数字信号处理作业之语音识别论文

摘要：本文针对所采集的语音信号，对其时域、频域参数进行了系统详尽的分析，并在MATLAB环境下实现了基于DTW算法的特定人语音信号0到9的识别。关键词：语音识别；MATLAB；短时傅立叶；DTW引言近年来，语音识别已经成为一个非常活跃的研究领域。在不远的将来，语音识别技术有可能作为一种重要的人机交互手段，辅助甚至取代传统的键盘、鼠标等输入设备，在个人计算机上进行文字录入和操作控制。而在智能家电、工业现场控制等其他应用场合，语音识别技术则有更为广阔的发展前景。在语音识别中，最为简单有效的方法是采用DTW(DynamicTimeWarping，动态时间规整)算法，该算法基于动态规划的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现最早、较为经典的一种算法[3]。一、语音识别系统概述一个完整特定人语音识别系统的方案框图如图1所示。输入的模拟语音信号首先要进行预处理，包括预滤波、采样和量化、加窗、端点检测、预加重等,然后是参数特征量的提取。提取的特征参数满足如下要求：(1)特征参数能有效地代表语音特征,具有很好的区分性；(2)参数间有良好的独立性；(3)特征参数要计算方便,要考虑到语音识别的实时实现。图1语音识别系统方案框图语音识别的过程可以被看作模式匹配的过程，模式匹配是指根据一定的准则，使未知模式与模型库中的某一个模型获得最佳匹配的过程。模式匹配中需要用到的参考模板通过模板训练获得。在训练阶段，将特征参数进行一定的处理后，为每个词条建立一个模型，保存为模板库。在识别阶段，语音信号经过相同的通道得到语音特征参数，生成测试模板，与参考模板进行匹配，将匹配分数最高的参考模板作为识别结果。二、语音信号的分析与处理1、语音信号采集该实验以实验者本人的声音（语音信号0~9）为分析样本，是利用PC机录制，音1频文件采用8000kHz采样频率、16bit量化、单声道的PCM录音格式，用MATLAB本身wavread函数来读取语音文件。如图2为采集的数字信号“3”的语音原始信号。图2采集的数字语音“3”的原始信号2、语音信号分析语音信号是一种典型的非平稳信号。对于非平稳信号，它是非周期的，频谱随时间连续变化，因此由傅里叶变换得到的频谱无法获知其在各个时刻的频谱特性。如果利用加窗的方法从语音流中取出其中一个短断，再进行傅里叶变换，就可以得到该语音的短时谱。语音信号的基本组成单位是音素。音素可分成“浊音”和“清音”两大类。如果将不存在语音而只有背景噪声的情况称为“无声”，那么音素可以分成“无声”、“浊音”、“清音”三类。浊音的短时谱有两个特点：第一，有明显的周期性起伏结构，这是因为浊音的激励源为周期脉冲气流；第二，频谱中明显地有凸出点，即“共振峰”，它们的出现频率与声道的谐振频率相对应。清音的短时谱则没有这两个特点，它十分类似于一段随机噪声的频谱。2.1时域分析语音信号具有时变特性，但在一个短时间范围内(一般认为在10~30ms的短时间内)，其特性基本保持不变，即相对稳定，因而可以将其看作是一个准稳态过程，即语音信号具有短时平稳性。任何语音信号的分析和处理必须建立在“短时”的基础上，即进行“短时分析”，将语音信号分段来分析其特征参数，其中每一段称为一“帧”，帧长一般取为10~30ms。这样，对于整体的语音信号来讲，分析出的是由每一帧特征参数组成的特征参数时间序列。2.1.1短时能量分析短时能量分析用途：第一，可以区分清音段和浊音段，因为浊音时的短时平均能量值比清音时大得多；第二，可以用来区分声母与韵母的分界、无声与有声的分界、连字2的分界等。如对于高信噪比的语音信号，短时平均能量用来区分有无语音。无语音信号噪声的短时平均能量很小，而有语音信号的能量则显著增大到某一个数值，由此可以区分语音信号的开始点或者终止点。2.1.2短时过零率分析过零就是信号通过零值。对于连续语音信号，可以考察其时域波形通过时间轴的情况。