摘  要： 動(dòng)態(tài)時(shí)間規(guī)整DTW是語音識(shí)別中的一種經(jīng)典算法。對(duì)此算法提出了一種改進(jìn)的端點(diǎn)檢測(cè)算法，特征提取采用了Mel頻率倒譜系數(shù)MFCC，并采用計(jì)算量相對(duì)較小的改進(jìn)的動(dòng)態(tài)時(shí)間規(guī)整算法實(shí)現(xiàn)語音參數(shù)模板匹配，能夠?qū)崿F(xiàn)孤立詞、特定人、小詞匯量的語音識(shí)別，并用Matlab進(jìn)行了算法仿真。試驗(yàn)結(jié)果表明，改進(jìn)后的算法能夠有效地提高系統(tǒng)對(duì)語音的識(shí)別率。
關(guān)鍵詞： 語音識(shí)別；端點(diǎn)檢測(cè)；Mel倒譜參數(shù)；動(dòng)態(tài)時(shí)間規(guī)整

　在孤立詞語音識(shí)別中，最為簡(jiǎn)單有效的方法是采用動(dòng)態(tài)時(shí)間規(guī)整DTW(Dynamic Time Warping)算法，該算法基于動(dòng)態(tài)規(guī)劃(DP)的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識(shí)別中出現(xiàn)較早、較為經(jīng)典的一種算法。DTW是把時(shí)間規(guī)整和距離測(cè)度計(jì)算結(jié)合起來的一種非線性規(guī)整技術(shù)，算法較為簡(jiǎn)潔，正確率也較高，在語音識(shí)別系統(tǒng)中有較廣泛的應(yīng)用。
　本文對(duì)DTW算法提出了一種改進(jìn)的端點(diǎn)檢測(cè)算法，對(duì)提高系統(tǒng)的識(shí)別率有很好的實(shí)用價(jià)值[1]。
1 語音識(shí)別系統(tǒng)與DTW算法原理    
　本質(zhì)上講，語音識(shí)別就是語音信號(hào)模式識(shí)別[2]，它由訓(xùn)練和識(shí)別兩個(gè)過程完成。訓(xùn)練過程是從某一說話人大量語音信號(hào)中提取出該說話人的語音特征，并形成參考模式。識(shí)別過程是從待識(shí)語音中提取特征形成待識(shí)模式，與參考模式進(jìn)行模式匹配、比較和判決，從而得出識(shí)別結(jié)果。本系統(tǒng)的結(jié)構(gòu)如圖1所示。

　假設(shè)測(cè)試和參考模板分別用T和R表示，它們之間的相似度用其之間的距離D[T，R]來度量，距離越小相似度越高[3]。為了計(jì)算這一失真距離，要從T、R中各個(gè)對(duì)應(yīng)幀之間的距離算起。設(shè)n、m分別是T、R中任意選擇的幀號(hào)，d[T(n)，R(m)]表示這兩幀特征矢量之間的距離(在DTW算法中通常采用歐式距離)。
　如圖2所示，橫軸上標(biāo)出的是測(cè)試模板T的各個(gè)幀號(hào)n=1～N，縱軸上是參考模板R的各個(gè)幀號(hào)m=1～M，N≠M。網(wǎng)格中的每一個(gè)交叉點(diǎn)(n，m)表示測(cè)試模式中某一幀與訓(xùn)練模式中某一幀的交匯點(diǎn)。DP算法就是尋找一條通過此網(wǎng)格中若干個(gè)格點(diǎn)的路徑。路徑不是隨意選擇的，首先任何一種語音的發(fā)音快慢都有可能變化，但是其各部分的先后次序不可能改變，因此所選的路徑必定是從左下角出發(fā)，在右上角結(jié)束。

　式中，sgn[ ]是符號(hào)函數(shù)。
　為了提高端點(diǎn)檢測(cè)的精度，采用短時(shí)能量和過零率進(jìn)行端點(diǎn)檢測(cè)[4]。語音采樣頻率為8 kHz，量化精度為16 bit。數(shù)字PCM碼首先經(jīng)過預(yù)加重濾波器H(z)=1-0.95z-1，再進(jìn)行分幀和加窗處理。在實(shí)驗(yàn)中發(fā)現(xiàn)，雙門限端點(diǎn)檢測(cè)算法對(duì)于兩個(gè)漢字和三個(gè)漢字的語音命令端點(diǎn)檢測(cè)效果不好。以語音“你好”為例，如圖3語音波形圖中，端點(diǎn)檢測(cè)只能檢測(cè)到第1個(gè)字。

