隨著移動設備的快速發(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,。當自動語音識別應用于移動設備時，必須對模型和識別策略進行相應改進,，才能滿足其對運算速度,、內存資源和功耗的要求。為了解決這個問題,，本文將結合英語語音的特點,設計并實現(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。
1 硬件平臺
　　嵌入式系統(tǒng)的軟硬件高度結合,，針對系統(tǒng)的特定任務,，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)硬件平臺的板級結構非常簡單,。圖1為硬件平臺的板級結構圖。

　　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,，以輸出識別結果；
　　(9)其他設備接口：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）、上下文無關音素（Monophone）^[1],、上下文相關音素（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)中很少應用,。Monophone模型具有模型簡單、狀態(tài)數(shù)較少,、識別速度快、內存占用少且與識別詞匯量無關等優(yōu)點,，但其對發(fā)音的相關性描述不夠精確,，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,、內存占用多,。為了解決內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)識別網絡,，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,，構建新的識別網絡,，采用triphone模型，進行精確識別,，得到最終的識別結果,。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存資源,，也減少了識別系統(tǒng)的內存占用量,。
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上,，應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)省內存,，將每個詞條識別網絡和相應的狀態(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絡和所有狀態(tài)模型讀入內存,，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,，存放在內存中,；然后逐條讀入識別網絡,，選取路徑似然度最高的詞條作為最終的識別結果。這樣綜合了前面兩種方案的優(yōu)點,，適應了硬件系統(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，而且能適應嵌入式系統(tǒng)多變的應用環(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果,；在第二階段,，對第一階段的結果進行再判決，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,。通常最終的結果會在第二階段端點檢測的基礎上作適當?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。在兩級識別網絡中,，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)硬件的內存容量，考慮到匹配分數(shù)所占用的內存,，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束，不能求出最終對應于詞條的分數(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)，這帶來了新的內存開銷,。
　　解決方法是在第一階段識別網絡中加入束搜索（Beam Search）快速算法,。該算法假設：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，在搜索過程中對網絡進行剪枝,，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，結合本系統(tǒng)識別網絡的特點,，采用了一種滑動窗束搜索算法,。對于每一個詞條網絡，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。這個結果與候選詞條的長度有關,，詞條的狀態(tài)數(shù)越多,，最優(yōu)結果在搜索過程中“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，減少了內存占用量和識別時間,。