時間：2023-03-24 15:09:17
導語：在語音識別技術的撰寫旅程中，學習并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優秀范文，愿這些內容能夠啟發您的創作靈感，引領您探索更多的創作可能。
一、引言
隨著我國外語教學的不斷發展，各種外語口語教學工具與學習方法也應運而生。然而外語口語的學習對于學習者而言既是重點也是難點，當前的計算機輔助教學只是側重于外語單詞記憶教學與語法教學，并且因為外語口語學習者的學習水平不一，在學習過程中很難將自己的不正確發音找出來。于是，在外語口語學習中就可以應用語言識別技術，該系統具備外語口語發音的糾正功能，學習者通過該系統進行外語口語的學習與練習，就能糾正自己錯誤的發音，避免因為多次錯誤發音而形成不良習慣。因此，對外語口語訓練中語音識別技術進行研究，能夠提高外語口語學習者的學習效率。
二、外語口語學習中語音識別技術應用的重要意義
隨著中國改革開放程度的深化以及全球經濟一體化的飛速發展，世界各國的交往越來越頻繁，學習并掌握一門外語，對于人們的工作與生活而言，已經成為必不可少的工具。在學習外語的需求不斷增長的情況下，出現了各種外語教學方法、教學工具以及語言學校等，然而國人在外語學習過程中，外語的口語教學與學習一直是較難突破的難題，其主要原因有以下幾個方面：
（一）各種外語發音的特點與漢語發音的特點存在較大差異，因而可能導致國人在學習外語時由于受到母語的深厚影響而犯下許多自己根本無法察覺或者是很難察覺的發音錯誤。
（二）目前在國內合格的外語口語教師還是很少，自己發音標準又能夠準確地指導別人進行口語學習的外語教師，即便是在一些大中城市的中小學中也相當缺乏。同時，一般的媒體教學也不能夠針對學生的特定情況，有效地讓學生與教師互動進行口語訓練，只能夠單方面地進行傳授，所以起到的作用也不是很有效。
外語口語訓練中語音識別技術的應用，讓軟件具備了矯正錯誤發音的功能，能夠為學習者及時改正錯誤的發音提供幫助，從而有效避免錯誤反復而變成一種惡性習慣，并使外語學習者口語學習的效率與效果得到一定程度的提高，獲得更大的市場價值與社會效益。
三、外語口語訓練中語音識別的關鍵技術
（一）語音識別
在語音識別技術中，語音識別是第一步也是最重要的一步，接下來幾個步驟的精確度都會受其影響，它能夠在語法與音素模型的基礎上，將輸入的語音信號翻譯成單詞串。同時，許多基于計算機的語言訓練活動都可以應用這一部分，比如基于語音的選擇題或者是與計算機的對話訓練等等。
（二）語音評分
在基于語音識別技術的外語口語學習系統中，語音評分技術是最基本也是最核心的組成部分。語音評分技術能夠評價并反饋學習者的口語發音情況，可以讓學習者通過反饋的結果對自己的學習結果進行檢查。通常情況下，按照語音評分技術，目前的外語口語學習系統主要可以分為兩種：一種是基于語音特征比較的評分方法，它通過將學習者的發音與標準語音進行對比參考，從一個較為主觀的角度對一段語音質量進行評價，通常采用動態時間規整技術實現，因為其具備運算量小的特點，因而在嵌入式系統與手持設備中運用較多;另一種是基于聲學模型的評分方法，它能夠通過語音識別技術將以計算發音質量所需的小單元切割出來，然后再通過事先訓練好的聲學模型與其進行對比，最后根據評分機制對其評分，因為該方式較為客觀，目前主流的外語口語學習系統中均采用這種技術，其主要是基于隱馬爾可夫模型（HMM）技術實現。
如圖1，基于HMM的語音評分流程圖所示，其語音評分的關鍵技術分為以下幾步：
圖1 基于HMM的語音評分流程圖
1.首先，對學習者所輸入的語音進行特征提取;
2.其次，將已經訓練好的HMM作為模板，再采用Viterbi算法將語言以計算發音質量所需的小單元進行分割，并強制對齊;
3.最后，采用不同的評分機制對不同的需要進行評分，將評分結果得出。同時，在某些情況下，要注意將說話驗證在語音評分開始時加入，從而將學習者發音內容與標準發音完全不同的部分擋下，保證整個口語學習系統的可信度更高。此外，由于同樣的聲音可能代表的意義不同，因而在這些更加復雜的應用中，需要將各種詞發生概率的大小、上下文的關系進行綜合考慮，并將語言模型加入，從而為聲學模型的判斷提供更好的輔助。
（三）發音錯誤檢測與錯誤糾正
對于外語學習者而言，雖然知道系統能夠評價其發音質量，但是單憑非母語學習者自己對其自身錯誤的所在還是不能清楚地了解到，對這個錯誤也不知道如何進行糾正。因而，外語口語學習者需要通過系統對發音的錯誤進行檢測與定位，并將相應的錯誤糾正建議提供給學習者進行有效糾正。
1.發音錯誤的檢測與定位
在外語口語訓練中，導致錯誤發音的因素有很多。例如學習者不會發某種聲音，或者是受到其他語言拼讀方法的影響以及不能正確體會到兩種聲音的差別等等。語音識別器也是發音錯誤檢測中使用的一種方法，比如用母語訓練的語音識別器，但是因為在沒有使用自適應技術的情況下，學習者發音的識別錯誤也有可能會當成是發音錯誤，因而這種方法就很難準確地檢測到非母語學習者的發音是否正確。所以，目前對錯誤發音的檢測比較合理的一種做法是：首先以發音專家的知識為依據，嚴格將容易出錯的發音進行合理的分類，然后以不同的錯誤類型為依據，將其相應的檢測算法設計出來，最后用各種錯誤檢測算法對學習者的發音分別進行檢測。
2.發音錯誤的糾正
系統將發音錯誤檢測出來后，同時就對學習者所犯的錯誤根據專家關于發音錯誤的知識給出相應的錯誤提示與錯誤糾正建議。其中，對于這些發音專家知識的構建而言，是通過事先收集大量的經驗數據而積累而成的，例如不同學習者的發音特點等，然后通過數據挖掘的聚類算法將不同學習者不同發音特征的聚類準確地計算出來，再由專家客觀地評判分類的發音，最后將各聚類的改進建議提出來。
（四）回饋展示
在基于語音識別技術的外語口語學習系統中，這一部分是整個系統對用戶的窗口，上述部分所產生的信息都可以通過分數條或者是數字的形式為外語學習者展示出來。同時只有通過這個模塊，外語學習者才能夠從基于語音識別技術的外語口語學習系統中獲益，所以，整個系統的可用度都通過這一模塊設計的好壞來決定。
四、結語
總而言之，隨著社會經濟與科學技術的快速發展，各種帶有語音識別技術的便攜式終端設備出現在人們的日常生活與學習中，為廣大外語愛好者與學習者提供了不受教師資源、地點以及時間等限制的智能外語學習系統，有效地提高了外語學習者的學習效率與學習效果，相信在未來，也能夠為外語學習者們提供更快、更好的電子學習手段。
【參考文獻】
[1]盧永輝.語音識別技術在外語口語訓練中的應用[J].電腦知識與技術，2014（04）：836-837，843.
[2]吳艷艷.孤立詞語音識別的關鍵技術研究[D].青島：青島大學，2012.
[3]涂惠燕.移動設備平臺上英語口語學習中的語音識別技術[D].上海：上海交通大學，2011.
