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,；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)檢測的精度,，采用短時(shí)能量和過零率進(jìn)行端點(diǎn)檢測[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)檢測只能檢測到第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)檢測法會(huì)發(fā)生只檢測到第一個(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.