隨著移動(dòng)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(dòng)語音識(shí)別系統(tǒng)能夠提供便利的人機(jī)交互，將成為一種主要方法。目前，實(shí)驗(yàn)室環(huán)境中自動(dòng)語音識(shí)別系統(tǒng)已經(jīng)取得了很好的效果，但需要很大的存儲(chǔ)空間和運(yùn)算資源。當(dāng)自動(dòng)語音識(shí)別應(yīng)用于移動(dòng)設(shè)備時(shí)，必須對(duì)模型和識(shí)別策略進(jìn)行相應(yīng)改進(jìn)，才能滿足其對(duì)運(yùn)算速度、內(nèi)存資源和功耗的要求。為了解決這個(gè)問題，本文將結(jié)合英語語音的特點(diǎn),設(shè)計(jì)并實(shí)現(xiàn)嵌入式英語語音識(shí)別系統(tǒng)，完成中等詞匯量的孤立詞實(shí)時(shí)識(shí)別任務(wù)。
1 硬件平臺(tái)
　　嵌入式系統(tǒng)的軟硬件高度結(jié)合，針對(duì)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(shí)，保證低成本和低功耗。因此，系統(tǒng)硬件平臺(tái)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(tái)，該芯片集成了一個(gè)16位定點(diǎn)DSP核(OAK)、一個(gè)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(dá)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(tái)的板級(jí)結(jié)構(gòu)非常簡單。圖1為硬件平臺(tái)的板級(jí)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(shí)別系統(tǒng)需要的聲學(xué)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(fēng)，接收語音信號(hào)；
　　(4)語音輸出器件：可直接外接揚(yáng)聲器或耳機(jī)，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(jí)語音識(shí)別模塊提供了USB接口，以提高該嵌入式系統(tǒng)和通用計(jì)算機(jī)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(shí)別結(jié)果；
　　(9)其他設(shè)備接口：為了增強(qiáng)該語音信號(hào)處理模塊的功能擴(kuò)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(yù)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(shí)別算法
　　在英語語音識(shí)別系統(tǒng)中，常用的聲學(xué)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(jì)算時(shí)間和占用內(nèi)存隨待識(shí)別單詞數(shù)的增加而線性增長，所以在嵌入式語音識(shí)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(shí)別速度快、內(nèi)存占用少且與識(shí)別詞匯量無關(guān)等優(yōu)點(diǎn)，但其對(duì)發(fā)音的相關(guān)性描述不夠精確，一選識(shí)別率不高。Triphone和Syllable模型對(duì)發(fā)音相關(guān)性能準(zhǔn)確建模，但模型數(shù)量巨大、狀態(tài)數(shù)較多、識(shí)別速度慢、內(nèi)存占用多。為了解決內(nèi)存占用量與識(shí)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(shí)別中，采用monophone模型和靜態(tài)識(shí)別網(wǎng)絡(luò)，得到多候選詞條；在第二階段識(shí)別中，根據(jù)第一階段輸出的多候選詞條，構(gòu)建新的識(shí)別網(wǎng)絡(luò)，采用triphone模型，進(jìn)行精確識(shí)別，得到最終的識(shí)別結(jié)果。由于第二階段識(shí)別的詞條數(shù)較少，與只采用triphone模型的一階段識(shí)別相比，識(shí)別速度大大提高；同時(shí)，第二階段識(shí)別可重用第一階段的內(nèi)存資源，也減少了識(shí)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(shí)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(shí)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(zhǔn)則MMIC(Minimum Mutual Information Change)進(jìn)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(duì)于硬件系統(tǒng)，如果數(shù)據(jù)的讀入速度較慢，則對(duì)運(yùn)算速度影響就很大。