【關鍵詞】語音識別；簡單模板匹配；預處理；特征提取
1 語音識別技術原理
語音識別是為了讓機器“懂”我們的語言，準確無誤地識別出我們發出語音內容，并且做出符合語音內容的一系列動作，執行我們的意圖。分析人類語言交流通信的過程，可以啟發我們的研究思路。對人類語音通信流程[1-2]分析如圖1。
由人類語音通信流程框圖可以看出，人類發出語音過程如圖左半部分，語音理解過程如圖右半部分。語音識別包括兩種含義，一是：將人類說的話轉換成文字，二是：在充分理解口述語音的基礎上，不僅僅是將語音轉換為文字信息，而且對語音內容也要作出正確響應[3]。在此，本文認為語音識別和語音理解意義等同，所以可用圖1右側部分流程可將語音識別過程。
目前語音識別技術應用中大部分都是小詞匯量，詞語間相互獨立基于簡單模板匹配工作原理的識別模式。針對這種典型的語音識別模式，原理流程路線圖[4]如圖2所示：
1.1 基于發音模型的語音信號產生模型
語音信號的產生是語音識別技術的基石，在語音信號處理的大部分過程中對語音信號產生模型有很強的依賴性。本文研究過程中，首先對人類發音過程進行了解：人類發音流程是首先肺部收縮，迫使氣流通過聲門和聲道引起音頻震蕩產生[3]。根據人的聲道三種不同激勵方式，分別對應產生了三種被大家熟知的發音類型，分別是濁音，摩擦音或清音，爆破音。
語音信號可看做由線性系統受到激勵信號的激勵輸出產生。如圖3是基于發音模型的語音信號產生模型流程圖：
如圖3建立的語音信號產生模型中認為濁音是周期為N0的沖激信號，且N0=fs/F0（其中F0是基音頻率，fs是采樣頻率）。清音認為是一個均值為0，幅值是正態分布的波形信號。參數Av，Au分別用來調節濁音和清音的幅值。
從已有語音識別技術研究結果可知，窗函數類型眾多，使用不同形式的窗函數對短時分析處理語音信號結果有很大的影響。已知目前應用最廣泛的窗函數是漢明窗，結合仿真實驗分析可以看出：高斯窗函數的橫向主瓣寬度最小，但其縱向旁瓣高度最高；漢明窗函數的橫向主瓣寬度最寬，縱向旁瓣高度是三種窗函數中最低的。
2.3 端點檢測
語音信號的起始點是語音信號處理的關鍵分界點，端點檢測的目的就是找到連續語音信號中的信號起始點。常用的端點檢測方法有兩種，分別是短時平均能量和短時過零率[6]。當下流行的端點檢測方法是短時平均能量和短時過零率兩者的結合，稱這種方法為雙門限端點檢測算法[7]。
在實際問題中通常采用兩者結合解決問題。本文同樣是采用兩者結合的方法，利用短時過零率方法檢測語音信號波形穿越零電平的次數，既代表的是清音；用短時平均能量方法計算第y幀語音信號的短時平均能量E（y），既代表的是濁音，進而實現可靠的端點檢測。
3 特征提取
目前特征是語音信號預處理中的重要步驟。在實際特征提取中，較常采用的參數是線性預測倒譜系數（LPCC）和Mel倒譜系數（MFCC）。二者采用的均是時域轉換到倒譜域上，但是出發思路兩者不同。線性預測倒譜系數（LPCC）以人類發聲模型為基礎，采用線性預測編碼（LPC）技術求倒譜系數；Mel倒譜系數（MFCC）以人類聽覺模型為基礎，通過離散傅利葉變換（DFT）進行變換分析。
其中k表示第k個濾波器，Hm（k）表示第k個mel濾波器組，f（m）為中心頻率，m=1，2，…K，K表示濾波器個數。
經過仿真實驗分析比較，可以分析得出Mel倒譜系數（MFCC）參數較線性預測倒譜系數（LPCC）參數的優點，優點如下：
（1）語音低頻信號是語音信息的聚集區，高頻信號相對低頻語音信號更容易受到周圍環境等的干擾。Mel倒譜系數（MFCC）將線性頻標轉化為Mel頻標，強調語音的低頻信息，從而突出了有利于識別的信息，屏蔽了噪聲的干擾[8]。LPCC參數是基于線性頻標的，所以沒有這一特點；
（2）MFCC參數無任何假設前提，在各種語音信號預處理情況下均可使用，但是LPCC參數首先假定所處理的語音信號是AR信號，對于動態特性較強的輔音，這個假設并不嚴格成立[8]；
（3）MFCC參數提取過程中需要經過FFT變換，我們可以順便獲得語音信號頻域上的全部信息，不需要多花費時間處理，有利于端點檢測、語音分段等算法實現[8]。
4 訓練與識別
訓練和識別是語音識別的中心內容，有很多專家學者研究了一系列成果。語音識別實質是模式匹配的過程，而對分類器和分類決策的設計[9]又是模式匹配的核心。在現有的分類器設計[10-11]中，經常使用的有：動態時間規整（Dynamic Time Warping，DTW）分類器、基于人工神經網絡（Artificial Neural Networks，ANN）分類器、基于高斯混合模型（GMM）分類器、基于Bayes規則的分類器、基于HMM分類器[12]等。
本文重點討論語音信號預處理中技術及實現，對訓練和識別技術不再做研究描述。
【參考文獻】
[1]尹巖巖.基于語音識別與合成的低速率語音編碼研究[D].上海師范大學，2013.
[2]偉偉.通信系統中語音質量評價的研究[D].北京郵電大學，2014.
[3]朱淑琴.語音識別系統關鍵技術研究[D].西安電子科技大學，2004.
[4]王偉臻.基于神經網絡的語音識別研究[D].浙江大學，2008.
[5]鐘林鵬.說話人識別系統中的語音信號處理技術研究[D].電子科技大學，2013.
[6]周剛，周萍，楊青.一種簡單的噪聲魯棒性語音端點檢測方法[J].測控技術，2015，（02）：31-34.
[7]薛勝堯.基于改進型雙門限語音端點檢測算法的研究[J].電子設計工程，2015，（04）：78-81.
[8]惠博.語音識別特征提取算法的研究及實現[D].西北大學，2008.
[9]張寧.基于決策樹分類器的遷移學習研究[D].西安電子科技大學，2014.
[10]汪云云.結合先驗知識的分類器設計研究[D].南京航空航天大學，2012.