　如果語音命令中兩個(gè)字的間隔過長，使用雙門限端點(diǎn)檢測(cè)法會(huì)發(fā)生只檢測(cè)到第一個(gè)字的情況，從而可能造成語音匹配錯(cuò)誤。為避免該錯(cuò)誤，把可容忍的靜音區(qū)間擴(kuò)大到15幀，如15幀內(nèi)一直沒有能量和過零率超過最低門限，則認(rèn)為語音結(jié)束；如發(fā)現(xiàn)仍然有話音，則把能量和過零率計(jì)算在內(nèi)[5]。
　整個(gè)語音信號(hào)的端點(diǎn)檢測(cè)流程設(shè)計(jì)為四個(gè)階段：靜音段、過渡段、語音段和語音結(jié)束。在靜音段，如果能量或過零率超越低門限，就開始標(biāo)記起始點(diǎn)，進(jìn)入過渡段。在過渡段，由于參數(shù)的數(shù)值較小，不能確信是否處于語音段，因此只要兩個(gè)參數(shù)的數(shù)值都回落到低門限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)；而如果在過渡段中兩個(gè)參數(shù)中的任何一個(gè)超過了高門限，就可以確信進(jìn)入語音段。在語音段，如果兩個(gè)參數(shù)的數(shù)值降低到低門限以下，且一直持續(xù)15幀，則語音進(jìn)入停止；如果兩個(gè)參數(shù)的數(shù)值降低到低門限以下，但并沒有持續(xù)到15幀，后續(xù)又有語音超越過低門限，則認(rèn)為還沒有結(jié)束；如果檢測(cè)出的這段語音總長度小于可接受的最小的語音幀數(shù)(設(shè)為15幀)，則認(rèn)為是一段噪音而放棄。
　采用改進(jìn)后的端點(diǎn)檢測(cè)算法，對(duì)單個(gè)漢字或多個(gè)漢字的語音命令均識(shí)別正常。圖4為語音“你好”的端點(diǎn)檢測(cè)圖。

2．2 語音識(shí)別的DTW高效算法
　通常，路徑函數(shù)Φ(ni)被限制在一個(gè)平行四邊形內(nèi)，平行四邊形的一條邊斜率為2，另一條邊的斜率為1/2。路徑函數(shù)的起點(diǎn)為(1，1)，終止點(diǎn)為(N，M)。Φ(ni)的斜率為0、1或2。這是一種簡(jiǎn)單的路徑限制，如圖5所示。

   本文的目的是尋找一個(gè)路徑函數(shù)，在平行四邊形內(nèi)由點(diǎn)(1，1)到點(diǎn)(N，M)具有最小代價(jià)函數(shù)。由于對(duì)路徑進(jìn)行了限制，在匹配過程中許多格點(diǎn)實(shí)際上是到達(dá)不了的，因此，平行四邊形之外的格點(diǎn)對(duì)應(yīng)的幀匹配距離是不需要計(jì)算的。另外，也沒有必要保存所有的幀匹配距離矩陣和累積距離矩陣，因?yàn)槊恳涣懈鞲顸c(diǎn)上的匹配計(jì)算只用到了前一列的3個(gè)網(wǎng)格。利用這兩個(gè)特點(diǎn)可以減少計(jì)算量和存儲(chǔ)空間的需求。

　如果出現(xiàn)Xa>Xb的情況，此時(shí)彎折匹配的三段為(1，Xb)、(Xb+1，Xa)和(Xa+1，N)。沿X軸上每前進(jìn)一幀，雖然所要比較的Y軸上的幀數(shù)不同，但彎折特性是一樣的，累積距離的更新都是用下式實(shí)現(xiàn)：
　D(x，y)=d(x，y)+min[D(x-1，y)，D(x-1，y-1)，D(x-1，y-2)]
　由于X軸上每前進(jìn)一幀，只需要用到前一列的累積距離，所以只需要兩個(gè)列矢量D和d分別保存前一列的累積距離和計(jì)算當(dāng)前列的累積距離，而不用保存整個(gè)距離矩陣，這樣可達(dá)到減少存儲(chǔ)量和存儲(chǔ)空間的目的。
2.3 試驗(yàn)結(jié)果    
　本系統(tǒng)采用改進(jìn)的端點(diǎn)檢測(cè)方法，采用MFCC(Mel Frequene Cepstrum Coeffiients)特征提取和DTW算法來實(shí)現(xiàn)語音識(shí)別。語音采樣頻率為8 kHz，16 bit量化精度，預(yù)加重系數(shù)a=0.95，語音每幀為30 ms，240點(diǎn)為一幀，幀移為80，窗函數(shù)采用Hamming窗。采集5個(gè)女生，10個(gè)男生的數(shù)據(jù)。共分為兩組，第一組是對(duì)0~9十個(gè)數(shù)字的識(shí)別，第二組是對(duì)孤立詞的識(shí)別，試驗(yàn)數(shù)據(jù)如表1所示。

　本文研究了語音識(shí)別DTW算法和理論，在應(yīng)用中對(duì)雙門限端點(diǎn)檢測(cè)算法作了延長可容忍靜音的改進(jìn)，在說話語音識(shí)別算法上對(duì)DTW進(jìn)行了改進(jìn)和設(shè)計(jì)，實(shí)驗(yàn)結(jié)果表明，該算法可以有效地提高系統(tǒng)的識(shí)別率。
參考文獻(xiàn)
[1]  何強(qiáng)，何英.MATLAB 擴(kuò)展編程 [M].北京：清華大學(xué)出 版社，2002.
[2] CHANWOO K， KWANG D S. Robust DTW-based recognition algorithm for hand-held consumer devices[J]. IEEE Transactions on Consumer Electronics， 2005， 51(2)：699-709.
[3] MIZUHARA Y， HAYASHI A， SUEMATSU N. Embedding of time series data by using dynamic time warping distances[J]. Systems and Computers in Japan， 2006， 37(3)：1-9.
[4] BDULLA A， CHOW W H， SIN D， G. Cross-words reference template for DTW-based speech recognition systems[C]. Conference on Convergent Technologies for the Asia-Pacific Region，TENCON， 2003， 2003：1576-1579.
[5] 劉金偉，黃樟欽，侯義斌.基于片上系統(tǒng)的孤立詞語音識(shí)別算法設(shè)計(jì)[J]計(jì)算機(jī)工程，2007，33(13)：25-27.