基于HMM的语音识别技术在嵌入式系统中的应用

力，因而在认知任务中非常吸引人。但是ANN相对于模式匹配而言，在反映语音的动态特性上存在重大缺陷。单独使用ANN的系统识别性能不高，所以目前ANN通常在多阶段识别中与HMM算法配合使用。
javascript:window.open(this.src);" style="cursor:pointer;"/>
3 基于HMM的语音识别系统

下面详细介绍基于HMM的语音识别系统。首先在UniSpeech芯片上实现了基于DHMM的识别系统，然后又在同一平台上实现了基于CHMM的识别系统。

3.1 前端处理

语音的前端处理主要包括对语音的采样、A/D变换、分帧、特片提取和端点检测。

模拟语音信号的数字化由A/D变换器实现。ADC集成在片内，它的采样频率固定为8kHz。

特征提取基于语音帧，即将语音信号分为有重叠的若干帧，对每一帧提取一次语音特片。由于语音特征的短时平稳性，帧长一般选取20ms左右。在分帧时，前一帧和后一帧的一部分是重叠的，用来体现相邻两帧数据之间的相关性，通常帧移为帧长的1/2。对于本片上系统，为了方便做FFT，采用的帧长为256点（32ms），帧移为128点（16ms）。

特征的选择需要综合考虑存储量的限制和识别性能的要求。在DHMM系统中，使用24维特征矢量，包括12维MFCC（Mel Frequency Cepstrum Coefficient）和12维一阶差分MFCC；在CHMM系统中，在DHMM系统的基础上增加了归一化能量、一阶差分能量和二阶差分能量3维特征，构成27维特征矢量。对MFCC和能量分别使用了倒谱均值减CMS（Cepstrum Mean Subtraction）和能量归一化ENM（Energy Normalization）的处理方法提高特征的稳健性。

3.2 声学模型

在HMM模型中，首先定义了一系列有限的状态S1…SN，系统在每一个离散时刻n只能处在这些状态当中的某一个Xn。在时间起点n=0时刻，系统依初始概率矢量π处在某一个状态中，即：

πi=P{X0=Si},i=1..N

以后的每一个时刻n，系统所处的状态Xn仅与前一时刻系统的状态有关，并且依转移概率矩阵A跳转，即：

javascript:window.open(this.src);" style="cursor:pointer;"/>

系统在任何时刻n所处的状态Xn隐藏在系统内部，并不为外界所见，外界只能得到系统在该状态下提供的一个Rq空间随机观察矢量On。On的分布B称为输出概率矩阵，只取决于Xn所处状态：

Pxn=Si{On}=P{OnSi}

因为该系统的状态不为外界所见，因此称之为“稳含马尔科夫模型”，简称HMM。

在识别中使用的随机观察矢量就是从信号中提取的特征矢量。按照随机矢量Qn的概率分布形时，其概率密度函数一般使用混合高斯分布拟合。

javascript:window.open(this.src);" style="cursor:pointer;"/>

其中，M为使用的混合高斯分布的阶数，Cm为各阶高期分布的加权系数。此时的HMM模型为连续HMM模型（Continuous density HMM），简称CHMM模型。在本识别系统中，采用整词模型，每个词条7个状态同，包括首尾各一个静音状态；每个状态使用7阶混合高斯分布拟合。CHMM识别流程如图1所示。

由于CHMM模型的复杂性，也可以假定On的分布是离散的。通常采用分裂式K-Mean算法得到码本，然后对提取的特征矢量根据码本做一次矢量量化VQ（Vector Quantization）。这样特征矢量的概率分布上就简化为一个离散的概率分布矩阵，此时的HMM模型称为离散HMM模型（Discrete density HMM），简称DHMM模型。本DHMM识别系统使用的码本大小为128。DHMM识别流程如图2所示。

DHMM虽然增加了矢量量化这一步骤，但是由于简化了模型的复杂度，从而减少了占用计算量最大的匹配计算。当然，这是以牺牲一定的识别性能为代价。

笔者先后自己的硬件平台上完成了基于DHMM和CHMM的识别系统。通过比较发现，对于嵌入式平台而言，实现CHMM识别系统的关键在于芯片有足够运算太多的增加。因为词条模型存储在ROM中，在匹配计算时是按条读取的。

3.3 识别性能

笔者使用自己的识别算法分别对11词的汉语数码和一个59词的命令词集作了实际识别测试，识别率非常令人满意，如表1所示。

表1 汉语数码识别率

	DHMM	CHMM
特征矢量维数	24	27
识别率	93.40%	98.28%
识别速度（11词）	10ms	50ms
模型大小（1个词条）	1.5KB	<5.5KB
码本	6KB	无

对于59词命令词集的识别，还增加了静音模型。由于基线的识别率已经很高，所以静音模型的加入对于识别率的进一步提高作用不大，如表2所示。但静音模型的加入可以降低对端点判断的依赖。这在实际使用中对系统的稳健性有很大的提高。

表2 59词命令词集识别率

	浮  点	定  点
无静音模型	98.59%	98.28%
有静音模型	98.83%	98.55%

可以看到，在硬件能够支持的情况下，CHMM的识别率比DHMM有很大的提高，同时识别速度也完全可以满足使用要求。

目前嵌入式语音识别领域使用HMM模型的还比较少，使用通常限于DHMM。由于集成电路制造技术的发展，目前主流DSP都可以提供100MIPS以上的运算速度，完全可以满足CHMM对计算能力的要求。

笔者在使用SoC芯片的硬件平台上实现了DHMM和CHMM算法。其中定点CHMM语音识别算法在16位定点DSP硬件平台上达到很高的识别率，同时系统资源消耗也比较合理，安全可以替代DHMM算法。非常适合50词以内的命令词识别。以上算法已经在芯片上实现，该方案在家电语音遥控、玩具、PDA、智能仪器以及移动电话等领域内有非常好的应用前景。

上一页  [1] [2]