語音識別ASR（Automatic Speech Recognition）系統的實用化研究是近十年語音識別研究的一個主要方向。近年來，消費類電子產品對低成本、高穩健性的語音識別片上系統的需求快速增加，語音識別系統大量地從實驗室的PC平臺轉移到嵌入式設備中。
語音識別技術目前在嵌入式系統中的應用主要為語音命令控制，它使得原本需要手工操作的工作用語音就可以方便地完成。語音命令控制可廣泛用于家電語音遙控、玩具、智能儀器及移動電話等便攜設備中。使用語音作為人機交互的途徑對于使用者來說是最自然的一種方式，同時設備的小型化也要求省略鍵盤以節省體積。
嵌入式設備通常針對特定應用而設計，只需要對幾十個詞的命令進行識別，屬于小詞匯量語音識別系統。因此在語音識別技術的要求不在于大詞匯量和連續語音識別，而在于識別的準確性與穩健性。
對于嵌入式系統而言，還有許多其它因素需要考慮。首先是成本，由于成本的限制，一般使用定點DSP，有時甚至只能考慮使用MPU，這意味著算法的復雜度受到限制；其次，嵌入式系統對體積有嚴格的限制，這就需要一個高度集成的硬件平臺，因此，SoC（System on Chip）開始在語音識別領域嶄露頭角。SoC結構的嵌入式系統大大減少了芯片數量，能夠提供高集成度和相對低成本的解決方案，同時也使得系統的可靠性大為提高。
語音識別片上系統是系統級的集成芯片。它不只是把功能復雜的若干個數字邏輯電路放入同一個芯片，做成一個完整的單片數字系統，而且在芯片中還應包括其它類型的電子功能器件，如模擬器件（如ADC/DAC）和存儲器。
筆者使用SoC芯片實現了一個穩定、可靠、高性能的嵌入式語音識別系統。包括一套全定點的DHMM和CHMM嵌入式語音識別算法和硬件系統。
1 硬件平臺
本識別系統是在與Infineon公司合作開發的芯片UniSpeech上實現的。UniSpeech芯片是為語音信號處理開發的專用芯片，采用0.18μm工藝生產。它將雙核（DSP+MCU）、存儲器、模擬處理單元（ADC與DAC）集成在一個芯片中，構成了一種語音處理SoC芯片。這種芯片的設計思想主要是為語音識別和語音壓縮編碼領域提供一個低成本、高可靠性的硬件平臺。
該芯片為語音識別算法提供了相應的存儲量和運算能力。包括一個內存控制單元MMU（Memory Management Unit）和104KB的片上RAM。其DSP核為16位定點DSP，運算速度可達到約100MIPS.MCU核是8位增強型8051，每兩個時鐘周期為一個指令周期，其時鐘頻率可達到50MHz。
UniSpeech芯片集成了2路8kHz采樣12bit精度的ADC和2路8kHz采樣11bit的DAC，采樣后的數據在芯片內部均按16bit格式保存和處理。對于語音識別領域，這樣精度的ADC/DAC已經可以滿足應用。ADC/DAC既可以由MCU核控制，也可以由DSP核控制。
2 嵌入式語音識別系統比較
以下就目前基于整詞模型的語音識別的主要技術作一比較。
（1）基于DTW（Dynamic Time Warping）和模擬匹配技術的語音識別系統。目前，許多移動電話可以提供簡單的語音識別功能，幾乎都是甚至DTM和模板匹配技術。
DTW和模板匹配技術直接利用提取的語音特征作為模板，能較好地實現孤立詞識別。由于DTW模版匹配的運算量不大，并且限于小詞表，一般的應用領域孤立數碼、簡單命令集、地名或人名集的語音識別。為減少運算量大多數使用的特征是LPCC（Linear Predictive Cepstrum Coefficient）運算。
DTW和模板匹配技術的缺點是只對特定人語音識別有較好的識別性能，并且在使用前需要對所有詞條進行訓練。這一應用從20世紀90年代就進入成熟期。目前的努力方向是進一步降低成本、提高穩健性（采用雙模板）和抗噪性能。
（2）基于隱含馬爾科夫模型HMM（Hidden Markov Model）的識別算法。這是Rabiner等人在20世紀80年代引入語音識別領域的一種語音識別算法。該算法通過對大量語音數據進行數據統計，建立識別條的統計模型，然后從待識別語音中提取特征，與這些模型匹配，通過比較匹配分數以獲得識別結果。通過大量的語音，就能夠獲得一個穩健的統計模型，能夠適應實際語音中的各種突況。因此，HMM算法具有良好的識別性能和抗噪性能。
基于HMM技術的識別系統可用于非特定人，不需要用戶事先訓練。它的缺點在于統計模型的建立需要依賴一個較大的語音庫。這在實際工作中占有很大的工作量。且模型所需要的存儲量和匹配計算（包括特征矢量的輸出概率計算）的運算量相對較大，通常需要具有一定容量SRAM的DSP才能完成。
在嵌入式語音識別系統中，由于成本和算法復雜度的限制，HMM算法特別CHMM（Continuous density HMM）算法尚未得到廣泛的應用。
（3）人工神經網絡ANN（Artificial Neural Network）。ANN在語音識別領域的應用是在20世紀80年代中后期發展起來的。其思想是用大量簡單的處理單元并行連接構成一種信息處理系統。這種系統可以進行自我更新，且有高度的并行處理及容錯能力，因而在認知任務中非常吸引人。但是ANN相對于模式匹配而言，在反映語音的動態特性上存在重大缺陷。單獨使用ANN的系統識別性能不高，所以目前ANN通常在多階段識別中與HMM算法配合使用。
3 基于HMM的語音識別系統
下面詳細介紹基于HMM的語音識別系統。首先在UniSpeech芯片上實現了基于DHMM的識別系統，然后又在同一平臺上實現了基于CHMM的識別系統。
3.1 前端處理
語音的前端處理主要包括對語音的采樣、A/D變換、分幀、特片提取和端點檢測。
模擬語音信號的數字化由A/D變換器實現。ADC集成在片內，它的采樣頻率固定為8kHz。
特征提取基于語音幀，即將語音信號分為有重疊的若干幀，對每一幀提取一次語音特片。由于語音特征的短時平穩性，幀長一般選取20ms左右。在分幀時，前一幀和后一幀的一部分是重疊的，用來體現相鄰兩幀數據之間的相關性，通常幀移為幀長的1/2。對于本片上系統，為了方便做FFT，采用的幀長為256點（32ms），幀移為128點（16ms）。
特征的選擇需要綜合考慮存儲量的限制和識別性能的要求。在DHMM系統中，使用24維特征矢量，包括12維MFCC（Mel Frequency Cepstrum Coefficient）和12維一階差分MFCC；在CHMM系統中，在DHMM系統的基礎上增加了歸一化能量、一階差分能量和二階差分能量3維特征，構成27維特征矢量。對MFCC和能量分別使用了倒譜均值減CMS（Cepstrum Mean Subtraction）和能量歸一化ENM（Energy Normalization）的處理方法提高特征的穩健性。
3.2 聲學模型
在HMM模型中，首先定義了一系列有限的狀態S1…SN，系統在每一個離散時刻n只能處在這些狀態當中的某一個Xn。在時間起點n=0時刻，系統依初始概率矢量π處在某一個狀態中，即：
πi=P{X0=Si},i=1..N
以后的每一個時刻n，系統所處的狀態Xn僅與前一時刻系統的狀態有關，并且依轉移概率矩陣A跳轉，即：
系統在任何時刻n所處的狀態Xn隱藏在系統內部，并不為外界所見，外界只能得到系統在該狀態下提供的一個Rq空間隨機觀察矢量On。On的分布B稱為輸出概率矩陣，只取決于Xn所處狀態：
Pxn=Si{On}=P{On|Si}
因為該系統的狀態不為外界所見，因此稱之為“穩含馬爾科夫模型”，簡稱HMM。
在識別中使用的隨機觀察矢量就是從信號中提取的特征矢量。按照隨機矢量Qn的概率分布形時，其概率密度函數一般使用混合高斯分布擬合。
其中，M為使用的混合高斯分布的階數，Cm為各階高期分布的加權系數。此時的HMM模型為連續HMM模型（Continuous density HMM），簡稱CHMM模型。在本識別系統中，采用整詞模型，每個詞條7個狀態同，包括首尾各一個靜音狀態；每個狀態使用7階混合高斯分布擬合。CHMM識別流程如圖1所示。
由于CHMM模型的復雜性，也可以假定On的分布是離散的。通常采用分裂式K-Mean算法得到碼本，然后對提取的特征矢量根據碼本做一次矢量量化VQ（Vector Quantization）。這樣特征矢量的概率分布上就簡化為一個離散的概率分布矩陣，此時的HMM模型稱為離散HMM模型（Discrete density HMM），簡稱DHMM模型。本DHMM識別系統使用的碼本大小為128。DHMM識別流程如圖2所示。
DHMM雖然增加了矢量量化這一步驟，但是由于簡化了模型的復雜度，從而減少了占用計算量最大的匹配計算。當然，這是以犧牲一定的識別性能為代價。
筆者先后自己的硬件平臺上完成了基于DHMM和CHMM的識別系統。通過比較發現，對于嵌入式平臺而言，實現CHMM識別系統的關鍵在于芯片有足夠運算太多的增加。因為詞條模型存儲在ROM中，在匹配計算時是按條讀取的。
3.3 識別性能
筆者使用自己的識別算法分別對11詞的漢語數碼和一個59詞的命令詞集作了實際識別測試，識別率非常令人滿意，如表1所示。
表1 漢語數碼識別率
DHMMCHMM特征矢量維數2427識別率93.40%98.28%識別速度（11詞）10ms50ms模型大小（1個詞條）1.5KB<5.5KB碼本6KB無對于59詞命令詞集的識別，還增加了靜音模型。由于基線的識別率已經很高，所以靜音模型的加入對于識別率的進一步提高作用不大，如表2所示。但靜音模型的加入可以降低對端點判斷的依賴。這在實際使用中對系統的穩健性有很大的提高。
表2 59詞命令詞集識別率
浮 點定 點無靜音模型98.59%98.28%有靜音模型98.83%98.55%可以看到，在硬件能夠支持的情況下，CHMM的識別率比DHMM有很大的提高，同時識別速度也完全可以滿足使用要求。
關鍵詞：PTT；語音識別；通信
中圖分類號：TP391 文獻標識碼：A
Earthquake site intercom communication optimization technology based on speech recognition
XU Nian， LI Wei， CHENG Fei
（Earthquake Administration of Jiangsu Province，Nanjing 210014，China）
Abstract： Nowadays， using walkie-talkie call is an essential method of communication when the earthquake emergency rescue. But when rescue workers call， it is necessary to press PTT by hand，which could influence the work convenience of rescue workers. Based on this， the paper uses the latest digital processing technology and the incorporated algorithm to identify only the human voice，so that the outside sound and shock are not recognized. After that， for the rescue workers in the state of speech， automatic identification could be gotten to produce PTT， and the call could be achieved. Hands of rescue personnel are completely liberated， and intercom speech are automatically launched. It is concluded that the proposed optimization communication method could improve the efficiency of the rescue，therefore gain significant benefits.
