孤立詞語音識別系統(tǒng)設(shè)計(jì)

1、深圳大學(xué)本科畢業(yè)論文（設(shè)計(jì)）開題報告題目孤立詞語音識別系統(tǒng)設(shè)計(jì)學(xué)生姓名朱雯學(xué)號 2007130019專業(yè) 電子信息工程學(xué)院信息工程學(xué)院指導(dǎo)教師鄭能恒本選題的意義及國內(nèi)外發(fā)展?fàn)顩r：國外的語音識別研究工作可以追溯到20世紀(jì)50年代AT&T貝爾實(shí)驗(yàn)室開發(fā)的第一個能實(shí)現(xiàn)十個英文數(shù)字的語音識別系統(tǒng)。但真正取得實(shí)質(zhì)性進(jìn)展（在小詞匯量、孤立詞的識 別方面），并將其作為一個重要的課題開展研究則是在60年代末70年代初。在70年代，提出了語音信號線性預(yù)測編碼（LPC）技術(shù)，動態(tài)時間規(guī)整（DTW技術(shù)，矢量量化（VQ）和 隱馬爾可夫模型（HMM）理論。進(jìn)入 80年代以后，研究的重點(diǎn)逐漸轉(zhuǎn)向大詞匯量、非特定 人連續(xù)語

2、音識別。第一個高性能的大詞匯量連續(xù)語音識別系統(tǒng)Sphinx誕生在卡耐基梅隆大學(xué)。這一時期，語音識別的研究更進(jìn)一步，興起了人工神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用。 而且隱馬爾柯夫模型（HMM）技術(shù)的不斷完善和日漸成熟，使之成為了目前語音識別的主流 方法。進(jìn)入20世紀(jì)90年代后，語音識別系統(tǒng)開始從實(shí)驗(yàn)室走向?qū)嵱?。許多著名的大公司 如IBM、蘋果、AT&T和NTT都對語音識別系統(tǒng)的實(shí)用化研究投以巨資。比較有代表性的 系統(tǒng)有：IBM 公司推出的 Via Voice 和 Drago n System 公司的 Naturally Speak in g, Nua nee 公司的 Nuanee Voice Platf

3、orm 語音平臺， Microsoft 的 Whisper, Sun 的 VoieeTone 等。我國的語音識別研究起始于1958年，由中國科學(xué)院聲學(xué)所利用電子管電路識別十個元音。直至1973年才由中國科學(xué)院聲學(xué)所開始計(jì)算機(jī)語音識別。1986年3月我國高科技發(fā)展計(jì)劃（863計(jì)劃）啟動，國家863智能計(jì)算機(jī)專家組為語音識別技術(shù)研究專門立項(xiàng)，每 兩年舉行一次專題會議。現(xiàn)在我國語音識別技術(shù)的研究水平已經(jīng)基本上與國外同步，在漢 語語音識別技術(shù)上還有自己的特點(diǎn)與優(yōu)勢。國內(nèi)有不少語音識別系統(tǒng)已研制成功。在孤立 字大詞匯量語音識別方面，最具代表性的要數(shù)92年清華大學(xué)電子工程系與中國電子器件公司合作研制成功的

4、THED-919特定人語音識別與理解實(shí)時系統(tǒng)。在連續(xù)語音識別方面，91年12月四川大學(xué)計(jì)算機(jī)中心在微機(jī)上實(shí)現(xiàn)了一個主題受限的特定人連續(xù)英語-漢語語音翻譯演示系統(tǒng)。在非特定人語音識別方面，有清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系在87年研制的聲控電話查號系統(tǒng)并投入實(shí)際使用。隨著信息產(chǎn)業(yè)的迅速發(fā)展，人們傾向于使用高效，快捷，方便的電子產(chǎn)品。語音識別 作為人機(jī)交互的一項(xiàng)關(guān)鍵領(lǐng)域，具備了實(shí)時，方便，快速等特點(diǎn)，在當(dāng)今科學(xué)技術(shù)的發(fā)展 上也有著日益重要的地位。利用語音識別技術(shù)來實(shí)現(xiàn)數(shù)碼相機(jī)的拍攝指令控制不像傳統(tǒng)的 拍照模式，必須要手動按下機(jī)身上的快門鍵，或者其他按鈕來操控相機(jī)。而是通過識別輸 入的實(shí)時語音命令，從而實(shí)

5、現(xiàn)對相機(jī)的控制。這樣很大程度上方便了一些殘障人士使用相 機(jī)，同時也完全解決了手動操作相機(jī)帶來的輕微抖動造成的畫質(zhì)降低。并且通過語音控制 相機(jī)，只要一選好合適的角度，拍攝人能輕易實(shí)現(xiàn)抓拍，自拍功能，非常方便快捷。因此， 這種語音識別系統(tǒng)設(shè)計(jì)有其獨(dú)特的優(yōu)勢和應(yīng)用前景。研究內(nèi)容：本次的設(shè)計(jì)是基于孤立詞語音識別的對非特定人的數(shù)碼相機(jī)語音控制系統(tǒng)。主要目的 是實(shí)現(xiàn)簡單的實(shí)時數(shù)碼相機(jī)拍攝控制（例如連拍張數(shù)選擇，閃光燈的使用）。因此，識別詞匯定義為一些簡短的拍攝命令關(guān)鍵詞，與十個阿拉伯?dāng)?shù)字。孤立詞語音識別是指識別的單元為字、詞或短語，它們組成識別的詞匯表，并對它們 中的每一個通過訓(xùn)練建立標(biāo)準(zhǔn)模板或模型。非特

