摘  要： 引入幀跳躍的概念，從而改進(jìn)了傳統(tǒng)的端點(diǎn)檢測算法和DTW算法，實(shí)現(xiàn)了一個(gè)改進(jìn)的實(shí)時(shí)語音識(shí)別系統(tǒng)，并在計(jì)算機(jī)上進(jìn)行了模擬仿真。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法能有效提高孤立詞的識(shí)別速度和識(shí)別精度。
關(guān)鍵詞： 語音識(shí)別；動(dòng)態(tài)時(shí)間規(guī)整；端點(diǎn)檢測

　通過語言進(jìn)行交流是人類最基本也是最廣泛使用的交流方式。語音識(shí)別是指讓機(jī)器通過識(shí)別和理解過程把人類的語言信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)[1]，其本質(zhì)上是一種模式識(shí)別的過程，主要包含特征提取技術(shù)、模型訓(xùn)練技術(shù)及模式匹配技術(shù)3個(gè)方面。其基本思路是提取語音信號(hào)中能代表語音內(nèi)容的特征向量，訓(xùn)練過程通過特定算法建立模板庫，識(shí)別過程按照一定的規(guī)則將提取出的特征與模板庫中的參考模板相對比得出識(shí)別結(jié)果。
　語音識(shí)別系統(tǒng)一般包含預(yù)處理模塊、特征提取模塊、訓(xùn)練模塊和識(shí)別模塊[2]。其中預(yù)處理模塊實(shí)現(xiàn)讀入語音信號(hào)并對信號(hào)進(jìn)行濾波、預(yù)加重、分幀、加窗和端點(diǎn)檢測等功能；特征提取模塊則是對針對每一幀進(jìn)行運(yùn)算，提取出每一幀的時(shí)域參數(shù)或者頻域參數(shù)；訓(xùn)練模塊是將帶識(shí)別語音模板通過計(jì)算得到模板向量并存入數(shù)據(jù)庫；識(shí)別模塊是將待識(shí)別語音序列同模板庫進(jìn)行比較并得出識(shí)別結(jié)果，識(shí)別算法多用的是動(dòng)態(tài)時(shí)間規(guī)整DTW（Dynamic Time Warping）算法。DTW是把時(shí)間規(guī)整和距離測度計(jì)算結(jié)合起來的一種非線性規(guī)整技術(shù)，它盡管對大詞匯量、連續(xù)語音和非特定人語音識(shí)別效果較差，但對孤立詞語音識(shí)別和較為簡潔，正確識(shí)別率也較高，因此，DTW算法在孤立詞語音識(shí)別系統(tǒng)有較廣泛的應(yīng)用[3]，因而對其進(jìn)一步地研究以提高其正確識(shí)別速度具有很強(qiáng)的實(shí)用價(jià)值。一個(gè)典型的孤立詞語音識(shí)別系統(tǒng)流程圖如圖1所示。

　識(shí)別精度和識(shí)別速度是評(píng)價(jià)孤立詞語音識(shí)別系統(tǒng)性能的兩個(gè)最主要的參數(shù)，而端點(diǎn)檢測和模板匹配算法是影響這兩個(gè)參數(shù)的最主要的原因。端點(diǎn)檢測的目的是從包含語音的一般信號(hào)中確定出語音的起點(diǎn)以及終點(diǎn)，有效的端點(diǎn)檢測不僅能使處理時(shí)間最小，而且能排除無聲段的噪聲干擾，從而使識(shí)別系統(tǒng)具有良好的識(shí)別性能。模板匹配的目的是匹配輸入向量和模板向量并得到結(jié)果，它是整個(gè)系統(tǒng)中最耗時(shí)、耗資源的一個(gè)環(huán)節(jié)，因此模板匹配算法的性能好壞將直接影響整個(gè)系統(tǒng)的性能優(yōu)劣。
本文就提高孤立詞語音識(shí)別系統(tǒng)的識(shí)別精度和識(shí)別速度展開討論，提出了一種改進(jìn)的端點(diǎn)檢測方法和改進(jìn)的DTW算法，通過實(shí)驗(yàn)證明將兩種算法結(jié)合起來能提高整個(gè)系統(tǒng)的識(shí)別精度和識(shí)別速度，取得了預(yù)期的效果。