Keywords： PTT；speech recognition；communication
0 引言
地震應急救援是我國防震減災事業3+1體系的重要組成之一。最大限度地降低地震災害損失是抗震救災工作的核心設定目標，而實現這一目標的基礎環節之一就是提高地震應急救援水平。我國的地震應急救援系統和管理體系迄今為止仍有待完善，2008年的汶川地震和2010年的玉樹地震救援工作已經清晰表明了應急救援的強大背景支撐作用，與此同時更進一步揭示了在突發地震災害面前應急救援技術及應用的廣闊施展空間與不斷增長的現實需求。特別地，已有研究指出，穩定可靠的對講機自動對講和多功能、全方位的語音通話在地震救援現場正在擔負和執行著日趨顯著、且不可或缺的使命任務與功能角色。這種通信方式的優化對于提高地震救援效率則有著不言而喻的實用價值與積極推動意義。本文即針對這一課題內容展開研究論述。
1 基本原理
語音識別是新興的人機交互技術之一。研究可知，語音識別系統則由語音信號的預處理、特征提取、語音模板庫以及匹配判決這4個部分構建組成。在此，給出語音識別系統的院里構成如圖1所示。
如圖1所示，對于語音識別系統各組成部分的效果實現可提出如下設計分述：
1）預處理
預加重。預加重過程可以使語音的高頻部分得到提升，減小語音的動態范圍，增加信噪比，使信號的頻譜更趨平滑，利于展開頻譜分析。
分幀與加窗。采用一個有限長的窗序列，并利用其滑動來實現對原始語音信號的分幀，另外采用交疊分段方法使相鄰幀之間過渡更為流暢。
2）端點監測。端點檢測是指從一段語音信號中檢測出說話的起始點與終止點，刪除無聲段，以降低特征提取的計算量，縮短系統的訓練與識別時間，進而提高準確度與識別率。常用的端點檢測方法主要基于2個參數：短時平均能量和短時平均過零率。
3）特征提取。在語音信號處理中，可以采用如下特征：語音信號能量、基音周期、共振峰、LPCC及MFCC等。其中，LPCC是依據說話人的聲道模型得來的，整體實現思路是對語音信號進行線性預測分析，再將所得到的線性預測系數啟用倒譜運算，該種參數優點是計算過程清晰，且能夠優質描述元音信號，但其缺點卻在于對輔音信號的描述性能欠佳，且極容易受到噪聲的干擾而產生失真。而MFCC參數的獲取則是基于人耳的聽覺特性，其完整思路是將語音信號的頻譜通過帶通濾波器轉換為基于美爾頻率尺度的非線性頻譜，接下來就是對濾波器的輸出設計展開對數及離散余弦變換，由于該參數為符合貼近人耳的聽覺特性，因此相比較而言即LPCC參數具有較好的抗干擾能力。
4）模板匹配。動態時間規劃（DTW）是模板匹配法中核心經典的算法之一。DTW算法通過不均勻地扭曲或彎折待測語音信號的時間軸，使待測語音特征和模板特征彼此對齊，并通過不斷地在2個模板之間搜索模板中對應矢量最小距離的匹配路徑，最終得到一個規整函數，這個函數可使2個模板中的矢量匹配時累計距離最小。因此，DTW是一種結合了時間規整和距離測度的非線性規整技術。
2系統軟件設計
本項目軟件主要在CCS上獲得開發實現。CCS是TI公司開發的用于開發DSP應用程序的可視化集成開發環境，具體支持C2000、 C5000、 C6000系列，包括代碼編輯、調試工具、可執行代碼生成工具以及實時分析工具，可用于匯編語言和C/C++語言混合編程。
基于CCS的TMS320VC5409A的標準軟件開發流程如圖2所示。
由圖2可以看出，軟件開發過程中涉及到C編譯器、匯編器、鏈接器等開發工具，重點包括了C編譯、匯編、鏈接和調試總共4個階段，具體步驟如下：
1）用C編譯器將C語言源代碼程序自動編譯為C5X的匯編語言源代碼程序；
2）用文本編輯器編輯得到符合C5X匯編器格式要求的匯編源程序；
3）調用匯編器將該源文件導入匯編，如果源文件中調用了宏，匯編器還會到宏庫中搜索該宏；
4）匯編后，將生成格式為公共目標文件格式的目標文件（.obj），稱為COFF目標文件；
5）調用鏈接器對目標文件提供鏈接，如果包含了運行支持庫和目標文件庫，鏈接器還會到所保護的庫中搜索所需的成員。
6）鏈接之后，生成COFF執行文件（.out）；
7）將COFF執行文件下載到C5XDSP中展開運行，同時也可借助調試工具對程序進行跟蹤調試或優化。另外，還可利用交叉參考列表器和絕對列表器生成一些包含調試信息的表。
3系統硬件設計
3.1基本組成
語音識別受送話器主要由耳機、麥克風部分和主機部分組成，詳細原理框圖如圖3所示。
3.2控制處理電路
控制處理電路相當于人的大腦，是語音識別受送話器的核心構成。該電路由信號濾波、模數轉換、識別、存儲、延時、收發控制、產生提示信號、靈敏度調節等各部分組成，每一獨立功能均由軟件程序調試控制完成。在此，針對該控制處理電路的基礎功能模式流程展開設計解析，具體論述如下。
3.2.1 信號濾波、模數轉換、語音實現
控制處理電路將收到的前置放大電路送來的信號首先進行濾波、去除外帶無用的信號，而后進行模數轉換，即編碼，將模擬信號轉為數字信號。
語音實現部分，本文研究選用了MC145483。這是一款功能全面的音頻編解碼器，MC145483的主要外接管腳有PCM數據輸入端DR，PCM數據輸出端DT、芯片主控制時鐘MCLK（頻率可為256kHz，512kHz，1.536MHz，2.048MHz，4.096MHz）、接收幀同步信號FSR（8kHz）、發送幀同步信號FST（8kHz）、接收端的位時鐘BCLKR（256kHz到4096kHz）。MC145483可以提供高質量的語音通信，而且電路簡單，通過調節相應的電阻比值即可改變麥克風和揚聲器的增益數值。研究可得，語音實現電路如圖4所示。
圖4 語音實現電路圖
Fig.4 Phoneticalisation circuit diagram
至此，MC145483則通過數字輸入/輸出接口連接至DSP芯片。由于DSP芯片是專門針對數字信號設計和開發的，所以在數字信號分析和處理的領域中，比通用CPU芯片的處理速度更快，效率更高，穩定性更好。本次研究最終選擇了TMS320VC5409芯片。總而言之，MC145483可將輸入的模擬音頻信號經過抽樣、量化、編碼后變成數字音頻信號發送給DSP處理，也可從DSP接收經過其處理后的數字音頻信號，并將其通過DA轉換后還原為模擬音頻信號輸出。
3.2.2 信號識別、存儲、延時
這一功能是控制處理電路的重點與關鍵。收到轉換后的數字信號后，通過分析判斷是否為人的講話聲音。如果不是，系統選擇忽略；如果是，則將數字信號進行存儲，同時使系統轉為發射狀態。再將存儲的數字信號經過數模轉換，即信號解碼，恢復為模擬信號，經過不到1s的延時送至輸出放大電路輸出。信號識別可以確保系統運行高度可靠，而延時則可以實現信號的理想成功傳送。
3.2.3 受送話結束提示音
為了獲得最佳使用，設置受送話結束提示音。受送話結束提示音分為送話結束提示音和受話結束提示音。下面將基于各自實現闡釋。
1）送話結束提示音。結束講話時，系統需判定使用者講話是否結束。判定的方法是在使用者結束講話后1～2s內沒有重新講話，便可視作講話結束。在1～2s后系統將由發射狀態自動調為接收待機狀態，同時發出“嘀”的提示音，告知使用者系統目前已處于接收狀態。
2）受話結束提示音。當使用者接收到對方電臺的聲音時，接收的聲音一般是連續的，在對方講話期間，使用者是不能發送的。在對方停止講話后，系統會產生一個“嘀”的提示音，通知使用者對方講話已結束，可以講話發射了。
3.2.4 發射屏蔽信號
