基于DSP的高速實時語音識別系統(tǒng)的設(shè)計

實時語音識別系統(tǒng)中，由于語音的數(shù)據(jù)量大，運算復(fù)雜，對處理器性能提出了很高的要求，適于采用高速DSP實現(xiàn)。雖然DSP提供了高速和靈活的硬件設(shè)計，但是在實時處理系統(tǒng)中，還需結(jié)合DSP器件的結(jié)構(gòu)及工作方式，針對語音處理的特點，對軟件進行反復(fù)優(yōu)化，以縮短識別時間，滿足實時的需求。因此如何對DSP進行優(yōu)化編程，解決算法的復(fù)雜性和硬件存儲容量及速度之間的矛盾，成為實現(xiàn)系統(tǒng)性能的關(guān)鍵。本文基于TMS320C6713設(shè)計并實現(xiàn)了高速實時語音識別系統(tǒng)，在固定文本的說話人辨識的應(yīng)用中效果顯著。

1 語音識別的原理

　　語音識別的基本原理框圖如圖1所示。語音信號中含有豐富的信息，從中提取對語音識別有用的信息的過程，就是特征提取，特征提取方法是整個語音識別系統(tǒng)的基礎(chǔ)。語音識別的過程可以被看作足模式匹配的過程，模式匹配是指根據(jù)一定的準(zhǔn)則，使未知模式與模型庫中的某一模型獲得最佳匹配。

?

?

1.1 MFCC

語音識別中對特征參數(shù)的要求是：

(1) 能夠有效地代表語音特征；

(2) 各階參數(shù)之間有良好的獨立性；

(3) 特征參數(shù)要計算方便，保證識別的實時實現(xiàn)。

　　系統(tǒng)使用目前最為常用的MFCC(Mel FrequencyCepSTral Coefficient，美爾頻率倒譜系數(shù))參數(shù)。

求取MFCC的主要步驟是：

(1) 給每一幀語音加窗做FFT，取出幅度；

(2) 將幅度和濾波器組中每一個三角濾波器進行Binning運算；

(3) 求log，換算成對數(shù)率；

(4) 從對數(shù)率的濾波器組幅度，使用DCT變換求出MFCC系數(shù)。

?

?

　　本文中采用12階的MFCC，同時加過零率和delta能量共14維的語音參數(shù)。

1.2 DTW

　　語音識別中的模式匹配和模型訓(xùn)練技術(shù)主要有DTW(Dynamic TIme Warping，動態(tài)時間彎折)、HMM(HideMarkov Model，隱馬爾科夫模型)和ANN(Artificial Neu-ral Network，人工神經(jīng)元網(wǎng)絡(luò))。

　　DTW是一種簡單有效的方法。該算法基于動態(tài)規(guī)劃的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別中出現(xiàn)較早、較為經(jīng)典的一種算法。DTW算法的原理是計算兩個長度不同的語音之間的相似程度，即失真距離。

　　設(shè)測試語音和參考語音用T和R表示，他們分別含有N幀和M幀的語音參數(shù)。本文中每幀語音的特征參數(shù)為14維，因此T，R分別為N×14和M×14的矩陣。把測試語音的各個幀號x=1～N在一個二維直角坐標(biāo)系中的橫軸上標(biāo)出，把參考語音的各幀號y=1～M在縱軸上標(biāo)出，通過這些表示幀號的整數(shù)坐標(biāo)畫出一些縱橫線即可形成一個網(wǎng)格，網(wǎng)格中的每一個交叉點(x，y)表示測試模式中某一幀號與訓(xùn)練模式某一幀的交叉點，對應(yīng)于兩個14維向量的歐氏距離。DTW算法在于尋找一條通過此網(wǎng)格中若干交叉點的路徑，使得該路徑上節(jié)點的路徑和最小。算法示意圖如圖3所示。

?

?