1 改進(jìn)語音識(shí)別算法
1.1 端點(diǎn)檢測
1.1.1 傳統(tǒng)端點(diǎn)檢測
　傳統(tǒng)端點(diǎn)檢測算法采用短時(shí)時(shí)域分析方法，通過短時(shí)能量和短時(shí)過零率來判斷端點(diǎn)位置。短時(shí)能量是基于幀進(jìn)行計(jì)算的，如式（1）所示。短時(shí)過零率指一幀語音信號(hào)中語音波形通過零電平的次數(shù)，其定義如式（2）所示。對于連續(xù)的語音信號(hào)，過零是指時(shí)域波形穿過時(shí)間軸；對于離散信號(hào)，相鄰的取樣值改變符號(hào)則稱為過零。
    端點(diǎn)檢測主要使用的方法有以下兩種。
  （1）雙門限端點(diǎn)檢測[4]：即分別為短時(shí)能量和短時(shí)過零率各設(shè)置一個(gè)高門限和一個(gè)低門限，低門限被超過基本值可以確定進(jìn)入了過渡段；高門限用于確定語音真正的起始端點(diǎn)，僅高門限被成功檢測未必就是語音的起始端點(diǎn)，也有可能是短時(shí)的噪音，但是噪聲一般持續(xù)時(shí)間比較短，可以用持續(xù)時(shí)間來決定是噪聲還是語音。
  （2）動(dòng)態(tài)窗長語音端點(diǎn)檢測[5]：語音端點(diǎn)檢測時(shí)，語音為靜音段，采用較長的窗；語音和靜音的過渡段采用較小的窗，可以確切判斷語音的起始點(diǎn)；一旦確定語音的起始點(diǎn)就改用常規(guī)窗長，因?yàn)闈h語音節(jié)末尾都是濁音，只用短時(shí)能量就可以較好地判斷一個(gè)語音的末點(diǎn)。
1.1.2 改進(jìn)端點(diǎn)檢測
    一般在一段語音信號(hào)中，無聲段會(huì)占據(jù)相當(dāng)一部分比例，這樣進(jìn)行端點(diǎn)檢測時(shí)，會(huì)造成一部分計(jì)算資源浪費(fèi)在檢測無聲段上。并且雙門限檢測方法窗口每滑動(dòng)一次就要對兩個(gè)參數(shù)進(jìn)行計(jì)算和比較，因此所需要的計(jì)算資源比較大。語音段和過渡段相對于靜音段的短時(shí)過零率和短視能量要高出許多，并且隨著靜音段結(jié)束和語音段開始，中間過渡段的短時(shí)過零率和短視能量呈單調(diào)遞增趨勢?；谶@個(gè)特性，本文提出一種基于跳躍幀的端點(diǎn)檢測方法，在動(dòng)態(tài)窗長的基礎(chǔ)上引入幀跳躍這一概念，形成一種新的端點(diǎn)檢測方法。實(shí)驗(yàn)證明，該方法能有效地降低端點(diǎn)檢測的時(shí)間以及提高端點(diǎn)檢測的精確度。
　端點(diǎn)檢測算法流程如圖2所示。進(jìn)行端點(diǎn)檢測時(shí)，對于剛開始檢測的無聲階段，采用較長的窗長并且在計(jì)算和比較第一幀之后直接將窗口向前移動(dòng)N幀，直到判斷為進(jìn)入了過渡段或者語音段。當(dāng)檢測到語音進(jìn)入過渡段時(shí)，首先將窗口后退N幀并且改為使用較小的窗長，然后開始逐幀進(jìn)行比較以精確確定語音的起始端點(diǎn)，之后進(jìn)入語音段后就改為使用常規(guī)大小的窗長。語音末尾端點(diǎn)的檢測與起始端點(diǎn)檢測類似。這里關(guān)鍵的就是N的取值問題，N取得太大或者太小雖然不會(huì)影響算法的準(zhǔn)確性，但是對算法的速度有比較明顯的影響。根據(jù)實(shí)驗(yàn)結(jié)果比較可以得出，取N=10時(shí)算法的效率最高。圖3為語音“零”的改進(jìn)前后端點(diǎn)檢測結(jié)果比較。

1.2 DTW算法
1.2.1 DTW原理
