隨著移動設(shè)備的快速發(fā)展，迫切需要一種更友好、更便捷的用戶操作系統(tǒng)。自動語音識別系統(tǒng)" title="語音識別系統(tǒng)">語音識別系統(tǒng)能夠提供便利的人機交互，將成為一種主要方法。目前，實驗室環(huán)境中自動語音識別系統(tǒng)已經(jīng)取得了很好的效果，但需要很大的存儲空間和運算資源。當自動語音識別應(yīng)用于移動設(shè)備時，必須對模型和識別策略進行相應(yīng)改進，才能滿足其對運算速度、內(nèi)存資源和功耗的要求。為了解決這個問題，本文將結(jié)合英語語音的特點,設(shè)計并實現(xiàn)嵌入式英語語音識別系統(tǒng)，完成中等詞匯量的孤立詞實時識別任務(wù)。
1 硬件平臺
　　嵌入式系統(tǒng)的軟硬件高度結(jié)合，針對系統(tǒng)的特定任務(wù)，要量體裁衣、去除冗余，使得系統(tǒng)能夠在高性能、高效率、高穩(wěn)定性的同時，保證低成本和低功耗。因此，系統(tǒng)硬件平臺的選用是影響系統(tǒng)整體性能的關(guān)鍵因素。系統(tǒng)采用Infineon公司Unispeech 80D51語音處理專用芯片作為核心的硬件平臺，該芯片集成了一個16位定點DSP核(OAK)、一個8位MCU核(M8051 E-Warp)、兩路ADC、兩路DAC、104KB的SRAM以及高靈活性的MMU等器件。其中DSP最高工作頻率可達100MHz，MCU最高工作頻率為50MHz。
　　由于系統(tǒng)的語音處理專用芯片UniSpeech集成了大部分的功能單元，片外所需元件很少，因此系統(tǒng)硬件平臺的板級結(jié)構(gòu)非常簡單。圖1為硬件平臺的板級結(jié)構(gòu)圖。

　　專用芯片只需外接：
　　(1)EPROM：存放系統(tǒng)程序；
　　(2)Flash Memory：存放語音識別系統(tǒng)需要的聲學模型參數(shù)和系統(tǒng)中的語音提示、語音回放數(shù)據(jù)；
　　(3)語音輸入器件：可直接外接麥克風，接收語音信號；
　　(4)語音輸出器件：可直接外接揚聲器或耳機，輸出系統(tǒng)的提示音；
　　(5)電源：通過電壓變換芯片，為電路板上各芯片提供需要的電壓；
　　(6)USB接口：該板級語音識別模塊提供了USB接口，以提高該嵌入式系統(tǒng)和通用計算機系統(tǒng)之間數(shù)據(jù)交換的速度；
　　(7)鍵盤：提供外接鍵盤接口，方便系統(tǒng)控制；
　　(8)液晶：可外接一塊液晶顯示屏，以輸出識別結(jié)果；
　　(9)其他設(shè)備接口：為了增強該語音信號處理模塊的功能擴展性，UniSpeech提供了豐富的I/O資源，共有100條通用I/O，系統(tǒng)也預留了這些I/O接口，以方便與其他設(shè)備連接。
2 算法研究
2.1 兩階段識別算法
　　在英語語音識別系統(tǒng)中，常用的聲學模型基本單元是單詞（Word）、上下文無關(guān)音素（Monophone）^[1]、上下文相關(guān)音素（Triphone，Biphone）和音節(jié)（Syllable）^[2]。單詞模型由于其靈活性太差及計算時間和占用內(nèi)存隨待識別單詞數(shù)的增加而線性增長，所以在嵌入式語音識別系統(tǒng)中很少應(yīng)用。Monophone模型具有模型簡單、狀態(tài)數(shù)較少、識別速度快、內(nèi)存占用少且與識別詞匯量無關(guān)等優(yōu)點，但其對發(fā)音的相關(guān)性描述不夠精確，一選識別率不高。Triphone和Syllable模型對發(fā)音相關(guān)性能準確建模，但模型數(shù)量巨大、狀態(tài)數(shù)較多、識別速度慢、內(nèi)存占用多。為了解決內(nèi)存占用量與識別速度之間的矛盾，本文采用了兩階段搜索算法，其基本流程如圖2所示。

