摘? 要: 介紹語音識別" title="語音識別">語音識別技術(shù)在嵌入式系統(tǒng)" title="嵌入式系統(tǒng)">嵌入式系統(tǒng)中的應(yīng)用狀況與發(fā)展,以及在嵌入式系統(tǒng)中使用HMM語音識別算法的優(yōu)點(diǎn),并對基于HMM語音識別技術(shù)的系統(tǒng)進(jìn)行介紹。

　　關(guān)鍵詞: SoC芯片? HMM? 語音識別? 嵌入式系統(tǒng)

?

　　語音識別ASR(Automatic Speech Recognition)系統(tǒng)的實(shí)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(fèi)類電子產(chǎn)品對低成本、高穩(wěn)健性的語音識別片上系統(tǒng)的需求快速增加,語音識別系統(tǒng)" title="識別系統(tǒng)">識別系統(tǒng)大量地從實(shí)驗(yàn)室的PC平臺轉(zhuǎn)移到嵌入式設(shè)備中。

　　語音識別技術(shù)目前在嵌入式系統(tǒng)中的應(yīng)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(shè)備中。使用語音作為人機(jī)交互的途徑對于使用者來說是最自然的一種方式,同時設(shè)備的小型化也要求省略鍵盤以節(jié)省體積。

　　嵌入式設(shè)備通常針對特定應(yīng)用而設(shè)計(jì),只需要對幾十個詞的命令進(jìn)行識別,屬于小詞匯量語音識別系統(tǒng)" title="語音識別系統(tǒng)">語音識別系統(tǒng)。因此對語音識別技術(shù)的要求不在于大詞匯量和連續(xù)語音識別,而在于識別的準(zhǔn)確性與穩(wěn)健性。

對于嵌入式系統(tǒng)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(diǎn)DSP,有時甚至只能考慮使用MPU,這意味著算法的復(fù)雜度受到限制;其次,嵌入式系統(tǒng)對體積有嚴(yán)格的限制,這就需要一個高度集成的硬件平臺" title="硬件平臺">硬件平臺。因此,SoC(System on Chip)開始在語音識別領(lǐng)域嶄露頭角。SoC結(jié)構(gòu)的嵌入式系統(tǒng)大大減少了芯片數(shù)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(tǒng)的可靠性大為提高。

　　語音識別片上系統(tǒng)是系統(tǒng)級的集成芯片。它不只是把功能復(fù)雜的若干個數(shù)字邏輯電路放入同一個芯片,做成一個完整的單片數(shù)字系統(tǒng),而且在芯片中還應(yīng)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(shí)現(xiàn)了一個穩(wěn)定、可靠、高性能的嵌入式語音識別系統(tǒng)。包括一套全定點(diǎn)的DHMM和CHMM嵌入式語音識別算法和硬件系統(tǒng)。

1 硬件平臺

　　本識別系統(tǒng)是在與Infineon公司合作開發(fā)的芯片UniSpeech上實(shí)現(xiàn)的。UniSpeech芯片是為語音信號處理開發(fā)的專用芯片,采用0.18μm工藝生產(chǎn)。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(gòu)成了一種語音處理SoC芯片。這種芯片的設(shè)計(jì)思想主要是為語音識別和語音壓縮編碼領(lǐng)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(yīng)的存儲量和運(yùn)算能力。包括一個內(nèi)存控制單元MMU(Memory Management Unit)和104KB的片上RAM。其DSP核為16位定點(diǎn) DSP ,運(yùn)算速度可達(dá)到約100MIPS。MCU核是8位增強(qiáng)型8051,每兩個時鐘周期為一個指令周期,其時鐘頻率可達(dá)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(shù)據(jù)在芯片內(nèi)部均按16bit格式保存和處理。對于語音識別領(lǐng)域,這樣精度的ADC/DAC已經(jīng)可以滿足應(yīng)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(tǒng)比較

