語音控制的基礎(chǔ)就是語音識別技術(shù)，可以是特定人或者非特定人的。非特定人的應(yīng)用更為廣泛，對于用戶而言不用訓(xùn)練，因此也更加方便。語音識別可以分為孤立詞識別，連接詞識別，以及大詞匯量的連續(xù)詞識別。對于智能機(jī)器人這類嵌入式應(yīng)用而言，語音可以提供直接可靠的交互方式，語音識別技術(shù)的應(yīng)用價(jià)值也就不言而喻。

如今智能語音設(shè)備或者機(jī)器人很多，如智能手機(jī)（例如Cortana，Siri，Ok Google，。。。），個(gè)人助理（例如Google Home，Amazon Echo，。。。），交互式語音應(yīng)答（銀行，應(yīng)答機(jī)， 。。。。。。），語音機(jī)器人（電話機(jī)器人、客服機(jī)器人、電銷機(jī)器人，……），在生活中很常見，表現(xiàn)都讓人驚喜。同時(shí)他們工作原理也大致相同。

1 語音識別概述

語音識別技術(shù)最早可以追溯到20世紀(jì)50年代，是試圖使機(jī)器能“聽懂”人類語音的技術(shù)。按照目前主流的研究方法，連續(xù)語音識別和孤立詞語音識別采用的聲學(xué)模型一般不同。孤立詞語音識別一般采用DTW動態(tài)時(shí)間規(guī)整算法。連續(xù)語音識別一般采用HMM模型或者HMM與人工神經(jīng)網(wǎng)絡(luò)ANN相結(jié)合。 語音的能量來源于正常呼氣時(shí)肺部呼出的穩(wěn)定氣流，喉部的聲帶既是閥門，又是振動部件。語音信號可以看作是一個(gè)時(shí)間序列，可以由隱馬爾可夫模型（HMM）進(jìn)行表征。語音信號經(jīng)過數(shù)字化及濾噪處理之后，進(jìn)行端點(diǎn)檢測得到語音段。對語音段數(shù)據(jù)進(jìn)行特征提取，語音信號就被轉(zhuǎn)換成為了一個(gè)向量序列，作為觀察值。在訓(xùn)練過程中，觀察值用于估計(jì)HMM的參數(shù)。這些參數(shù)包括觀察值的概率密度函數(shù)，及其對應(yīng)的狀態(tài)，狀態(tài)轉(zhuǎn)移概率等。當(dāng)參數(shù)估計(jì)完成后，估計(jì)出的參數(shù)即用于識別。此時(shí)經(jīng)過特征提取后的觀察值作為測試數(shù)據(jù)進(jìn)行識別，由此進(jìn)行識別準(zhǔn)確率的結(jié)果統(tǒng)計(jì)。訓(xùn)練及識別的結(jié)構(gòu)框圖如圖1所示。

圖1 語音識別系統(tǒng)結(jié)構(gòu)框圖

1. 1 端點(diǎn)檢測

找到語音信號的起止點(diǎn)，從而減小語音信號處理過程中的計(jì)算量，是語音識別過程中一個(gè)基本而且重要的問題。端點(diǎn)作為語音分割的重要特征，其準(zhǔn)確性在很大程度上影響系統(tǒng)識別的性能。

能零積定義：一幀時(shí)間范圍內(nèi)的信號能量與該段時(shí)間內(nèi)信號過零率的乘積。

能零積門限檢測算法可以在不丟失語音信息的情況下，對語音進(jìn)行準(zhǔn)確的端點(diǎn)檢測，經(jīng)過450個(gè)孤立詞（數(shù)字“0～9”）測試準(zhǔn)確率為98％以上，經(jīng)該方法進(jìn)行語音分割后的語音，在進(jìn)入識別模塊時(shí)識別正確率達(dá)95％。

圖2 檢測結(jié)果的效果示意圖 當(dāng)話者帶有呼吸噪聲，或周圍環(huán)境出現(xiàn)持續(xù)時(shí)間較短能量較高的噪聲，或者持續(xù)時(shí)間長而能量較弱的噪聲時(shí)，能零積門限檢測算法就不能對這些噪聲進(jìn)行濾除，進(jìn)而被判作語音進(jìn)入識別模塊，導(dǎo)致誤識。圖2（a）所示為室內(nèi)環(huán)境，正常情況下采集到的帶有呼氣噪聲的數(shù)字“0～9”的語音信號，利用能零積門限檢測算法得到的效果示意圖。最前面一段信號為呼氣噪聲，之后為數(shù)字“0～9”的語音。

