孤立漢語數(shù)字語音識別系統(tǒng)

PAGE5孤立漢語數(shù)字語音識別系統(tǒng)摘要：本文通過提取聲音信號的Mel倒譜系數(shù)作為特征，利用動態(tài)時間規(guī)整技術(shù)實現(xiàn)匹配算法，實現(xiàn)了特定人孤立漢語數(shù)字語音的識別，并利用Matlab編寫了簡單的圖形用戶界面。關(guān)鍵詞：語音識別；MFCC；DTW一、引言語言是人類所特有的最重要最自然的交流工具，也是人類信息的重要來源之一。讓機器擁有“聽懂”人類口述語言的能力，將使得人與計算機之間的溝通變得更為方便快捷。自從1952年AT&T貝爾實驗室的開發(fā)出能識別十個英文數(shù)字的Audry系統(tǒng)以來，語音識別技術(shù)已經(jīng)得到了飛速發(fā)展，其中IBM、Microsoft、Apple等公司在語音識別技術(shù)實用化上的巨資投入也使得這項技術(shù)在日常生活中得到廣泛應(yīng)用。計算機技術(shù)的發(fā)展大大促進(jìn)了數(shù)字信號處理技術(shù)的開發(fā)與應(yīng)用，也使得更多的技術(shù)應(yīng)用在語音識別方面。MATLAB是一種功能強大、效率高、交互性好的數(shù)值計算和可視化計算機高級語言，它將數(shù)值分析、信號處理和圖形顯示有機地融合為一體，使得技術(shù)人員可以在較短的時間里對自己的想法進(jìn)行實驗驗證。本文就是在MATLAB基礎(chǔ)上進(jìn)行漢語數(shù)字語言識別的圖形用戶界面開發(fā)與程序設(shè)計的。二、語音識別系統(tǒng)概述針對不同的任務(wù)，語音識別系統(tǒng)也可以采用對應(yīng)的多種設(shè)計方案，但其大致的結(jié)構(gòu)和模型思想基本上是相同的。語音識別系統(tǒng)本質(zhì)上是一種模式識別系統(tǒng)，它包括了特征提取、模式匹配、參考模型庫這三個基本單元。典型系統(tǒng)的基本結(jié)構(gòu)如圖1所示。圖1典型語音識別系統(tǒng)目前常用的技術(shù)有特征參數(shù)匹配法、隱馬爾科夫法和神經(jīng)網(wǎng)絡(luò)法。其中語音特征參數(shù)可以是能量、基音頻率、過量率、共振峰值等，目前常用的參數(shù)為基于發(fā)聲聲道特征模型，通過線性預(yù)測分析的線性預(yù)測倒譜系數(shù)LPCC和基于人耳的聽覺機理，反映聽覺特性，模擬人耳對聲音頻率感知的梅爾倒譜系數(shù)MFCC等。MFCC的頻率特性反映了人耳的聽覺特性，因而在用于代替人耳來分析語音時，其性能和魯棒性比較符合實際聽音效果。與LPCC相比，不依賴于全極點語音產(chǎn)生模型的假定，抗噪能力較強。本系統(tǒng)也將使用MFCC參數(shù)作為語音識別的主要特征參數(shù)。三、語音信號的分析與處理1信號采集本實驗直接用電腦的聲卡進(jìn)行語音信號的數(shù)字化采樣量化處理。根據(jù)奈奎斯特采樣定理，采樣頻率必須到達(dá)信號的兩倍帶寬以上時，才不會發(fā)生頻域上的混疊失真，能夠從采樣信號恢復(fù)出原始信號。理論上說，通常人聲的頻率范圍上限可達(dá)15kHz或更高，但是即使當(dāng)帶寬限制到低于3kHz附近的頻率時語音仍是較容易聽懂的。對于數(shù)字電話通信系統(tǒng)，標(biāo)準(zhǔn)采樣率為8000Hz。量化是將時間上離散而幅度依然連續(xù)的波形幅度值離散化，其決定了聲音的動態(tài)范圍。若采用8位，則可將聲波分為256級。本系統(tǒng)采用Matlab的audiorecorder對象進(jìn)行聲音信號采集。使用默認(rèn)參數(shù)8kHz采樣率，8位量化精度，單聲道。2預(yù)加重處理將經(jīng)采樣后的數(shù)字語音信號s(n)通過一個高通濾波器：H(z)=1–a×z-1，0.9a1.0（本系統(tǒng)中取0.97）。經(jīng)過預(yù)加重后的信號為：s'(n)=s(n)–a×s(n-1)。因為發(fā)聲過程中聲帶和嘴唇的效應(yīng)，使得高頻共振峰的振幅低于低頻共振峰的振幅，進(jìn)行預(yù)加重的目的就是為了對信號進(jìn)行平滑