作為專門的研究領域
，語音識別又是一門交叉學科，它與聲學、語音學、語言學、數字信號處理理論、信息論、計算機科學等眾多學科緊密相連。本漢語語音識別係統是一個非特定人的、孤立音語音識別係統。其中孤立音至少包括漢語的400多個調音節（不考慮聲調）以及一些常用的詞組。識別係統主要用於手持設備，如手機、掌上電腦。這些設備的CPU一般是DSP
，硬(ying)件(jian)資(zi)源(yuan)十(shi)分(fen)有(you)限(xian)，而(er)且(qie)大(da)多(duo)不(bu)支(zhi)持(chi)浮(fu)點(dian)運(yun)算(suan)。那(na)麼(me)
，對(dui)係(xi)統(tong)各(ge)個(ge)部(bu)分(fen)的(de)設(she)計(ji)首(shou)要(yao)考(kao)慮(lv)的(de)是(shi)係(xi)統(tong)對(dui)硬(ying)件(jian)資(zi)源(yuan)的(de)開(kai)銷(xiao)必(bi)須(xu)盡(jin)量(liang)的(de)小(xiao)，不(bu)能(neng)超(chao)過(guo)這(zhe)些(xie)設(she)備(bei)的(de)限(xian)製(zhi)。硬(ying)件(jian)資(zi)源(yuan)的(de)開(kai)銷(xiao)包(bao)括(kuo)存(cun)儲(chu)模(mo)型(xing)參(can)數(shu)的(de)開(kai)銷(xiao)
，以(yi)及(ji)識(shi)別(bie)過(guo)程(cheng)中(zhong)對(dui)內(nei)存(cun)
、DSP的運行時間的開銷。

在語音識別係統中
，模擬的語音信號在完成A/Dzhuanhuanhouchengweishuzixinhao，danshiyushangdeyuyinxinhaohennanzhijieyongyushibie
，yincixuyaocongyuyinxinhaozhongtiquyuyindetezheng
，yifangmiankeyihuodeyuyindebenzhitezheng
，lingyifangmianyeqidaoshujuyasuodezuoyong。shurudemoniyuyinxinhaoshouxianyaojinxingyuchuli
，baokuoyulvbo
、采樣和量化、加窗、端點檢測
、預yu加jia重zhong等deng。語yu音yin識shi別bie係xi統tong的de模mo型xing通tong常chang由you聲sheng學xue模mo型xing和he語yu言yan模mo型xing兩liang部bu分fen組zu成cheng，分fen別bie對dui應ying於yu語yu音yin到dao半ban音yin節jie概gai率lv的de計ji算suan和he半ban音yin節jie到dao字zi概gai率lv的de計ji算suan。

語音識別係統的特征提取

目mu前qian通tong用yong的de特te征zheng提ti取qu方fang法fa是shi基ji於yu語yu音yin幀zhen的de，即ji將jiang語yu音yin信xin號hao分fen為wei有you重zhong疊die的de若ruo幹gan幀zhen，對dui每mei一yi幀zhen提ti取qu語yu音yin特te征zheng。由you於yu本ben技ji術shu方fang案an采cai用yong的de語yu音yin庫ku采cai樣yang率lv為wei8 kHz
，因此采用幀長為256個采樣點（即32 ms），幀步長或幀移（即每一幀語音與上一幀語音不重疊的長度）為80個采樣點（即10 ms）。

現有語音識別係統采用的最主要的兩種語音特征包括：

線性預測倒譜參數（Linear Prediction Cepstrum Coefficient，LPCC），該特征是基於語音信號為自回歸信號的假設，利用線性預測分析獲得倒譜參數。LPCC參數的優點是計算量小，對元音有較好的描述能力，其缺點在於對輔音的描述能力較差，抗噪聲性能較差。

Mel 頻標倒譜參數（Mel Frequency Cepstrum Coefficient
，MFCC），該特征考慮了人耳的聽覺特性
，將頻譜轉化為基於Mel頻標的非線性頻譜
，然後轉換到倒譜域上。由於充分模擬了人的聽覺特性，而且沒有任何前提假設，MFCC參數具有識別性能和抗噪能力，實驗證明在漢語數碼語音識別中MFCC 參數的性能明顯優於LPCC參數
，因此本技術方案采用MFCC參數為語音特征參數。