对于离散时间信号，如果相邻的取样值改变符号则称为过零。由此可以计算过零数，过零数就是样本改变符号的次数。单位时间内的过零数称为平均过零数。短时过零分析通常用在端点侦测，特别是用来估计清音的起始位置和结束位置。2.2、频域分析短时傅立叶分析在运用离散时间傅立叶变换分析语音信号的变化时，会遇到这样的问题，即单一的傅立叶变换并不能反映时间变化的频谱信息，诸如时变共振峰和谐波。具体而言，通常将信号的每一时刻与其相邻时刻信号的傅立叶变换相联系，这样就可以及时跟踪信号的频谱变化。语音信号的短时傅立叶变换见程序所述。短时傅立叶分析一般采用汉明窗作为分析窗。3、语音信号的处理3.1、语音识别的DTW算法本设计中，采用DTW算法，该算法基于动态规划(DP)的思想解决了发音长短不一的模板匹配问题，在训练和建立模板以及识别阶段，都先采用端点检测算法确定语音的起点和终点。在本设计当中，我们建立的参考模板，m为训练语音帧的时序标号，M为该模板所包含的语音帧总数，R(m)为第m帧的语音特征矢量。所要识别的输入词条语音称为测试模板，n为测试语音帧的时序标号，N为该模板所包含的语音帧总数，T(n)为第n帧的语音特征矢量。参考模板和测试模板一般都采用相同类型的特征矢量(如LPCC系数)、相同的帧长、相同的窗函数和相同的帧移。考虑到语音中各段在不同的情况下持续时间会产生或长或短的变化，因而更多地是采用动态规划DP的方法。把测试模板的各个帧号n=1～N在一个二维直角坐标系中的横轴上标出，把参考模板的各帧号m=1～M在纵轴上标出，通过这些形成网格，网格的每一个交叉点(n,m)即表示测试模式中某一帧与训练模式中某一帧的交汇点。DP算法即可以归结为寻找一条通过此网格中若干个点的路径。路径通过的格点即为此时与参考模板中进行距离计算的帧号。应当注意，路径不是随意选择的，选取的路径必定是从左下角出发，在右上角结束。通常，规整函数被限制在一个平行四边形的网格内，如图3所示。它的一条边斜率为2，另一条边斜率为1/2。规整函数的起点是（1,1），终点为（N，M）。DTW算法的目的是在此平行四边形内由起点到终点寻找一个规整函数，使其具有最小的代价函数，保证了测试模板与参考模板之间具有最大的声学相似特性。3图3匹配路径约束示意图由于在模板匹配过程中限定了弯折的斜率，因此平行四边形之外的格点对应的帧匹配距离是不需要计算的。另外，因为每一列各格点上的匹配计算只用到了前一列的3个网格，所以没有必要保存所有的帧匹配距离矩阵和累积距离矩阵。充分利用这两个特点可以减少计算量和存储空间的需求，形成一种高效的DTW算法。图2中，把实际的动态弯折分为三段，（1，xa），（xa+1，xb），（xb+1，N），其中：xa=(2M-N)/3，xb=2(2N-M)/3xa和xb都取最相近的整数，由此可得出对M和N长度的限制条件：2M-N≥3，2N-M≥2当不满足以上条件时，认为两者差别太大，则无法进行动态弯折匹配。在x轴上的每一帧不再需要与y轴上的每一帧进行比较，而只是与y轴上[ymin，ymax]间的帧进行比较，ymin和ymax的计算公式为：ymin=x/2，0≤x≤xb，2x+(M-2N)，xbx≤Nymax=2x，0≤x≤xa，x/2+(M-N/2)，xax≤N如果出现xaxb的情况，则弯折匹配的三段为（1，xb），（xb+1，xa），（xa+1，N）。对于x轴上每前进一帧，虽然所要比较的y轴上的帧数不同，但弯折特性是一样的，累积距离的更新都是用下式实现的：D(x，y)=d(x，y)+min[D(x-1，y)，D(x-1，y-1)，D(x-1，y-2)]3.2、MATLAB仿真过程3.2.1语音信号预处理语音信号的预处理包括预滤波、采样和量化、加窗、预加重、端点检测等过程。由于语音信号在帧长为10ms~30ms之内是相对平稳的，同时为了便于计算FFT，本系统选取帧长N为256个语音点，帧移M为128点。