發射屏蔽信號主要用來在接收時屏蔽發射功能，這是另一重要設計組成部分。其實現作用如下：當使用者在接收對方講話期間，因為電臺處于接收狀態，對方電臺則處于發射狀態，此時是不能發射的。即使己方電臺發射，由于對方電臺也同樣處于發射狀態，對方也是聽不到使用者講話的，相應地使用者也不能聽到對方的講話了。這種現象是人為原因造成的通信線路紊亂。為了避免這一現象的不利效果的干擾出現，設計時處理電路會監視收到的信號，在對方處于講話期間，即便使用者發聲講話，處理電路也將屏蔽講話信號（此種狀態下，即使不使用通信系統，電臺同樣不能在對方講話期間發射），只有在對方講話結束，即受話結束提示音響過以后才能講話、發射，確保不會產生通信紊亂現象。
4應用效果
2016年5月23～25日，“2016年中國杭州G20峰會地震安全保障?華東地震應急聯動協作區應急支援演練” 在杭州臨安舉行，來自江蘇、福建、安徽、江西、浙江和上海五省一市地震局的6支隊伍參加了演練。江蘇局研發的骨傳導數字語音識別受送話器在地震現場搜救科目中發揮了高效作用，有效提高了救援效率。得到了中國地震局應急救援司領導和參與專家的一致好評。
5結束語
骨傳導數字語音識別受送話器在江蘇局的應用，首要優勢即是控制消除了對外界聲音和沖擊等的辨識接收。當救援人員講話時，自動識別產生PTT，就可以實現通話。救援人員的雙手獲得了徹底解放，講話時對講機自動發射，這種通信方法的優化，對于提高救援效率，已然呈現出顯著現實益處與良好的方法指導意義。
參考文獻
[1]李寧，徐守坤，馬正華，等.自適應語音識別算法仿真研究[J].計算機仿真，2011，28（8）：181-185.
[2]張雪英.數字語音處理及MATLAB仿真[M].北京：電子工業出版社，2010：189-189.
[3]余建潮，張瑞林.基于MFCC和LPCC的說話人識別[J].計算機工程與設計，2009，30（5）：1189-1191.
所謂“手語識別”是指，通過計算機采集設備獲得聾啞人的手語數據，采用模式識別算法，結合上下文知識，獲知手語含義，進而翻譯成語音，傳達給不懂手語的正常人。這樣，正常人就可以“聽懂手語”。
而“手語合成”是指，正常人通過語音表達自己的意圖，計算機將語音翻譯為手語并表現出來，向聾啞人傳遞信息。這樣，聾啞人就能夠“看懂聲音”。
從2000年開始，“手語識別與合成”項目組始終專注于手語與語音、語言自動轉換技術的研究，在“大詞匯量的手語識別”、“非特定人手語識別”，以及“多模式手語合成”等方面擁有大量核心技術，申請國家發明專利二十余項，其中手語編輯、手語翻譯等相關專利已獲授權。
該項目得到了國家自然科學基金重點項目以及國家“863”高技術發展項目等多項課題基金的支持，在國內外形成了廣泛的影響，并獲得2003年度國家科技進步獎二等獎。
在研究過程中，項目組采用“沿途生蛋”的產業化模式，將部分階段研究成果成熟后直接推向應用，從實踐中得到反饋，為進一步研發積累需求，并且項目成果在多個實踐中得到有效應用。
其中，“電視臺用手語電視節目制作系統”通過自動合成手語視頻窗口，可與電視節目同步播放；“奧運新聞實時播報系統”獲國家科技支撐計劃“無障礙信息平臺”資助，將在2008年奧運會上展示；對奧運志愿者進行培訓的“奧運手語在線互動教學系統”獲得北京市信息辦和殘聯等各部分的支持，成為2008殘奧會志愿者必備學習軟件；“標準中國手語電子詞典”已在1000多所聾校推廣應用。
TTS是“Text To Speech”的縮寫，即“從文本到語音”。它同時運用語言學和心理學的杰出之作，把文字智能地轉化為自然語音流。電子小說軟件將文字讀出來、銀行營業廳的語音叫號系統、詞霸朗讀單詞、手機朗讀短信和來電朋友的姓名……這就是目前應用最廣泛的TTS語音識別技術。想了解其最新研究進展可以訪問網站/speech/tts.asp。那么，我們又是如何進一步控制計算機的呢？
計算機為什么能聽懂我們的話？
技術上，實現語音識別就是讓計算機通過識別和理解的過程把自然語音信號轉變為相應的文本或計算機指令。語
音識別是一門交叉學科，所涉及的領域很廣，包括信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等等。
在語音識別過程中，首先要將說話的聲音由模擬的語音信號轉換為數字信號，然后從信號中提取語音特征，同時進行數據壓縮。輸入的模擬語音信號也要進行預處理，包括預濾波、采樣和量化、加窗、端點檢測、預加重等。語音識別系統的模型通常由聲學模型和語言模型兩部分組成。
p語音輸入模式圖
p語音識別軟件工作流程圖
語音識別過程主要分為兩個階段：“學習”階段中，計算機的主要任務是建立識別基本單元的聲學模型以及進行文法分析的語言模型，即構建參考模式庫；在“識別”階段，計算機根據識別系統的類型選擇能夠滿足要求的識別方法，采用語音分析方法分析出這種識別方法所要求的語音特征參數，按照一定的準則和測度與參考模式庫中的模型進行比較從而得出識別結果。
Vista，語音識別就在你身邊
微軟在最新推出的Vista中增加了上千個讓人耳目一新的新功能，其中之一便是能讓你與計算機進行交談的“語音識別”技術。
其實，Windows XP就已經內置了當時較為先進的TTS語音識別引擎，同時也支持語音輸入功能，不過要實現語音輸入功能還需要另外安裝語音輸入模塊。
而Windows Vista的語音識別功能已經內置在系統中，功能更為強大，我們可以通過說話來讓計算機完成操作、輸入文字、將屏幕上的文字朗讀出來、處理文件夾和文件、通過IE瀏覽器來訪問互聯網、單擊屏幕的任意位置、操作窗口和程序……這些功能基本上實現了通過語音命令來完成計算機的常用操作和語音輸入命令，對于某些特殊需要的人來說非常實用。沒有配置鍵盤、鼠標？記不清命令的路徑？手忙不過來？一樣可以通過說話控制計算機。
pWindows Vista的語音識別向導
p在Windows Vista控制面板中設置語音識別選項
pWindows Vista的語音識別工具欄窗口
p語音檢索識別。可以通過哼唱歌曲的段落在卡拉OK廳找出想唱的歌曲，通過說話尋找手機電話本中的聯系人，甚至可以用手機通過哼唱音樂旋律來下載彩鈴。
p使用語音控制通過說出不同鏈接的編號瀏覽網頁
如何找到并設置語音識別的功能呢？在Vista控制面板的搜索欄中輸入“語音識別選項”即可。需要注意的是，在
開始設置之前請將麥克風和音箱（或者耳機）連接到計算機上。如果啟動語音識別時提示錯誤，可能是你開啟了其他音頻軟件（比如Windows Media Player等音樂播放軟件），關閉這些軟件后就可以正常開啟語音識別了。
開啟Windows Vista的語音識別軟件后會出現一個語音識別設置向導，在其中會引導你對麥克風進行設置以及進行語音訓練。語音訓練是目前的語音識別軟件比較通用的一個使用前的設置工作，因為我們每個人的說話口音和習慣都不同，計算機要聽懂你說的話當然也需要提前學習，大大提高語音識別的準確率。
語音識別設置向導不僅能幫助計算機學習和適應你的說話習慣，還能教給你語音識別的使用方法和常用的語音命令。設置完成并啟用語音識別功能以后，Windows的語音識別提示工具窗口會浮現在桌面上方以方便你隨時使用。這時，我們就可以隨心所欲地通過與計算機“交談”來控制計算機了。特別值得一提的是，Vista的語音識別對于桌面控制和在使用瀏覽器瀏覽網頁上也更加人性化，比如它會自動檢測并給網頁鏈接加上編號，讀出編號即能訪問相應的鏈接了。
