摘要：為了提高語音識別效率及對環(huán)境的依賴性，文章對語音識別算法部分和硬件部分做了分析與改進(jìn)，采用ARMS3C2410微處理器作為主控制模塊，采用UDA1314TS音頻處理芯片作為語音識別模塊，利用HMM聲學(xué)模型及Viterbi算法進(jìn)行模式訓(xùn)練和識別，設(shè)計了一種連續(xù)的、小詞量的語音識別系統(tǒng)。實驗證明，該語音識別系統(tǒng)具有較高的識別率和一定程度的魯棒性，實驗室識別率和室外識別率分別達(dá)到95．6％，92．3％。
關(guān)鍵詞：語音識別；嵌入式系統(tǒng)；Hidden Markov Models；ARM；Viterbi算法
0 引言
嵌入式語音識別系統(tǒng)是應(yīng)用各種先進(jìn)的微處理器在板級或是芯片級用軟件或硬件實現(xiàn)的語音識別。嵌入式技術(shù)與語音識別技術(shù)相結(jié)合，能使人們甩掉鍵盤，通過語音命令對智能化終端進(jìn)行操作，人與智能化終端之間的這種自然快捷的交互方式有助于提高人機(jī)交互的效率，以適應(yīng)嵌入式平臺存儲資源少，實時性要求高的特點，增強(qiáng)人對智能化設(shè)備的控制，同時，在語音識別技術(shù)發(fā)展過程中又以HMM的廣泛應(yīng)用為特點。該算法通過對大量語音數(shù)據(jù)進(jìn)行數(shù)據(jù)統(tǒng)計，建立識別詞條的統(tǒng)計模型，然后從待識別語音中提取特征，與這些模型匹配，通過比較匹配概率，以獲得識別結(jié)果，通過建立大量的語音數(shù)據(jù)庫，就能獲得一個穩(wěn)健的統(tǒng)計模型，提高在各種實際情況下的識別效率。
1 Markov鏈及隱馬爾可夫模型(HMM)
語音信號是一個可觀察的序列，在足夠小時間段上特性近似于穩(wěn)定，但其總的過程可看作依次從相對穩(wěn)定的某一特性過渡到另一特性，在整個分析區(qū)間內(nèi)可將許多線性模型串接起來，這就是Markov鏈。Markov鏈?zhǔn)荕arkov隨機(jī)過程的特殊情況，即Markov鏈?zhǔn)綘顟B(tài)和時間參數(shù)都離散的Markov過程。
隱馬爾可夫模型是對語音信號的時間序列結(jié)構(gòu)建立統(tǒng)計模型，可將之看作一個數(shù)學(xué)上的雙重隨機(jī)過程：一個是用具有有限狀態(tài)數(shù)的Mar-kov鏈來模擬語音信號統(tǒng)計特性變化的隱含的隨機(jī)過程，另一個是與Mark-ov鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測序列的隨機(jī)過程。前者通過后者表現(xiàn)出來，但前者的具體參數(shù)是不可測的。
一般來說，一個HMM是一個雙重隨機(jī)過程，由下述五個參數(shù)描述：
2 基于HMM的語音識別系統(tǒng)實現(xiàn)
人的言語過程實際上就是一個雙重隨機(jī)過程，語音信號本身是一個可觀測的時變序列，是由大腦根據(jù)語法知識和言語需要(不可觀測的狀態(tài))發(fā)出音素的參數(shù)流。HMM合理地模仿了這一過程，很好地描述了語音信號的整體非平穩(wěn)性和局部平穩(wěn)性，是較為理想的一種語音模型。從整段語音來看，人類語音是一個非平穩(wěn)的隨機(jī)過程，但是若把整段語音分割成若干短時語音信號，則可認(rèn)為這些短時語音信號是平穩(wěn)過程，就可以用線性手段對這些短時語音信號進(jìn)行分析。若對這些語音信號建立隱馬爾可夫模型，則可以辯識具有不同參數(shù)的短時平穩(wěn)信號段，并可以跟蹤它們之間的轉(zhuǎn)化，從而解決了對語音的發(fā)音速率及聲學(xué)變化建立模型的問題。
