基于HMM的连续小词量语音识别系统

 

　　嵌入式语音识别系统是应用各种先进的微处理器在板级或是芯片级用软件或硬件实现的语音识别。嵌入式技术与语音识别技术相结合，能使人们甩掉键盘，通过语音命令对智能化终端进行操作，人与智能化终端之间的这种自然快捷的交互方式有助于提高人机交互的效率，以适应嵌入式平台存储资源少，实时性要求高的特点，增强人对智能化设备的控制，同时，在语音识别技术发展过程中又以HMM的广泛应用为特点。文章对语音识别算法部分和硬件部分做了分析与改进，采用ARMS3C2410微处理器作为主控制模块，采用UDA1314TS音频处理芯片作为语音识别模块，利用HMM声学模型及Viterbi算法进行模式训练和识别，设计了一种连续的、小词量的语音识别系统。

　　1 Markov链及隐马尔可夫模型(HMM)

　　语音信号是一个可观察的序列，在足够小时间段上特性近似于稳定，但其总的过程可看作依次从相对稳定的某一特性过渡到另一特性，在整个分析区间内可将许多线性模型串接起来，这就是Markov链。Markov链是Markov随机过程的特殊情况，即Markov链式状态和时间参数都离散的Markov过程。

　　隐马尔可夫模型是对语音信号的时间序列结构建立统计模型，可将之看作一个数学上的双重随机过程：一个是用具有有限状态数的Mar-kov链来模拟语音信号统计特性变化的隐含的随机过程，另一个是与Mark-ov链的每一个状态相关联的观测序列的随机过程。前者通过后者表现出来，但前者的具体参数是不可测的。

　　一般来说，一个HMM是一个双重随机过程，由下述五个参数描述：

　　

 

　　2 基于HMM的语音识别系统实现

　　人的言语过程实际上就是一个双重随机过程，语音信号本身是一个可观测的时变序列，是由大脑根据语法知识和言语需要(不可观测的状态)发出音素的参数流。HMM合理地模仿了这一过程，很好地描述了语音信号的整体非平稳性和局部平稳性，是较为理想的一种语音模型。从整段语音来看，人类语音是一个非平稳的随机过程，但是若把整段语音分割成若干短时语音信号，则可认为这些短时语音信号是平稳过程，就可以用线性手段对这些短时语音信号进行分析。若对这些语音信号建立隐马尔可夫模型，则可以辩识具有不同参数的短时平稳信号段，并可以跟踪它们之间的转化，从而解决了对语音的发音速率及声学变化建立模型的问题。

　　语音识别系统首先通过芯片内的A/D转换器将模拟语音信号转化为数字语音信号，然后对数字语音信号进行处理(信号加窗、过滤)，得到干净的语音信号，再通过特征提取过程做出特征矢量，提取语音特征，最后由识别过程对说话人语音进行识别，得出识别结果。总体来说，整个识别过程分为语音信号的预处理、语音信号的特征提取、语音库的建立以及语音信号的识别等几个主要阶段，如图1所示。

　　

 

　　语音识别过程分为两个部分：一是HMM训练过程，得到HMM语音识别模型，即建立基本识别语音库;二是HMM识别过程，得到语音识别结果。