　在語音識(shí)別中解決語音信號(hào)特征參數(shù)序列比較問題時(shí)，不能簡單地將輸入模板和相應(yīng)的參考模板直接進(jìn)行比較，因?yàn)檎Z音信號(hào)具有較大的隨機(jī)性，即使是同一個(gè)人在不同的時(shí)候說話，也不能具有完全相同的時(shí)間長度，因此時(shí)間歸正處理是必不可少的[6]。為此，日本學(xué)者板倉將動(dòng)態(tài)規(guī)劃（DP）算法的概念用于解決語音識(shí)別中孤立詞識(shí)別時(shí)說話速度不均勻的問題，提出了著名的DTW算法。DTW算法是一種將全局最優(yōu)化問題轉(zhuǎn)化為局部最優(yōu)問題的算法，是把時(shí)間規(guī)整和距離測度計(jì)算結(jié)合起來的一種非線性規(guī)整技術(shù)。其具體實(shí)現(xiàn)原理如下。
將輸入信號(hào)和參考信號(hào)經(jīng)過特征提取和訓(xùn)練之后分別得到一組模板序列。這里假設(shè)輸入信號(hào)模板序列用X={x1，tx1，x2，tx2，…，xm，txm}表示，參考信號(hào)模板序列用Y={y1，ty1，y2，ty2，…，yn，tyn}表示。其中xi、yi，為音高序列，txi、tyi為其對應(yīng)的音長。它們之間的相似度用其之間的距離D（X，Y）來度量，距離越小表示相似度越高。為了度量這一距離，就要從X、Y中各個(gè)幀的對應(yīng)點(diǎn)之間的距離算起。設(shè)m、n為分別從X、Y中任意選擇的一幀信號(hào)，則D（Xm，Yn）就表示為這兩幀特征矢量之間的距離。
　如圖4所示，橫軸是輸入信號(hào)模板X的各幀號(hào)m=1~M，縱軸上是參考信號(hào)模板Y的幀號(hào)n=1~N，其中N≠M，網(wǎng)格中的每一個(gè)交叉點(diǎn)表示兩個(gè)模板中的樣點(diǎn)匹配，匹配時(shí)從第一個(gè)點(diǎn)D（1，1）開始，一直計(jì)算到最后一個(gè)點(diǎn)D（M，N）結(jié)束。利用動(dòng)態(tài)規(guī)劃算法可以尋找到這樣的一條路徑，但是這條路徑不是隨意選擇的。
DTW算法的目標(biāo)是尋找這樣一條路徑：該路徑從起始點(diǎn)出發(fā)依次通過各個(gè)交叉點(diǎn)并最終到達(dá)終止點(diǎn)結(jié)束，這條路徑能使得該路徑上所有交叉點(diǎn)的累計(jì)失真最小，即保證兩個(gè)模板間存在最大的相似性，失真越小，相似度越高。為了避免盲目搜索，一般對于DTW的搜索路徑會(huì)有如下限制。

　（1）路徑要通過起始點(diǎn)和終止點(diǎn)。
　（2）為使路徑不至于過分傾斜，一般對路徑的最大和最小斜率會(huì)做適當(dāng)?shù)南拗疲话闳∽畲笮甭蕿?，最小斜率為0.5。
?。?）具有連續(xù)性。在動(dòng)態(tài)伸縮路徑中，下一點(diǎn)與當(dāng)前點(diǎn)一定是相鄰的，下一個(gè)點(diǎn)可以位于當(dāng)前點(diǎn)的正上方、正右方或者是右上方對角線，但是不允許跨越一個(gè)點(diǎn)至下一個(gè)點(diǎn)。
?。?）具有單調(diào)性。動(dòng)態(tài)伸縮路徑的延伸的方向一定是向右或者向上，反方向的延伸是不被允許的。
傳統(tǒng)DTW算法主要有以下幾個(gè)缺點(diǎn)。
　（1）計(jì)算量過大。由于要找出最佳的匹配點(diǎn)，因此程序會(huì)考慮多種情況，從而使計(jì)算量加大。
　（2）識(shí)別性能過分依賴于端點(diǎn)檢測。端點(diǎn)檢測會(huì)受到不同的環(huán)境因素影響，DTW算法的識(shí)別準(zhǔn)確度也會(huì)受到影響。
　（3）沒有充分利用語音信號(hào)的時(shí)域特征信息。
1.2.2 改進(jìn)DTW算法