求MFCC參數的大致過程為：

對輸入語音幀加Hamming窗後做快速傅裏葉變換（Fast Fourier Transformation，FFT），將時域信號轉化為頻域信號。

將線性頻標轉化為Mel頻標。轉化方法是將頻域信號通過24個三角濾波器
，其中中心頻率在1 000 Hz以上和以下的各12個。濾波器的中心頻率間隔特點是在1000Hz以下為線性分布，1 000 Hz以上為等比數列分布。三角濾波器的輸出為： 式中：Xk為頻譜上第k個頻譜點的能量
；Yi為第i個濾波器的輸出；Fi為第i個濾波器的中心頻率。
用離散餘弦變換（Discrete Cosine Transformation，DCT）將濾波器輸出變換到倒譜域： 式中：p為MFCC參數的階數
，這裏取p = 12。{Ck}k = 1,2,…,12即為所求的MFCC參數。
為體現語音的動態特性，在語音特征中加入了一階差分倒譜
，其計算方法如下式所示： 式中下標l與l - k表示第l與l - k幀；m表示第m維。
[page]
MFCC參數計算的要點是將線性功率譜S(n)轉換成為Mel頻率下的功率譜，這需要在計算之前先在語音的頻譜範圍內設置若幹個帶通濾波器Hm(n),m= 0,1,2,…,M - 1,n = 0,1,2,…,N/2 - 1。M為濾波器個數，N為一幀語音信號的點數。每個濾波器具有三角形特性
，其中心頻率為fm，它們在Mel頻率軸上是均勻分布的。在線性頻率上，當m 較小時相鄰的fm間隔很小，隨著m的增加相鄰的fm間隔逐漸拉開。Mel頻率和線性頻率的轉換關係如下： 這些帶通濾波器的參數是事先計算好的。圖2給出了濾波器組的分布圖
，其中M 選擇為26，FFT點數N為256

，語音信號的采樣頻率為8000 Hz。

係統測度估計

測度估計技術可以采用動態時間彎折DTW、隱馬爾可夫模型HMM或人工神經網ANN等算法，本項目采用國際上最先進的HMM，這樣能夠比較容易的實現非特定人，而且係統結構也比較靈活、一致。

根據描述的語音單位的大小
，HMM可分為：基於整詞模型的HMM（Word based HMM）。其優點為可以很好地描述詞內音素協同發音的特點，建模過程也較為簡單。因此很多小詞彙量語音識別係統均采用整詞模型HMM。但在大詞彙量語音識別中由於所需建立的模型太多而無法使用。

基於子詞模型的HMM（Sub Word based HMM）。該類HMM描(miao)述(shu)的(de)語(yu)音(yin)單(dan)位(wei)比(bi)詞(ci)小(xiao)
，如(ru)英(ying)語(yu)語(yu)音(yin)識(shi)別(bie)中(zhong)的(de)基(ji)本(ben)音(yin)素(su)
，漢(han)語(yu)語(yu)音(yin)識(shi)別(bie)中(zhong)的(de)半(ban)音(yin)節(jie)等(deng)。其(qi)優(you)點(dian)為(wei)模(mo)型(xing)總(zong)數(shu)少(shao)，所(suo)以(yi)在(zai)大(da)詞(ci)彙(hui)量(liang)語(yu)音(yin)識(shi)別(bie)中(zhong)得(de)到(dao)了(le)廣(guang)泛(fan)的(de)應(ying)用(yong)。其(qi)缺(que)點(dian)在(zai)於(yu)其(qi)描(miao)述(shu)詞(ci)內(nei)協(xie)同(tong)發(fa)音(yin)的(de)能(neng)力(li)劣(lie)於(yu)整(zheng)詞(ci)模(mo)型(xing)
，但(dan)由(you)於(yu)子(zi)詞(ci)模(mo)型(xing)已(yi)經(jing)得(de)到(dao)了(le)非(fei)常(chang)充(chong)分(fen)的(de)研(yan)究(jiu)，所(suo)以(yi)近(jin)年(nian)來(lai)在(zai)很(hen)多(duo)小(xiao)詞(ci)表(biao)應(ying)用(yong)識(shi)別(bie)係(xi)統(tong)中(zhong)也(ye)用(yong)了(le)子(zi)詞(ci)模(mo)型(xing)。本(ben)技(ji)術(shu)方(fang)案(an)采(cai)用(yong)基(ji)於(yu)半(ban)音(yin)節(jie)（即聲、韻母）的語音建模方法
，其識別模型拓撲結構如圖3 所示，其中靜音HMM采用1個狀態，每一聲母模型采用2個狀態
，每一韻母模型采用4個狀態。

