孤立汉语数字语音识别系统

PAGE5孤立汉语数字语音识别系统摘要：本文通过提取声音信号的Mel倒谱系数作为特征，利用动态时间规整技术实现匹配算法，实现了特定人孤立汉语数字语音的识别，并利用Matlab编写了简单的图形用户界面。关键词：语音识别；MFCC；DTW一、引言语言是人类所特有的最重要最自然的交流工具，也是人类信息的重要来源之一。让机器拥有“听懂”人类口述语言的能力，将使得人与计算机之间的沟通变得更为方便快捷。自从1952年AT&T贝尔实验室的开发出能识别十个英文数字的Audry系统以来，语音识别技术已经得到了飞速发展，其中IBM、Microsoft、Apple等公司在语音识别技术实用化上的巨资投入也使得这项技术在日常生活中得到广泛应用。计算机技术的发展大大促进了数字信号处理技术的开发与应用，也使得更多的技术应用在语音识别方面。MATLAB是一种功能强大、效率高、交互性好的数值计算和可视化计算机高级语言，它将数值分析、信号处理和图形显示有机地融合为一体，使得技术人员可以在较短的时间里对自己的想法进行实验验证。本文就是在MATLAB基础上进行汉语数字语言识别的图形用户界面开发与程序设计的。二、语音识别系统概述针对不同的任务，语音识别系统也可以采用对应的多种设计方案，但其大致的结构和模型思想基本上是相同的。语音识别系统本质上是一种模式识别系统，它包括了特征提取、模式匹配、参考模型库这三个基本单元。典型系统的基本结构如图1所示。图1典型语音识别系统目前常用的技术有特征参数匹配法、隐马尔科夫法和神经网络法。其中语音特征参数可以是能量、基音频率、过量率、共振峰值等，目前常用的参数为基于发声声道特征模型，通过线性预测分析的线性预测倒谱系数LPCC和基于人耳的听觉机理，反映听觉特性，模拟人耳对声音频率感知的梅尔倒谱系数MFCC等。MFCC的频率特性反映了人耳的听觉特性，因而在用于代替人耳来分析语音时，其性能和鲁棒性比较符合实际听音效果。与LPCC相比，不依赖于全极点语音产生模型的假定，抗噪能力较强。本系统也将使用MFCC参数作为语音识别的主要特征参数。三、语音信号的分析与处理1信号采集本实验直接用电脑的声卡进行语音信号的数字化采样量化处理。根据奈奎斯特采样定理，采样频率必须到达信号的两倍带宽以上时，才不会发生频域上的混叠失真，能够从采样信号恢复出原始信号。理论上说，通常人声的频率范围上限可达15kHz或更高，但是即使当带宽限制到低于3kHz附近的频率时语音仍是较容易听懂的。对于数字电话通信系统，标准采样率为8000Hz。量化是将时间上离散而幅度依然连续的波形幅度值离散化，其决定了声音的动态范围。若采用8位，则可将声波分为256级。本系统采用Matlab的audiorecorder对象进行声音信号采集。使用默认参数8kHz采样率，8位量化精度，单声道。2预加重处理将经采样后的数字语音信号s(n)通过一个高通滤波器：H(z)=1–a×z-1，0.9a1.0（本系统中取0.97）。经过预加重后的信号为：s'(n)=s(n)–a×s(n-1)。因为发声过程中声带和嘴唇的效应，使得高频共振峰的振幅低于低频共振峰的振幅，进行预加重的目的就是为了对信号进行平滑