本文采用汉明窗对语音信号进行分帧处理，如下式：4ω(n)=0.54-0.46cos(2πn/(N-1))，0≤n≤N-1预加重用具有6dB/倍频程的提升高频特性的一阶数字滤波器实现：H(z)=1-0.9375/z端点检测采用基于短时能量和短时平均过零率法，利用已知为“静态”的最初十帧信号为短时能量设置2个门限ampl和amph，以及过零率阈值zcr。语音起始点从第11帧开始检测，其流程图如图4。语音结束点的检测方法与检测起点相似，但此时从后向前搜索。图4语音起点检测流程图3.2特征参数提取及语音识别众多研究表明，倒谱特征参数所含的信息量比其他参数多，能较好地表现语音信号。本文选取能够反映人对语音的感知特性的Mel频率倒谱系数(MFCC)作为特征参数，阶数为12。经过MFCC特征参数提取后，各帧语音信号就形成了一个个特征矢量。识别时，将待测语音与模板库中的每一个模板进行模式匹配，找到距离最小的模板作为输出结果。4、语音信号处理结果如图4为语音信号“8”的处理结果，其他语音信号处理结果图不在此一一给出。5图4语音信号“8”的处理结果图以下为得到的最终处理结果，10个数字识别正确。经测试，程序等到了较好的语音识别效果。三、总结本文用MATLAB编程完成的数字语音信号识别系统详细地分析了语音信号的时域、频域等特性，并实现了对数字0到9的准确识别。通过语音识别系统的设计，对数字信号处理的流程有了深刻的认识，也为以后使用MATLAB软件编程完成各项任务打好了基础。6参考文献：[1]程佩青.数字信号处理教程[M].北京.清华大学出版社，2006.[2]何强,何英.MATLAB扩展编程[M].北京:清华大学出版社,2002.[3]王炳锡,屈丹,彭煊.实用语音识别基础[M].北京:国防工业出版社,2005.[4]易克初,等.语音信号处理[M].北京:国防工业出版社，2006,6.[5]胡航.语音信号处理[M].哈尔滨:哈尔滨工业大学出版社，2000,5.[6]胡广书.数字信号处理理论、算法与实现[M].北京:清华大学出版社，1997.[7]王炳锡,等.实用语音识别基础[M].北京:国防工业出版社，2005.[8]林波,吕明.基于DTW改进算法的弧立词识别系统的仿真与分析[J].信息技术,2006,30(4):56-59.[9]韩纪庆,张磊,郑铁然.语音信号处理[M].北京:清华大学出版社,2004[10]李晋.语音信号端点检测算法研究[D].长沙:湖南师范大学,2006.7附录—程序：主程序：yuyinshibie.mdisp('正在计算参考模板的参数...')fori=1:10fname=sprintf('%da.wav',i-1);x=wavread(fname);[x1x2]=vad(x);m=mfcc(x);m=m(x1-2:x2-4,:);ref(i).mfcc=m;enddisp('正在分析语音信号...')fori=1:10fname=sprintf('%da.wav',i-1);[x,fs,bit]=wavread(fname,[2000,2512]);%采样%%sound(x,fs);%播放语音信号figure(i);subplot(3,3,1);plot(x(1:256));%原始语音信号的时域图形%title('原始信号')subplot(3,3,2)[h,w]=freqz(x,fs)%原始语音信号的频率响应图hr=abs(h);%求系统幅频响应plot(w,hr);title('幅频图');xlabel('Frequencyinradmple')ylabel('MagnitudeindB')subplot(3,3,3)hphase=angle(h);hphase=unwrap(hphase);%求系统相频响应plot(w,hphase);title('相频图');xlabel('Frequencyinradmple')ylabel('Phaseindegrees')y=fft(x,512);%傅立叶变换%mag=abs(y);mag1=10*log10(mag);f=fs*(0:255)/