在保證系統(tǒng)高識(shí)別率的前提下，系統(tǒng)的內(nèi)存消耗量和識(shí)別時(shí)間常常是一對(duì)矛盾體，很難保證兩者同時(shí)達(dá)到理想狀態(tài)。如果僅僅考慮節(jié)省內(nèi)存，將每個(gè)詞條識(shí)別網(wǎng)絡(luò)和相應(yīng)的狀態(tài)逐個(gè)讀入，計(jì)算匹配分?jǐn)?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(shí)間，并且反復(fù)計(jì)算同一個(gè)轉(zhuǎn)移概率，也對(duì)識(shí)別時(shí)間影響很大。另一方面，如果僅僅考慮運(yùn)算速度，一次性將所有詞條的識(shí)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(yùn)算速度大大提高，但卻對(duì)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(gè)讀入狀態(tài)模型，計(jì)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(shí)別網(wǎng)絡(luò)，選取路徑似然度最高的詞條作為最終的識(shí)別結(jié)果。這樣綜合了前面兩種方案的優(yōu)點(diǎn)，適應(yīng)了硬件系統(tǒng)的要求。
2.4 兩階段端點(diǎn)檢測(cè)
　　端點(diǎn)檢測(cè)是嵌入式語音識(shí)別中最基本的模塊。端點(diǎn)檢測(cè)是否準(zhǔn)確直接影響系統(tǒng)的運(yùn)算復(fù)雜度和系統(tǒng)的識(shí)別性能。因此在不增加復(fù)雜運(yùn)算量的前提下，希望端點(diǎn)檢測(cè)能盡量準(zhǔn)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(diǎn)檢測(cè)方法。在第一階段使用圖像分割中經(jīng)常使用的邊緣檢測(cè)濾波器方法，得到一個(gè)能包含語音段同時(shí)又比較寬松的端點(diǎn)結(jié)果；在第二階段，對(duì)第一階段的結(jié)果進(jìn)行再判決，使用直方圖統(tǒng)計(jì)方法得到靜音段的能量聚類中心，并用這個(gè)中心能量值對(duì)整句能量序列進(jìn)行中心削波，對(duì)削波后的能量序列進(jìn)行最終判決。通常最終的結(jié)果會(huì)在第二階段端點(diǎn)檢測(cè)的基礎(chǔ)上作適當(dāng)?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(shí)是很有必要的。
在實(shí)驗(yàn)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(duì)于12 000句原始錄制語音或帶噪語音，對(duì)傳統(tǒng)的固定能量閾值方法和兩階段檢測(cè)方法進(jìn)行了比較測(cè)試。測(cè)試的性能如表1所示。

　　傳統(tǒng)的固定閾值方法就是針對(duì)環(huán)境噪聲設(shè)定一個(gè)固定的能量閾值進(jìn)行端點(diǎn)檢測(cè)。實(shí)驗(yàn)表明，兩階段檢測(cè)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(diǎn)檢測(cè)方法有更好的性能。此方法能夠進(jìn)一步改善嵌入式語音識(shí)別系統(tǒng)的識(shí)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(shí)間長。要實(shí)現(xiàn)實(shí)時(shí)識(shí)別，就不能在所有的語音數(shù)據(jù)都得到后再進(jìn)行解碼識(shí)別。在兩級(jí)識(shí)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(duì)時(shí)間占用量很少。為了滿足實(shí)時(shí)要求，本系統(tǒng)在獲取語音信號(hào)的同時(shí)進(jìn)行提取特征和第一階段識(shí)別^[6]。根據(jù)硬件的內(nèi)存容量，考慮到匹配分?jǐn)?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(duì)應(yīng)于詞條的分?jǐn)?shù)。因此，必須保留每次搜索中每個(gè)詞條的每個(gè)節(jié)點(diǎn)的匹配分?jǐn)?shù)，這帶來了新的內(nèi)存開銷。
