(fù)雜環(huán)境下，它能夠較好地表述語音信號特征并且能準(zhǔn)確提取語音信號特征，為后期語音匹配時(shí)對輸入語音的采集及識別做出一定積累經(jīng)驗(yàn)。