關鍵詞：語音識別；動態時間規整算法；人工神經元網絡
中圖分類號：H017文獻標識碼：A文章編號：1672-3198（2008）02-0199-02
1 背景介紹
語言是人類特有的功能,是人們思維最重要的寄托體，是人類交流最主要的途徑。語音是語言的聲學表現，是人類交流信息最自然、最有效、最方便的手段。語言和語音與人類社會科學文化發展緊密相連。
語音識別技術是讓機器接收，識別和理解語音信號，并將其轉換成相應的數字信號的技術。它是一門交叉學科，涉及到語音語言學、數理統計、計算機、信號處理等一系列學科。
2 發展歷史
1952年貝爾實驗室的Davis等人研制成功了能識別十個英文數字發音的Audry系統，標志著語音識別技術研究工作開始。20世紀60年代計提出了動態規劃(Dynamic programming)和線性預測分析技術（Liner Predictive）等重要成果。20世紀70年代，語音識別領域取得了突破。實現了基于線性預測倒譜和DTW技術的特定人孤立語音識別系統。20世紀80年代語音識別研究進一步走向深入, 基于特定人孤立語音技術的系統研制成功, 隱馬爾可夫模型和人工神經元網絡(Artificial Neural Network)在語音識別中的成功應用。進入20世紀90年代后語音識別系統開始從實驗室走向實用。我國對語音識別的研究開始于20世紀80年代，近年來發展迅速，并取得了一系列的成果。
3 具體應用
隨著計算機技術、模式識別等技術的發展，適應不同場合的語音識別系統相繼被開發出來，語音識別及處理技術已經越來越突現出其強大的技術優勢。近三十年來，語音識別在計算機、信息處理、通信與電子系統、自動控制等領域的應用越來越廣泛。
在許多政府部門、商業機構，語音識別技術的應用，可免除大量操作人員的重復勞動，既經濟又方便。如：語音郵件、IP電話和IP傳真、電子商務、自動語音應答系統、自動語音信箱、基于IP的語音、數據、視頻的CTI系統、綜合語音、數據服務系統、自然語音識別系統、專家咨詢信息服務系統、尋呼服務、故障服務、秘書服務、多媒體綜合信息服務、專業特別服務號(168自動信息服務系統，112、114、119等信息查詢系統)等。許多特定環境下，如工業控制方面，在一些工作環境惡劣、對人身有傷害的地方(如地下、深水及輻射、高溫等)或手工難以操作的地方，均可通過語音發出相應的控制命令，讓設備完成各種工作。
當今，語音識別產品不僅在人機交互中，占到的市場比例越來越大，而且在許多領域都有了廣闊的應用前景，在人們的社會生活中起著舉足輕重的作用。
4 語音識別系統原理
語音識別一般分為兩個步驟：學習階段和識別階段。學習階段的任務是建立識別基本單元的聲學模型以及語言模型。識別階段是將輸入的目標語音的特征參數和模型進行比較，得到識別結果。
語音識別過程如圖所示。下面對該流程作簡單介紹：
（1）語音采集設備如話筒、電話等將語音轉換成模擬信號。
（2）數字化一般包括預濾波、采樣和A/D變換。該過程將模擬信號轉變成計算機能處理的數字信號。
（3）預處理一般包括預加重、加窗分幀。經預處理后的信號被轉換成了幀序列的加窗的短時信號。
（4）參數分析是對短時信號進行分析，提取語音特征參數的過程，如時域、頻域分析，矢量量化等。
（5）語音識別是目標語音根據特征參數與模型庫中的參數進行匹配，產生識別結果的過程。一般有模板匹配法、隨機模型法和神經網絡等。
（6）應用程序根據識別結果產程預定動作。
（7）該過程是語音模型的學習過程。
5 現有算法介紹
語音識別常用的方法有：模板匹配法、人工神經網絡法。
（1）模板匹配法是語音識別中常用的一種相似度計算方法。模板匹配法一般將語音或單詞作為識別單元，一般適用于詞匯表較小的場合。在訓練階段，對用戶語音進行特征提取和特征維數的壓縮，這個過程常用的方法是采用矢量量化（VQ）技術。然后采用聚類方法或其他方法，針對每個模式類各產生一個或幾個模板。識別階段將待識別的語音模式的特征參數與各模板進行相似度的計算，將最高相似者作為識別結果。但由于用戶在不同時刻發同一個音的時間長度有較大隨意性，所以識別時必須對語音時間進行伸縮處理。研究表明，簡單的線性伸縮是不能滿足要求的。由日本學者板倉在70年代提出的動態時間伸縮算法（DTW）很好的解決了這一問題。DTW算法能夠較好地解決小詞匯量、孤立詞識別時說話速度不均勻的難題。DTW算法示意圖如圖所示。
設測試的語音參數共有M幀矢量，而參考模板有N幀矢量，且M≠N，則DTW 就是尋找一個時間歸整函數tn=f(tm)，它將測試矢量的時間軸tm非線性地映射到模板的時間軸tn上，并使該函數滿足第k幀（k=1，2，…M）測試矢量I和第f(k)幀（f(k)=1,2…N）模板矢量J之間的距離測度之和最小:
Distance=min∑Mk=1d［I(k)-J(f(k))］
另外，在實際識別系統中，語音的起點或終點由摩擦音構成，環境噪聲也比較大，語音的端點檢測會存在較大的誤差。DTW 算法起點點可以固定在(tm,tn)=(1，1)，稱為固定起點；也可以選擇在(1，2)、(2，1)等點，稱為松馳起點。同樣，中止點可以選擇在(M,N)點，稱為固定終點；也可以選擇在(N一1,M)、(N，M一1)等點，稱為松弛終點。松弛的DTW 算法的起始點從(1，1)、(1，2)、(2，1)等點中選擇一最小值，終止點從(M,N)、(M,N-1)、(M-1,N)等點中選擇一最小值，兩語音樣本之間的相互距離在相應的點放松后選擇一最小距離。松弛DTW可以克服由于端點檢測不精確引起的誤差，但運算量加大。
（2）人工神經網絡法。現實世界的語音信號會隨著許多特征如：說話人語速、語調以及環境的變化而動態變化的，想要用傳統的基于模板的方法建立一個適應動態變化的語音識別系統是非常困難的。因此需要設計一個帶有自學習能力的自適應識別系統，以便可以適應語音的動態變化。
人工神經網絡由神經元、網絡拓樸和學習方法構成。人工神經網絡拓樸結構可分為反饋型和非反饋型（前饋型）。學習方法可分為監督型和非監督型。各種人工神經網絡模型中應用得最典型的是采用反向傳播（Back Propagation）學習算法的多層前饋網絡。多層前饋型網絡如圖所示。
除上述介紹的幾種常用的方法外，還有許多其它的識別方法以及改進算法。
6 尚未解決的問題及值得研究的方向
（1）就算法模型方面而言，需要有進一步的突破。聲學模型和語言模型是聽寫識別的基礎。目前使用的語言模型只是一種概率模型，還沒有用到以語言學為基礎的文法模型，而要使計算機確實理解人類的語言，就必須在這一點上取得進展。
（2）語音識別的自適應性也有待進一步改進。同一個音節或單詞的語音不僅對隨著的講話者的不同而變化,而且對同一個講話者在不同場合,不同上下文環境中也會發生變化。這意味著對語言模型的進一步改進。
（3）語音識別技術還需要能排除各種環境因素的影響。目前，對語音識別效果影響最大的就是環境雜音或噪音。要在嘈雜環境中使用語音識別技術必須有特殊的抗噪麥克風才能進行，這對多數用戶來說是不現實的。在公共場合中，如何讓語音識別技術能有摒棄環境嗓音并從中獲取所需要的特定聲音是一個艱巨的任務。
雖然在短期內還不可能造出具有和人相比擬的語音識別系統，但在未來幾年內，語音識別系統的應用將更加廣泛，各種語音識別系統產品將陸續進入我們的生活。語音識別各個方面的技術正在不斷地進步，一步步朝著更加智能化的方向發展。
參考文獻
［1］楊尚國，楊金龍.語音識別技術概述［J］.福建電腦，2006，（8）.