　　在第一階段識別中，采用monophone模型和靜態(tài)識別網(wǎng)絡(luò)，得到多候選詞條；在第二階段識別中，根據(jù)第一階段輸出的多候選詞條，構(gòu)建新的識別網(wǎng)絡(luò)，采用triphone模型，進行精確識別，得到最終的識別結(jié)果。由于第二階段識別的詞條數(shù)較少，與只采用triphone模型的一階段識別相比，識別速度大大提高；同時，第二階段識別可重用第一階段的內(nèi)存資源，也減少了識別系統(tǒng)的內(nèi)存占用量。
2.2 特征提取與選擇
　　在連續(xù)語音識別系統(tǒng)中，通常采用39維的MFCC(Mel Frequency Cepstral Coefficient)特征，甚至再加入一些特征。但是，考慮到嵌入式系統(tǒng)有限的硬件資源，在不降低識別率的基礎(chǔ)上，應(yīng)盡量減少特征的維數(shù)。本文采用最小互信息改變準則MMIC(Minimum Mutual Information Change)進行特征選擇。一階段采用22維MFCC特征（9 MFCC，6 ΔMFCC，4 Δ²MFCC，E，ΔE，Δ²E），二階段采用26維MFCC特征（10 MFCC，7 ΔMFCC，6 Δ²MFCC，E，ΔE，Δ²E）。
2.3 數(shù)據(jù)的輸入輸出
　　對于硬件系統(tǒng)，如果數(shù)據(jù)的讀入速度較慢，則對運算速度影響就很大。在保證系統(tǒng)高識別率的前提下，系統(tǒng)的內(nèi)存消耗量和識別時間常常是一對矛盾體，很難保證兩者同時達到理想狀態(tài)。如果僅僅考慮節(jié)省內(nèi)存，將每個詞條識別網(wǎng)絡(luò)和相應(yīng)的狀態(tài)逐個讀入，計算匹配分數(shù)，這樣雖然可以最大限度地節(jié)省內(nèi)存的使用量，但是數(shù)據(jù)的多次讀入占用了大量時間，并且反復計算同一個轉(zhuǎn)移概率，也對識別時間影響很大。另一方面，如果僅僅考慮運算速度，一次性將所有詞條的識別網(wǎng)絡(luò)和所有狀態(tài)模型讀入內(nèi)存，雖然僅需一次數(shù)據(jù)讀入，運算速度大大提高，但卻對內(nèi)存提出了更高要求。為了更好地利用系統(tǒng)的硬件資源，本系統(tǒng)首先逐個讀入狀態(tài)模型，計算所有觀察矢量在各狀態(tài)模型下的輸出概率，存放在內(nèi)存中；然后逐條讀入識別網(wǎng)絡(luò)，選取路徑似然度最高的詞條作為最終的識別結(jié)果。這樣綜合了前面兩種方案的優(yōu)點，適應(yīng)了硬件系統(tǒng)的要求。
2.4 兩階段端點檢測
　　端點檢測是嵌入式語音識別中最基本的模塊。端點檢測是否準確直接影響系統(tǒng)的運算復雜度和系統(tǒng)的識別性能。因此在不增加復雜運算量的前提下，希望端點檢測能盡量準確，而且能適應(yīng)嵌入式系統(tǒng)多變的應(yīng)用環(huán)境。本文使用了一種有效的兩階段端點檢測方法" title="檢測方法">檢測方法。在第一階段使用圖像分割中經(jīng)常使用的邊緣檢測濾波器方法，得到一個能包含語音段同時又比較寬松的端點結(jié)果；在第二階段，對第一階段的結(jié)果進行再判決，使用直方圖統(tǒng)計方法得到靜音段的能量聚類中心，并用這個中心能量值對整句能量序列進行中心削波，對削波后的能量序列進行最終判決。通常最終的結(jié)果會在第二階段端點檢測的基礎(chǔ)上作適當?shù)姆潘?，前后放?~5幀(大約64~80ms)，這些放松在求取特征的差分分量時是很有必要的。
在實驗室環(huán)境下(信噪比大于25dB)，以8kHz采樣頻率錄制了20人(其中男、女各10人)的語音數(shù)據(jù)。對于12 000句原始錄制語音或帶噪語音，對傳統(tǒng)的固定能量閾值方法和兩階段檢測方法進行了比較測試。測試的性能如表1所示。