根據輸出概率分布的不同，HMM（隱含馬爾科夫模型）可分為：

離散HMM（Discrete HMM，DHMM）。其(qi)輸(shu)出(chu)概(gai)率(lv)是(shi)基(ji)於(yu)一(yi)套(tao)碼(ma)本(ben)的(de)離(li)散(san)概(gai)率(lv)分(fen)布(bu)
，其(qi)優(you)點(dian)在(zai)於(yu)由(you)於(yu)實(shi)現(xian)了(le)存(cun)儲(chu)量(liang)和(he)計(ji)算(suan)量(liang)都(dou)較(jiao)小(xiao)，所(suo)需(xu)的(de)訓(xun)練(lian)語(yu)音(yin)也(ye)較(jiao)少(shao)

，但(dan)其(qi)矢(shi)量(liang)量(liang)化(hua)的(de)過(guo)程(cheng)會(hui)造(zao)成(cheng)性(xing)能(neng)的(de)損(sun)失(shi)。

連續HMM（Continuous Density HMM，CDHMM）。其輸出概率是連續概率密度函數（一般是高斯混合密度函數）。其所需的訓練語音較多，模型參數存儲量和計算量都較大，在訓練語音足夠時，其性能優於DHMM。

半連續HMM（Semi Continuous HMM，SCHMM）。SCHMM是DHMM和CDHMM的折衷，與DHMM相似
，其輸出為一套碼本
，但每個碼字均為一個連續概率密度分布函數，這一點與CDHMM相近。其性能和所需的訓練語音等均介於DHMM和CDHMM之間。

考慮到漢語數碼語音所需的模型較少
，很容易獲得足夠多的訓練語音，因此本技術方案采用了CDHMM為語音模型。
狀態輸出概率分布為混合高斯密度函數。其各分量計算如下： 總的概率輸出即為各分量的加權和： 式中：s表示當前狀態；M為混合分量數
；u
，Σ 
，c分別為各混合分量的均值矢量、協方差矩陣和混合分量係數。

該算法利用Viterbi譯碼的過程進行幀同步的搜索，易於實時實現，也容易納入語法信息。考慮到係統的實時實現性
，本技術方案采用Viterbi譯碼作為係統的搜索算法。

係統試驗結果

在漢語全音節與詞組混合的語音識別任務中，得到的初步實驗結果為：PC微機浮點算法條件下正確覆蓋率不低於98%，定點算法的正確覆蓋率不低於97%。DSP嵌入係統定點條件下正確覆蓋率不低於96%。係統的響應時間滿足實時識別的要求。通過測試組嚴格的檢查及抽樣測試
，證明上述結果真實可靠
，該輸入法基本達到實用化要求。

總結

漢(han)字(zi)語(yu)音(yin)識(shi)別(bie)是(shi)科(ke)技(ji)領(ling)域(yu)的(de)重(zhong)要(yao)課(ke)題(ti)，本(ben)文(wen)介(jie)紹(shao)的(de)方(fang)案(an)設(she)計(ji)采(cai)用(yong)孤(gu)立(li)語(yu)音(yin)的(de)全(quan)音(yin)階(jie)和(he)詞(ci)組(zu)的(de)混(hun)合(he)識(shi)別(bie)模(mo)式(shi)，使(shi)用(yong)連(lian)續(xu)概(gai)率(lv)分(fen)布(bu)非(fei)特(te)定(ding)人(ren)的(de)聲(sheng)學(xue)模(mo)型(xing)，並(bing)輔(fu)以(yi)多(duo)候(hou)選(xuan)的(de)人(ren)機(ji)交(jiao)互(hu)方(fang)式(shi)，漢(han)子(zi)語(yu)音(yin)的(de)輸(shu)入(ru)。相(xiang)信(xin)未(wei)來(lai)在(zai)語(yu)音(yin)識(shi)別(bie)的(de)方(fang)向(xiang)上(shang)還(hai)會(hui)取(qu)得(de)更(geng)大(da)的(de)突(tu)破(po)。

相關閱讀：

技術達人：ARM的非特定人語音識別係統的設計
智能手機的超性能語音識別技術
技術分享：基於DSP和OZ890的電池管理係統電路設計