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，yingjianziyuanshifenyouxian
，erqiedaduobuzhichifudianyunsuan。name
，duixitonggegebufendeshejishouyaokaolvdeshixitongduiyingjianziyuandekaixiaobixujinliangdexiao，bunengchaoguozhexieshebeidexianzhi。yingjianziyuandekaixiaobaokuocunchumoxingcanshudekaixiao，yijishibieguochengzhongduineicun、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/D轉zhuan換huan後hou成cheng為wei數shu字zi信xin號hao，但dan時shi域yu上shang的de語yu音yin信xin號hao很hen難nan直zhi接jie用yong於yu識shi別bie，因yin此ci需xu要yao從cong語yu音yin信xin號hao中zhong提ti取qu語yu音yin的de特te征zheng，一yi方fang麵mian可ke以yi獲huo得de語yu音yin的de本ben質zhi特te征zheng
，另ling一yi方fang麵mian也ye起qi到dao數shu據ju壓ya縮suo的de作zuo用yong。輸shu入ru的de模mo擬ni語yu音yin信xin號hao首shou先xian要yao進jin行xing預yu處chu理li

，包bao括kuo預yu濾lv波bo

、采樣和量化、加窗、端點檢測
、yujiazhongdeng。yuyinshibiexitongdemoxingtongchangyoushengxuemoxingheyuyanmoxingliangbufenzucheng，fenbieduiyingyuyuyindaobanyinjiegailvdejisuanhebanyinjiedaozigailvdejisuan。

語音識別係統的特征提取

muqiantongyongdetezhengtiqufangfashijiyuyuyinzhende，jijiangyuyinxinhaofenweiyouzhongdiederuoganzhen，duimeiyizhentiquyuyintezheng。youyubenjishufangancaiyongdeyuyinkucaiyanglvwei8 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