［2］孫寧,孫勁光,孫宇. 基于神經網絡的語音識別技術研究［J］. 計算機與數字工程，2006.
［3］Phil Woodland. Speech Recognition. Speech and Language Engineering-State of the Art (Ref. No. 1998/499).
【關鍵詞】隱馬爾可夫；語音識別；單片機
在這個高科技的信息時代，計算機占著極為重要的地位，人機通信是人與機器之間進行信息通訊，使機器按照人的意愿工作，傳統的人機通信是通過鍵盤、按鈕以及顯示器等機器設備實現的，在許多場合都不是很方便，其最理想的通信方式就是通過語音進行識別。實現人與機器通過自然語音的方式進行信息通訊，不僅可以簡化日常工作，更可以提高工作效率，帶給人們極大的方便。而實現這個理想最關鍵的部分就是語音識別技術。
1語音識別概述
1.1語音信號的產生
物體的振動產生聲音，正在發聲的物體叫做聲源，聲音在介質中以聲波的形式傳播。語音是指人的發聲器官振動所發出的負載一定語言意義的聲音，發音器官主要有肺部、氣管、喉部、咽、鼻腔、口腔和上下唇，每個人的聲道各不相同，從而各自發出的聲音也不相同。
語音信號主要有模擬信號和數字信號兩種表現形式。模擬信號是人直接通過耳朵聽到的信號，是時間和幅值均連續的物理量，由于其數據量過大、有較多的隨機因素等原因不能直接被作為計算機的識別信號。數字信號是時間和數值均離散的二進制數字量化的模擬信號，是計算機語音識別技術的基礎。數字信號相比模擬信號有以下優點：可以實現很多復雜的信號處理工作；具有可靠性高、價格低廉、反應迅速等特點；有利于區分出干擾信號等。所以要想使計算機按照人類的自然語言要求工作，關鍵的就是將模擬信號轉換為數字信號。
1．2語音信號的處理
根據討論，若要對語音信號進行處理必須先對此信號進行預處理，即將模擬信號轉換為數字信號，再整理、分析、理解轉換后的數字信號，并過濾掉多余的信息。主要包括數字化、預加重和加窗分幀三部分。
數字化就是把語音模擬信號轉換為數字信號的采樣與量化過程，采樣是在相同間隔的時間內抽取信號而得到離散的序列，并將其轉換為數字。量化則是在有限的區域內分布采樣后的信號。預加重是通過一個高通濾波器使頻譜變得平坦，防止衰減作用，不受有限字長效應的影響。以“幀”為單位對語音信號進行截取，使信號有短時平穩的特征，加窗則可以讓截取的信號波形更加平滑。
1．3語音信號的模塊處理
在語音識別中，常使用的基本算法有：動態時間規整技術（DTW）、隱馬爾可夫模型（HMM）和人工神經元網絡（ANN）。
1）隱馬爾可夫模型
隱馬爾可夫模型（HMM）在當前語音識別系統中占據主流地位。它是一種隨機概率模型，其使用大大降低了模型的復雜度。早在20世紀六七十年代就開始研究的統計信號模型。HMM是在Markov鏈的基礎上發展起來的，但實際問題要更為復雜，所觀察到的事件與一組概率分布相關。它是一個雙重隨機過程，一個是Markov鏈，這是基本隨機過程，它描述狀態的轉移；一個是隨機過程描述狀態和觀測值之間的統計對應關系，觀察者不能直接看到狀態，而是由感覺感知到的，因此稱之為“隱”Markov模型，即HMM。
2）人工神經網絡法
ANN現在已經成為了另一個熱點，是非線性系統，具有DTW和HMM沒有的對比、概括、推理能力。
3）動態時間規整技術
DTW是模板訓練和模式匹配中出現最早的技術，使用動態規劃技術在孤立詞語音識別中具有良好的成果，但是其計算量較大，很難被使用到現實中的語音識別。目前已經被其他的算法所替代。
2語音識別系統設計思路
語音識別技術正在不斷的發展中，在硬件平臺上實現語音識別以取代繁瑣的工作成為其發展的必然趨勢。本文就是對基于單片機的語音識別系統的研究。由于單片機本身存在著處理速度慢、存儲能力不強大的缺陷，所以此次設計是基于孤立詞的語音識別系統。
語音識別系統的模型庫訓練工作原理是：特定人的語音信號進入系統，系統對進入的語音信號濾波，目的是為了消除需要的語音頻率之外的其他雜音，進而數模轉換，將輸入的語音模擬信號數字化，有利于計算機進行識別。數字化后的語音信號再通過預處理、加窗分幀。對于剩下的語音信號送入HMM模板與模板庫進行訓練和匹配，再將最佳的結果傳輸給用戶。
3系統模塊設計及系統測試
此次設計是基于單片機的語音識別系統研究，有以下幾點要求：該系統必須使完整的語音識別系統，有簡單的顯示功能，提高系統的識別性能，體積盡量減小。
工作原理首先采集語音信號，輸入完成后通過濾波采集需要的語音信號，再通過數模轉換器進入控制器，再與標準語音庫中的語音信號進行對比，找出最接近該段信號的語音，再將識別出的語音通過LCD顯示模塊顯示給用戶。
系統檢測首先確認是否有按鍵按下，當檢測到有按鍵按下時，表示系統開始運行，如果沒有按下，則表示系統處于非工作狀態，只有當有按鍵時，才可以工作。進而開始接收語音信號，首先對語音信號進行濾波消除雜音，然后通過數模轉換電路，將模擬信號轉換為數字信號，預處理、端點檢測后，與事先存儲好的信號進行比對，得到最后的識別結果，將識別出來的結果，送往LCD液晶顯示器上顯示出來，展現給用戶。
此次設計通過MATLAB軟件實現對語音信號的調試。在接收語音信號時，有可能產生外界的干擾噪聲，這就需要我們通過一系列復雜的公式計算，對該信號進行處理，進而在送由單片機進行下一步的工作。
4結束語
語音識別技術是實現人與計算機進行直接對話，讓計算機自動對人所說的話進行識別、理解并執行的技術手段。語音識別技術的應用已經成為一個被受關注的新型技術產業，它的實現能夠簡化人們在以往工作中的繁瑣，未來語音識別還要向低成本、高性能方向不斷發展。
【參考文獻】
關鍵詞 空間增強；譜減法；連續語音識別；自適應；雙通道信號
中圖分類號 TP393文獻標識碼 A文章編號 10002537（2014）03006306
雖然自動語音識別（ASR）系統的研究已投入了大量的人員和資金，但是它還不能夠像電話一樣，作為日常生活的一部分完整地融入到人們的生活當中.其中一個最主要的問題就是自動語音識別系統在噪聲和混響環境下，特別是二者混合環境下的識別性能過于低下[1].在大多數情況下，為獲得可接受的識別性能，只能依賴于麥克風陣列的使用，即通過使用大量按照特定位置放置的麥克風來獲取語音輸入和空間信息.大量的ASR研究，使用麥克風陣列得到方向增益，以改善噪聲與混響環境中獲取信號的質量；采用模式識別技術中的譜減法來消除噪聲和處理語音訓練集與測試集不匹配問題[2].