　由于DTW的計(jì)算量非常巨大，如果對于所有的參考模板進(jìn)行全部完全匹配，則會(huì)耗費(fèi)大量的計(jì)算資源。使用搜索寬度限制和放寬搜索寬度可以減低DTW的時(shí)間復(fù)雜度。本文在此基礎(chǔ)上提出一種簡單的改進(jìn)策略，具體如下：由于輸入信號(hào)模板與參考信號(hào)模板不可能完全相同，通過DTW算法所要尋找的是與輸入信號(hào)最相似的參考信號(hào)，因此可以在比較之前先計(jì)算一下兩個(gè)序列的長度，如果兩個(gè)序列長度相差過多，那么基本可以確定兩個(gè)序列不為相似序列，直接跳過此次匹配過程；接著可以設(shè)置一個(gè)相似度的閾值下限，在匹配過程中一旦這個(gè)相似度低于閾值，就表明輸入模板基本不可能與參考模板匹配，則立即停止此次匹配進(jìn)入下一輪匹配。實(shí)驗(yàn)證明，當(dāng)參考信號(hào)模板數(shù)據(jù)庫足夠大時(shí)，使用這種策略能夠節(jié)省大量的時(shí)間，并且檢測的精確度幾乎不受影響。
2 實(shí)驗(yàn)與結(jié)果
　本系統(tǒng)采用改進(jìn)的端點(diǎn)檢測方法和改進(jìn)的DTW匹配算法實(shí)現(xiàn)語音識(shí)別，并且采用MFCC（Mel Frequency Cepstral Coefficient）特征提取。語音采樣頻率為8 kHz，16 bit量化精度，窗函數(shù)采用Hamming窗。實(shí)驗(yàn)參考模板數(shù)據(jù)內(nèi)容為數(shù)字語音“0”到“99”，輸入模板為10組語音數(shù)據(jù)。

　實(shí)驗(yàn)主要分為3組，第1組主要比較改進(jìn)前后端點(diǎn)檢測及生成模板庫的時(shí)間，第2組主要比較輸入的10組語音數(shù)據(jù)的識(shí)別速度，第3組主要比較輸入的10組語音數(shù)據(jù)的識(shí)別正確率。具體實(shí)驗(yàn)結(jié)果如表1所示。

　通過表1可以發(fā)現(xiàn)，改進(jìn)后的算法在識(shí)別準(zhǔn)確率上與原有算法相當(dāng)，但是在模板庫生成時(shí)間和識(shí)別速度上要比原有算法分別有接近10%和17%的提升，進(jìn)一步驗(yàn)證了算法的可行性。
本文研究了一個(gè)孤立詞語音識(shí)別系統(tǒng)，提出了一種新的端點(diǎn)檢測改進(jìn)策略和DTW算法匹配改進(jìn)策略，并將兩者結(jié)合運(yùn)用于語音識(shí)別系統(tǒng)。實(shí)驗(yàn)表明，改進(jìn)的語音識(shí)別系統(tǒng)在語音的識(shí)別速度和識(shí)別精度上都得到了較大程度的提高，達(dá)到了比較良好的性能。
參考文獻(xiàn)
[1] 張亞歌，張?zhí)?一種基于雙幀動(dòng)態(tài)時(shí)間規(guī)整的語音識(shí)別新方法[J].微電子學(xué)與計(jì)算機(jī)，2010（11）：17-19+24.
[2] RABINER L R， LEVINSON S E. Isolated and connected word recognition-theory and selected applications[J]. IEEE Transactions on Communications， 1981，COM-29（5）：621-659.
[3] 胡金平，陳若珠，李戰(zhàn)明.語音識(shí)別中DTW改進(jìn)算法的研究[J].微型機(jī)與應(yīng)用，2011（3）：30-32.
[4] 李景川，董慧穎.一種改進(jìn)的基于短時(shí)能量的端點(diǎn)檢測算法[J].沈陽理工大學(xué)學(xué)報(bào)，2008（3）：37-39.
[5] 陳立萬.基于語音識(shí)別系統(tǒng)中DTW算法改進(jìn)技術(shù)研究[J].微計(jì)算機(jī)信息，2006（5）：267-269.
[6] 吳艷艷.孤立詞語音識(shí)別的關(guān)鍵技術(shù)研究[D].青島：青島大學(xué)，2012.