6、定人語音識別的模板或模型適應(yīng)于指定的 某一范疇的說話人（如說標(biāo)準(zhǔn)普通話），模板或模型由該范疇的多個人通過訓(xùn)練而產(chǎn)生。識 別時可供參加訓(xùn)練的發(fā)音人（圈內(nèi)人）使用，也可供未參加訓(xùn)練的同一范疇的發(fā)音人（圈 外人）使用。孤立詞語音識別的基本原理：特征提取，訓(xùn)練，識別，失真測度。主要識別框架：基 于模板匹配的動態(tài)時間規(guī)整法DTW和基于統(tǒng)計(jì)模型的隱馬爾柯夫模型法HMM特征提取就是通過數(shù)字信號處理技術(shù)從語音波形中提取最能表征語音的語意信息的特征參數(shù)。鎂倒譜 系數(shù)MFCC是在語音識別過程當(dāng)中最常用的倒譜特征參數(shù)，它將一般的頻譜轉(zhuǎn)換到基于 Mel尺度（基于人耳的聽覺特性而設(shè)計(jì)的，具有很好的識別性能和抗噪聲能力）

7、的非線性 頻譜上，然后再進(jìn)過一組濾波器， 最后轉(zhuǎn)換到倒譜域中。 訓(xùn)練是預(yù)先分析出語音特征參數(shù)， 制作語音模板或其它（統(tǒng)計(jì)）模型并存放在語音模型庫中。識別是待識語音經(jīng)過與訓(xùn)練時相 同的分析，得到語音參數(shù)，將它與庫中的參考模板型一一比較，并采用判決的方法找出最 接近語音特征的模型， 得出識別結(jié)果。失真測度是計(jì)量語音特征參數(shù)矢量之間的“失真（距離）測度”。隱馬爾柯夫模型法 HMM為當(dāng)前語音識別的主流算法，它將將語音模擬成一對時 域與頻域上并存的隨機(jī)過程（時域：狀態(tài)轉(zhuǎn)移過程，頻域：混合高斯分布）。其優(yōu)點(diǎn)是訓(xùn)練和識別過程都有很完備的理論框架，跟高層次的語言學(xué)模型可以很好地結(jié)合。研究方法、手段及步驟：非特

8、定人語音識別系統(tǒng)設(shè)計(jì)分為系統(tǒng)定義，訓(xùn)練和識別三個階段。在系統(tǒng)定義階段， 要根據(jù)系統(tǒng)具體應(yīng)用范圍定義系統(tǒng)的詞匯庫，即系統(tǒng)的識別詞匯。在訓(xùn)練階段，通過麥克 風(fēng)輸入定義的語音命令，然后對模擬語音信號進(jìn)行預(yù)處理，對處理后得到的數(shù)字語音信號 進(jìn)行語音特征提取，為不同用戶的不同語音特征參數(shù)建立一個相應(yīng)的語音特征模型庫。訓(xùn) 練完成后，進(jìn)入語音識別階段，麥克風(fēng)輸入定義的詞匯中的一個或若干個詞匯（任意組合 任意次序），然后進(jìn)行預(yù)處理，對處理后得到的數(shù)字語音信號進(jìn)行特征參數(shù)提取，緊接著 用概率密度函數(shù)計(jì)算語音參數(shù)對HMM模型的輸出概率，通過搜索最佳狀態(tài)序列，以最大后驗(yàn)概率為準(zhǔn)則找到識別結(jié)果。系統(tǒng)采用C語言編程實(shí)現(xiàn)，大致具體步驟：預(yù)處理：包括語音信號采樣、反混疊帶通濾波、語音識別基元的選取、端點(diǎn)檢測、語 音分幀加窗以及預(yù)加重等處理工作。特征提?。禾崛≌Z音中反映本質(zhì)特征的聲學(xué)參數(shù)，如平均能量、平均過零率、共振峰 等；并提取特征參數(shù)，如線性預(yù)測倒譜系數(shù)（LPCC與Mel倒譜系數(shù)（MFCC。模型訓(xùn)練：在識別之前通過讓講話者多次重復(fù)語音，從原始語音樣本中去除冗余信息， 保留關(guān)鍵數(shù)據(jù)，再按照一定規(guī)則對數(shù)據(jù)加以聚類，形成模式庫。模式匹配：根據(jù)一定規(guī)則（如某種距離測度），計(jì)算輸入特征與庫存模式之間的相似度（如匹配距離、似然概率），判斷出輸入語音的語義信息。參考文獻(xiàn)：語音識別基礎(chǔ)上