　　傳統(tǒng)的固定閾值方法就是針對環(huán)境噪聲設(shè)定一個固定的能量閾值進行端點檢測。實驗表明，兩階段檢測方法無論在安靜環(huán)境中還是在包含一定噪聲的環(huán)境中，都比固定能量閾值的端點檢測方法有更好的性能。此方法能夠進一步改善嵌入式語音識別系統(tǒng)的識別性能。
2.5 束搜索
　　英語語音發(fā)音快、單詞長、狀態(tài)數(shù)多，因而搜索時間長。要實現(xiàn)實時識別，就不能在所有的語音數(shù)據(jù)都得到后再進行解碼識別。在兩級識別網(wǎng)絡(luò)中，第一階段要在大量的詞條中搜索，而第二階段只在N_BEST詞條中搜索，相對時間占用量很少。為了滿足實時要求，本系統(tǒng)在獲取語音信號的同時進行提取特征和第一階段識別^[6]。根據(jù)硬件的內(nèi)存容量，考慮到匹配分數(shù)所占用的內(nèi)存，選取每20幀（320ms）的語音完成一次搜索。由于所搜索的詞條并沒有結(jié)束，不能求出最終對應(yīng)于詞條的分數(shù)。因此，必須保留每次搜索中每個詞條的每個節(jié)點的匹配分數(shù)，這帶來了新的內(nèi)存開銷。
　　解決方法是在第一階段識別網(wǎng)絡(luò)中加入束搜索（Beam Search）快速算法。該算法假設(shè)：Viterbi解碼過程中的最佳路徑在任何時刻都能保證較高的似然度，在搜索過程中對網(wǎng)絡(luò)進行剪枝，只保留匹配分數(shù)最大的有限個路徑，以減少運算量和內(nèi)存消耗。但是，要獲得匹配分數(shù)最大的幾個狀態(tài)，在每次搜索過程中都要對匹配分數(shù)進行排序，這使運算負擔加重，在實際中不可取。為了解決這一問題，結(jié)合本系統(tǒng)識別網(wǎng)絡(luò)的特點，采用了一種滑動窗束搜索算法。對于每一個詞條網(wǎng)絡(luò)，在Viterbi解碼過程中，近似地認為真實路徑總是當前匹配分數(shù)最優(yōu)的路徑的近鄰路徑。因此，設(shè)置了一個固定寬度的窗，在所有時刻，窗中的路徑總包含了該時刻似然度最高的路徑及其相鄰路徑，而那些落在窗外的路徑則將被剪枝。由于模型狀態(tài)不可跨越，因此，下一個活躍路徑的位置，只可能是上一個活躍路徑的原有位置或者滑動一格。由于中間的匹配分數(shù)相同，比較滑動窗兩端的匹配分數(shù)即可決定下一個滑動窗的位置。這樣可大大減小比較的運算量，提高運算速度。
　　由于語音信號隨機性較強，束搜索的這種假設(shè)并不總符合真實情況，因此，過窄的束寬很容易導致最后識別結(jié)果的錯誤。以三對角高斯模型為例，語音庫為10個男生的命令詞。窗寬與識別率的關(guān)系如表2所示。

　　可以看出，當窗寬為15時，識別率基本沒有下降。這個結(jié)果與候選詞條的長度有關(guān)，詞條的狀態(tài)數(shù)越多，最優(yōu)結(jié)果在搜索過程中“露出”窗外的可能性也就越大。綜合束搜索對系統(tǒng)率和識別時間兩方面的影響，選定了束寬為10的滑動窗算法作為系統(tǒng)的束搜索算法。
3 實驗結(jié)果
　　實驗訓練集采用LDC WSJ1訓練庫(SI_TR_S)，包括200人的連續(xù)語音，共61個小時，降采樣為8kHz，16位量化。測試集為由WSJ1測試集(CDTest和HSDTest）得到的525個短句(每句包含2個單詞)，候選詞條為535個，包括637個不同的單詞發(fā)音，同樣降采樣為8kHz，16位量化。
　　表3為一階段識別和兩階段識別的識別率、識別時間和內(nèi)存占用量比較。從表3可以看出，與直接進行的一階段識別相比，兩階段識別通過采用兩階段端點檢測方法、MMIC特征選擇算法、特征提取和解碼同步的束搜索算法，極大地提高了識別率，減少了內(nèi)存占用量和識別時間。