語音識別系統(tǒng)首先通過芯片內(nèi)的A／D轉(zhuǎn)換器將模擬語音信號轉(zhuǎn)化為數(shù)字語音信號，然后對數(shù)字語音信號進(jìn)行處理(信號加窗、過濾)，得到干凈的語音信號，再通過特征提取過程做出特征矢量，提取語音特征，最后由識別過程對說話人語音進(jìn)行識別，得出識別結(jié)果?？傮w來說，整個識別過程分為語音信號的預(yù)處理、語音信號的特征提取、語音庫的建立以及語音信號的識別等幾個主要階段，如圖1所示。
語音識別過程分為兩個部分：一是HMM訓(xùn)練過程，得到HMM語音識別模型，即建立基本識別語音庫；二是HMM識別過程，得到語音識別結(jié)果。
2．1 HMM訓(xùn)練
HMM算法是解決識別問題的一種常用方法。一個HMM模型中有N個狀態(tài)，對于一個長度為T的觀察序列，如果按照定義來計算，需要2TNT次運算，這種運算量是不能接受的，而HMM算法可以簡化這個過程。
如果P(O／λZ)和
距離太大，則返回步驟(2)，反復(fù)迭代運算，直到HMM模型參數(shù)不再發(fā)生明顯的變化為止。
2．2 HMM模型識別
HMM模型的輸出概率用Viterbi算法計算，因為概率值一般都遠(yuǎn)小于1，這里用取對數(shù)后的概率作為輸出值：
以上式中δt(i)表示t時刻第i個狀態(tài)的累積輸出概率；φt(i)表示t時刻第i個狀態(tài)的前續(xù)狀態(tài)號；
為最優(yōu)狀態(tài)序列中t時刻所處的狀態(tài)；P*為最終的輸出概率。
3 實驗結(jié)果
系統(tǒng)首先通過語音錄入模塊的麥克風(fēng)將語音信號輸入UDA1341 TS數(shù)字音頻處理芯片，通過S3C2410向UDA1341數(shù)字音頻處理芯片發(fā)送指令，數(shù)字音頻處理芯片由內(nèi)部A／D對語音信號進(jìn)行采樣，調(diào)用語音壓縮算法對語音信號進(jìn)行壓縮，并調(diào)用語音識別函數(shù)API對輸入語音進(jìn)行基于模式匹配算法的語音識別，最終UDA1341數(shù)字音頻處理芯片將識別結(jié)果通過I／O傳送到ARM S3C2410，S3C2410接收到識別結(jié)果后，根據(jù)不同的識別結(jié)果再向UDA1341 TS發(fā)送不同指令，以此實現(xiàn)語音識別系統(tǒng)的功能。
系統(tǒng)采用三星的S3C2410作為嵌入式CPU，這是一款高性價比、低功耗、高性能、高集成度的CPU，基于ARM9核，主頻為203 MHz，專為網(wǎng)絡(luò)通信和手持設(shè)備而設(shè)計，能滿足語音識別系統(tǒng)中的低成本、低功耗、高性能、小體積的要求。
實驗采用10字中文數(shù)碼，分別在室外環(huán)境和實驗室環(huán)境下測試，結(jié)果如表1所示。
通過測試表明，在實驗室環(huán)境下該系統(tǒng)在UDA1314TS DSP芯片上得到的結(jié)果比較令人滿意，具有良好的魯棒性，識別率達(dá)到實用要求，但在室外較高噪音條件下的識別率相對實驗室環(huán)境下有一定差距，滿足語音識別基本要求。
4 結(jié)論
本文系統(tǒng)采用隱馬爾可夫模型的語音識別算法，能夠?qū)π≡~量、連續(xù)語音進(jìn)行識別，識別率較高。ARM S3C2410微處理器和UDA1314TS音頻處理芯片的結(jié)合應(yīng)用，能使本語音識別系統(tǒng)具有較強(qiáng)的實時性。體積小，攜帶方便，使用靈活，可移植性強(qiáng)的特點使系統(tǒng)在進(jìn)一步改進(jìn)和發(fā)展后能夠用于工業(yè)語音控制領(lǐng)域中，還可用于聲控玩具、聲控設(shè)備等人們的日常生活中。
但由于技術(shù)水平和硬件環(huán)境的限制，該語音識別系統(tǒng)在算法、硬件方面都需要進(jìn)一步的研究和完善。該嵌入式語音識別系統(tǒng)的研究為進(jìn)一步開發(fā)和研究實用性嵌入式語音識別系統(tǒng)做出了重要的嘗試和探索工作。