　　以下就目前基于整詞模型的語音識別的主要技術(shù)作一比較。

　　(1)基于DTW (Dynamic Time Warping)和模板匹配技術(shù)的語音識別系統(tǒng)。目前,許多移動電話可以提供簡單的語音識別功能,幾乎都是基于DTW和模板匹配技術(shù)。

　　DTW和模板匹配技術(shù)直接利用提取的語音特征作為模板,能較好地實(shí)現(xiàn)孤立詞識別。由于DTW模版匹配的運(yùn)算量不大,并且限于小詞表,一般的應(yīng)用領(lǐng)域是孤立數(shù)碼、簡單命令集、地名或人名集的語音識別。為減少運(yùn)算量大多數(shù)使用的特征是LPCC(Linear Predictive Cepstrum Coefficient),這樣可以避免FFT(Fast Fourier Transform)運(yùn)算。

　　DTW和模板匹配技術(shù)的缺點(diǎn)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(jìn)行訓(xùn)練。這一應(yīng)用從20世紀(jì)90年代就進(jìn)入成熟期。目前的努力方向是進(jìn)一步降低成本、提高穩(wěn)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(jì)80年代引入語音識別領(lǐng)域的一種語音識別算法。該算法通過對大量語音數(shù)據(jù)進(jìn)行數(shù)據(jù)統(tǒng)計(jì),建立識別詞條的統(tǒng)計(jì)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?jǐn)?shù)以獲得識別結(jié)果。通過大量的語音,就能夠獲得一個穩(wěn)健的統(tǒng)計(jì)模型,能夠適應(yīng)實(shí)際語音中的各種突發(fā)情況。因此,HMM算法具有良好的識別性能和抗噪性能。

　　基于HMM技術(shù)的識別系統(tǒng)可用于非特定人,不需要用戶事先訓(xùn)練。它的缺點(diǎn)在于統(tǒng)計(jì)模型的建立需要依賴一個較大的語音庫。這在實(shí)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(jì)算(包括特征矢量的輸出概率計(jì)算)的運(yùn)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(tǒng)中,由于成本和算法復(fù)雜度的限制,HMM算法特別是CHMM(Continuous density HMM)算法尚未得到廣泛的應(yīng)用。

　　(3)人工神經(jīng)網(wǎng)絡(luò)ANN(Artificial Neural Network)。ANN在語音識別領(lǐng)域的應(yīng)用是在20世紀(jì)80年代中后期發(fā)展起來的。其思想是用大量簡單的處理單元并行連接構(gòu)成一種信息處理系統(tǒng)。這種系統(tǒng)可以進(jìn)行自我更新,且有高度的并行處理及容錯能力,因而在認(rèn)知任務(wù)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(tài)特性上存在重大缺陷。單獨(dú)使用ANN的系統(tǒng)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(tǒng)

　　下面詳細(xì)介紹基于HMM的語音識別系統(tǒng)。首先在UniSpeech芯片上實(shí)現(xiàn)了基于DHMM的識別系統(tǒng),然后又在同一平臺上實(shí)現(xiàn)了基于CHMM的識別系統(tǒng)。

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、特征提取和端點(diǎn)檢測。

　　模擬語音信號的數(shù)字化由A/D變換器實(shí)現(xiàn)。ADC集成在片內(nèi),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征。由于語音特征的短時平穩(wěn)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(xiàn)相鄰兩幀數(shù)據(jù)之間的相關(guān)性,通常幀移為幀長的1/2。對于本片上系統(tǒng),為了方便做FFT,采用的幀長為256點(diǎn)(32ms),幀移為128點(diǎn)(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(tǒng)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(tǒng)中,在DHMM系統(tǒng)的基礎(chǔ)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(gòu)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(wěn)健性。

3.2 聲學(xué)模型

　　在HMM模型中,首先定義了一系列有限的狀態(tài)S₁…S_N,系統(tǒng)在每一個離散時刻n只能處在這些狀態(tài)當(dāng)中的某一個Xn。在時間起點(diǎn)n=0時刻,系統(tǒng)依初始概率矢量π處在某一個狀態(tài)中,即:

　　以后的每一個時刻n,系統(tǒng)所處的狀態(tài)X_n僅與前一時刻系統(tǒng)的狀態(tài)有關(guān),并且依轉(zhuǎn)移概率矩陣A跳轉(zhuǎn),即:

　　系統(tǒng)在任何時刻n所處的狀態(tài)Xn隱藏在系統(tǒng)內(nèi)部,并不為外界所見,外界只能得到系統(tǒng)在該狀態(tài)下提供的一個R_q空間隨機(jī)觀察矢量O_n。O_n的分布B稱為輸出概率矩陣,只取決于X_n所處狀態(tài):

　　因?yàn)樵撓到y(tǒng)的狀態(tài)不為外界所見,因此稱之為“隱含馬爾科夫模型”,簡稱HMM。

　　在識別中使用的隨機(jī)觀察矢量就是從語音信號中提取的特征矢量。按照隨機(jī)觀察矢量O_n的概率分布形式不同,HMM具有幾種形式。當(dāng)O_n是連續(xù)形式的分布時,其概率密度函數(shù)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(shù),Cm為各階高斯分布的加權(quán)系數(shù)。此時的HMM模型為連續(xù)HMM模型(Continuous density HMM),簡稱CHMM模型。在本識別系統(tǒng)中,采用整詞模型,每個詞條7個狀態(tài),包括首尾各一個靜音狀態(tài);每個狀態(tài)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(fù)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(jù)碼本做一次矢量量化VQ[Vector Quantization)。這樣特征矢量的概率分布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(tǒng)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(fù)雜度,從而減少了占用計(jì)算量最大的匹配計(jì)算。當(dāng)然,這是以犧牲一定的識別性能為代價的。

　　筆者先后在自己的硬件平臺上完成了基于DHMM和CHMM的識別系統(tǒng)。通過比較發(fā)現(xiàn),對于嵌入式平臺而言,實(shí)現(xiàn)CHMM識別系統(tǒng)的關(guān)鍵在于芯片有足夠運(yùn)算能力,對于RAM的需求相對于DHMM識別系統(tǒng)不會有太多的增加。因?yàn)樵~條模型存儲在ROM中,在匹配計(jì)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(shù)碼和一個59詞的命令詞集作了實(shí)際識別測試,識別率非常令人滿意,如表1所示。

?

　　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(jīng)很高,所以靜音模型的加入對于識別率的進(jìn)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(diǎn)判斷的依賴。這在實(shí)際使用中對系統(tǒng)的穩(wěn)健性有很大的提高。

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。

?

　　目前嵌入式語音識別領(lǐng)域使用HMM模型的還比較少,使用通常限于DHMM。由于集成電路制造技術(shù)的發(fā)展,目前主流DSP 都可以提供100MIPS以上的運(yùn)算速度,完全可以滿足CHMM對計(jì)算能力的要求。

　　筆者在使用SoC芯片的硬件平臺上實(shí)現(xiàn)了DHMM和CHMM算法。其中定點(diǎn)CHMM語音識別算法在16位定點(diǎn)DSP硬件平臺上達(dá)到很高的識別率,同時系統(tǒng)資源消耗也比較合理,完全可以替代DHMM算法。非常適合50詞以內(nèi)的命令詞識別。以上算法已經(jīng)在芯片上實(shí)現(xiàn),該方案在家電語音遙控、玩具、PDA、智能儀器以及移動電話等領(lǐng)域內(nèi)有非常好的應(yīng)用前景。

?

參考文獻(xiàn)

1 Lawrence Rabiner, Biing-hwang Juang. Fundamentals of Speech Recognition. Prentice-Hall International,Inc.,1993

2 Bernd Burchard,Ronald Romer. Oliver Fox. A Single?Chip Phoneme Based HMM Speech Recognition System for

?Consumer Applications. IEEE Transactions on Consumer?Electronics,2000:46[3]

3 Rabiner L R,Wilpon J G,Soong F K. High Performance Connected Digit Recognition Using Hidden Markov Models.

? IEEE Trans. on ASSP,1989: 37[8]