在日常應用中，普通用戶既不可能隨身攜帶麥克風陣列也不可能精確地放置它們.目前，日常使用的麥克風是與雙通道耳機相對應的，它能得到雙通道語音信號，卻不能得到復雜的空間信息.如果依然采用傳統的信號增強方法（例如廣義旁瓣抵消技術）來處理雙通道信號，以作為語音識別系統的預處理端，那么噪聲的消除反而會帶來無法接受的語音失真.
譜減法[3]作為另一種消除噪聲的技術，可以不依賴麥克風陣列獲取輸入信號，但是卻存在三大缺點：（1）噪聲估計誤差過大導致噪聲消除時語音失真；（2）增強后的語音中含有明顯的“音樂噪聲”；（3）混響未被處理.
為解決上述問題，本文基于雙聲道語音信號簡單的空間特性，綜合使用改進的廣義旁瓣抵消空間增強技術和改進的譜減法技術作為語音識別系統的噪聲消除和信號放大的預處理端，并基于HTK開發工具設計一個識別性能優異的語音識別系統.
1 系統描述
圖1 系統結構
Fig.1 System structure
圖1為本系統的整體構架.它由空間增強、譜減法模塊和自動語音識別模塊3個主要部分構成.
1.1 空間增強模塊
因為空間線索是語音識別的主要部分和遠場麥克風語音識別的組織焦點，在該ASR系統中，采用PASCAL “CHiME”[4]組織提供的雙通道含噪語音信號，利用該信號簡單的空間特性可以得到表現優異的噪聲估計.
有許多經典的使用麥克風陣列的方法來放大目標信號，例如通過延遲求和方式的波束形成，自適應噪聲消除（ANC）以及獨立成分分析（ICA）.它們使用麥克風陣列得到方向增益，以改善在噪聲與混響環境中獲取信號的質量.
1.2 噪聲消除模塊
通常的ASR系統在處理含噪信號時性能大幅度下降，因此，噪音消除是該系統中常見且必須的組成部分.當前主流的噪聲消除技術可以分為3大部分.（1）使用時域濾波技術，例如維納濾波和自適應濾波；（2）嘗試還原原始語音譜的譜還原技術，例如譜減法[5]和參數減法；（3）為增強語音結構，有許多基于語音模型的噪聲消除技術，例如基于諧波模型的噪聲消除.然而，使用這些技術來獲得噪聲衰減和信噪比的改善，往往會造成語音失真.通常，越干凈的噪聲消除會導致越嚴重的語音失真，因此，研究設計一個針對復雜聲學環境的ASR系統，在語音失真和噪聲消除之間尋找一個平衡點，是非常重要的工作.
1.3 識別系統自適應
通過一些經典的空間濾波和噪聲消除技術來處理麥克風陣列在真實環境中獲取的聲音信號，較直接采集含噪聲音，具有更好的聽感知質量.但是無論系統設計多么完備，獲得的加強聲音中依然會有噪聲殘留和語音失真的問題存在，它們能被正常人輕易的接受和識別，但是目前的ASR系統卻不具備這樣的能力.當前幾乎所有的ASR系統都采用模式識別技術，當測試數據集接近訓練數據集時，能夠得到非常高的識別精確度.但是噪聲殘留和語音失真會導致測試數據集完全不同于“干凈”的訓練數據集，訓練和測試不匹配的問題會直接導致ASR系統識別率的降低.
為解決這些問題，前人提出許多的方法，例如模型再訓練和自適應，特征變換和歸一化[67]，建立環境模型和模型特征一體化技術將之使用在自動語音識別模塊上，能起到良好的效果.
綜合考慮到對上面所述三部分的分析，所有的模塊都應該整合為一體，只有通過良好的語音信號預處理和完善的識別系統自適應，才能構架一個更優異性能的ASR系統.
2 系統設計
本文提出一個簡潔而具有高魯棒性的針對CHiME問題的ASR系統.首先，依據雙通道信號的空間信息增強它們，然后采用改進的譜減法獲得增強信號，作為ASR系統的輸入，最終得到識別結果和關鍵詞準確率.
2.1 改進的空間增強
由于存在混響問題，使用傳統方法得到雙通道信號的空間信息的有效內容非常困難.另外，如果采用傳統的信號增強方法，例如基于廣義旁瓣相消（GSC） 的波束成型，作為ASR系統的前端，那么噪音消除會帶來語音失真[8]，會極大地降低ASR系統的識別性能.語音失真是由GSC多路輸入抵消器（MC）的窄帶自適應濾波器導致的，它既無法良好地消除噪聲，同時還消耗昂貴的計算資源.
圖2 空間增強
Fig.2 Spatial enhancement
本ASR系統的前端，利用雙通道語音信號的優勢，移除了典型GSC里的MC模型，使得在空間濾波的同時盡量避免語音失真和降低計算負擔（圖2）.該模塊的主要任務是提取參考噪聲，而不再進行噪聲消除.
4 結論
本文針對語音識別這一交叉性強的學科，打破傳統的語音識別系統局限于利用有限的技術，不斷挖掘技術潛力，來達到提高性能的研究模式，提出了一種全新的綜合性構架，并取得了實質性的成效；考慮到人類聽覺的生理情況，結合空間增強層得出的無目標語言的參考噪聲，對譜減法模塊做了積極的改變.將去除噪聲操作從空間增強層移動到了效率更高的譜減法層，將噪聲估計移動到空間增強層，使得整個系統的分工更加明確，以降低耦合，提高魯棒性；使用了倒譜均值歸一化實現標準39維梅爾倒頻譜系數，為語音識別模塊加入基于最大后驗概率的自適應訓練，提高了訓練效率和系統整體性能.
參考文獻：
[1] 宋志章，馬 麗，劉省非，等.混合語音識別模型的設計與仿真研究[J].計算機仿真， 2012，29 （5）：152155.
[2] HIRSCH H G， PEARCE D. The aurora experimental framework for the performance evaluation of speech recognition systems under noisy conditions[C]//ASR2000Automatic Speech Recognition： Challenges for the new Millenium ISCA Tutorial and Research Workshop （ITRW）. Paris， France， 2000，9：1820.
[3] 張 滿，陶 亮，周 健.基于實值離散Cabor變換的譜減法語音增強[J].計算機工程與應用， 2012，48（29）：109113.
[4] BARKER J， VINCENT E， MA N， et al. The PASCAL CHiME speech separation and recognition challenge[J]. Computer Speech Language， 2013，27（3）：621633.
[5] BOLL S. Suppression of acoustic noise in speech using spectral subtraction[J]. Speech and Signal Processing， IEEE Transactions， 1979，27（2）：113120.
[6] HERMANSKY H， MORGAN N. RASTA processing of speech[J]. Speech and Audio Processing， IEEE Transactions， 1994，2（4）：578589.
[7] CHEN C P， BILMES J， ELLIS D P W. Speech feature smoothing for robust ASR[C]//2005 IEEE International Conference on Acoustics， Speech， and Signal Processing： Proceedings： March 1823， 2005.
[8] BRANDSTEIN， MICHAEL， DARREN WARD. Microphone arrays： signal processing techniques and applications[M]. New York： Springer， 1996：2075.
[9] KAUPPINEN I， ROTH K. Improved noise reduction in audio signals using spectral resolution enhancement with timedomain signal extrapolation[J]. Speech and Audio Processing， IEEE Transactions， 2005，13（6）：12101216.