　　解決方法是在第一階段識(shí)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(shí)刻都能保證較高的似然度，在搜索過程中對(duì)網(wǎng)絡(luò)進(jìn)行剪枝，只保留匹配分?jǐn)?shù)最大的有限個(gè)路徑，以減少運(yùn)算量和內(nèi)存消耗。但是，要獲得匹配分?jǐn)?shù)最大的幾個(gè)狀態(tài)，在每次搜索過程中都要對(duì)匹配分?jǐn)?shù)進(jìn)行排序，這使運(yùn)算負(fù)擔(dān)加重，在實(shí)際中不可取。為了解決這一問題，結(jié)合本系統(tǒng)識(shí)別網(wǎng)絡(luò)的特點(diǎn)，采用了一種滑動(dòng)窗束搜索算法。對(duì)于每一個(gè)詞條網(wǎng)絡(luò)，在Viterbi解碼過程中，近似地認(rèn)為真實(shí)路徑總是當(dāng)前匹配分?jǐn)?shù)最優(yōu)的路徑的近鄰路徑。因此，設(shè)置了一個(gè)固定寬度的窗，在所有時(shí)刻，窗中的路徑總包含了該時(shí)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(gè)活躍路徑的位置，只可能是上一個(gè)活躍路徑的原有位置或者滑動(dòng)一格。由于中間的匹配分?jǐn)?shù)相同，比較滑動(dòng)窗兩端的匹配分?jǐn)?shù)即可決定下一個(gè)滑動(dòng)窗的位置。這樣可大大減小比較的運(yùn)算量，提高運(yùn)算速度。
　　由于語音信號(hào)隨機(jī)性較強(qiáng)，束搜索的這種假設(shè)并不總符合真實(shí)情況，因此，過窄的束寬很容易導(dǎo)致最后識(shí)別結(jié)果的錯(cuò)誤。以三對(duì)角高斯模型為例，語音庫為10個(gè)男生的命令詞。窗寬與識(shí)別率的關(guān)系如表2所示。

　　可以看出，當(dāng)窗寬為15時(shí)，識(shí)別率基本沒有下降。這個(gè)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(duì)系統(tǒng)率和識(shí)別時(shí)間兩方面的影響，選定了束寬為10的滑動(dòng)窗算法作為系統(tǒng)的束搜索算法。
3 實(shí)驗(yàn)結(jié)果
　　實(shí)驗(yàn)訓(xùn)練集采用LDC WSJ1訓(xùn)練庫(SI_TR_S)，包括200人的連續(xù)語音，共61個(gè)小時(shí)，降采樣為8kHz，16位量化。測(cè)試集為由WSJ1測(cè)試集(CDTest和HSDTest）得到的525個(gè)短句(每句包含2個(gè)單詞)，候選詞條為535個(gè)，包括637個(gè)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(shí)別和兩階段識(shí)別的識(shí)別率、識(shí)別時(shí)間和內(nèi)存占用量比較。從表3可以看出，與直接進(jìn)行的一階段識(shí)別相比，兩階段識(shí)別通過采用兩階段端點(diǎn)檢測(cè)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(shí)別率，減少了內(nèi)存占用量和識(shí)別時(shí)間。

　　本文提出了一種基于定點(diǎn)DSP的嵌入式英語孤立詞識(shí)別系統(tǒng)，采用兩階段識(shí)別的連續(xù)HMM模型。其中第一階段為實(shí)時(shí)識(shí)別，第二階段為非實(shí)時(shí)識(shí)別。通過采用新穎的兩階段端點(diǎn)檢測(cè)方法、最小互信息改變準(zhǔn)則特征選擇算法、特征提取和解碼同步的束搜索算法，進(jìn)一步提高了識(shí)別性能、減少了內(nèi)存占用量和計(jì)算復(fù)雜度。
參考文獻(xiàn)
1 楊行峻，遲惠生.語音信號(hào)數(shù)字處理.北京：電子工業(yè)出版社，1995
2 Abhinav Sethy，Shrikanth Narayanan.Split-Lexicon Based Hierarchical Recognition of Speech Using Syllable And Word Level Acoustic Units.In：Proc，ICASSP′03，2003
3 Novak M，Hampl R，Krbec P et al.Two-Pass Search Strategy for Larce List Recog Nition on Embedded Speech Recognition Platforms[A].Proceedings of ICASSP[C].Hong Kong：IEEE Press，2003
4 Valtcho Valtchev.Discriminative Methods in HMM-based Speech Recognition[D].Cambridge University St.John′s College，1995
5 丁玉國.語音識(shí)別的置信度.清華大學(xué)碩士論文，2005
6 Andreas Hagen，Daniel A.Connors，Bryan L.Pellom.The Analysis and Design of Architecture Systems for Speech Recognition on Modern Handheld-Computing Devices.CODES/ISSS′03.Newpurt Beach，California USA，2003，10