從圖2（a）直觀的顯示出能零積算法在對付能量較弱，但持續(xù)時(shí)間長的噪音無能為力。由此引出了雙門限能零積檢測算法。 所謂的雙門限能零積算法指的是進(jìn)行兩次門限判斷。第一門限采用能零積，第二門限為單詞能零積平均值。也即在前面介紹的能零積檢測算法的基礎(chǔ)上再進(jìn)行一次能零積平均值的判決。其中，第二門限的設(shè)定依據(jù)取決于所有實(shí)驗(yàn)樣本中呼氣噪聲的平均能零積及最小的語音單詞能零積之間的一個(gè)常數(shù)。如圖2（b）所示，即為圖2（a）中所示的語音文件經(jīng)過雙門限能零積檢測算法得到的檢測結(jié)果?？梢悦黠@看到，最前一段信號，即呼氣噪聲已經(jīng)被視為噪音濾除。

1.2 隱馬爾可夫模型HMM

隱馬爾可夫模型，即HMM是一種基于概率方法的模式匹配方法。它的應(yīng)用是20世紀(jì)80年代以來語音識別領(lǐng)域取得的重要成果。

一個(gè)HMM模型可以表示為：

式中：π為初始狀態(tài)概率分布，πi=P（q1=θi），1≤i≤N，表示初始狀態(tài)處于θi的概率；A為狀態(tài)轉(zhuǎn)移概率矩陣，（aij）N×N，aij=P（qt+1 =θj|qt=θi），1≤i，j≤N；B為觀察值概率矩陣，B={bj（ot）}，j=1，2，…，N，表示觀察值輸出概率分布，也就是觀察值ot處于狀態(tài)j的概率。

1.3 模型訓(xùn)練

HMM有多種結(jié)構(gòu)類型，并且有不同的分類方法。根據(jù)狀態(tài)轉(zhuǎn)移矩陣（A參數(shù)）和觀察值輸出矩陣（B參數(shù)）的不同有不同類型的HMM。

對于CHMM模型，當(dāng)有多個(gè)觀察值序列時(shí)，其重估公式由參考文檔給出，此處不再贅述。

1.4 概率計(jì)算

利用HMM的定義可以得出P（O|λ）的直接求取公式：

式（2）計(jì)算量巨大，是不能接受的。Rabiner提出了前向后向算法，計(jì)算量大大減小。定義前向概率：

那么有 （1）初始化

（2）遞推

（3）終止

式（2）表示的是初始前向概率，bi（o1）為觀察值序列處于t=1 時(shí)刻在狀態(tài)i時(shí)的輸出概率，由于它服從連續(xù)高斯混合分布，故此值往往極小。根據(jù)大量實(shí)驗(yàn)觀察，通常小于10-10，此值在定點(diǎn)DSP中已不能用Q格式表示。分析式（3）可以發(fā)現(xiàn)，隨著時(shí)間t的增加，還會有大量的小數(shù)之間的乘法加法運(yùn)算，使得新的前向概率值at+1更小，逐漸趨向于0，定點(diǎn)DSP采用普通的Q格式進(jìn)行計(jì)算時(shí)便會負(fù)溢出，即便不發(fā)生負(fù)溢出也會大大丟失精度。因此必須尋找一種解決方法，在不影響DSP實(shí)時(shí)性的前提下，既不發(fā)生負(fù)溢出，又能提高精度。

2 DSP實(shí)現(xiàn)語音識別

孤立詞語音識別一般采用DTW動態(tài)時(shí)間規(guī)整算法。連續(xù)語音識別一般采用HMM模型或者HMM與人工神經(jīng)網(wǎng)絡(luò)ANN相結(jié)合。

為了能實(shí)時(shí)控制機(jī)器人，首先需要考慮的是能夠?qū)崿F(xiàn)實(shí)時(shí)地語音識別。而考慮到CHMM的巨大計(jì)算量以及成本因素，采用了數(shù)據(jù)處理能力強(qiáng)大，成本相對較低的定點(diǎn)數(shù)字信號處理器，即定點(diǎn)DSP。本實(shí)驗(yàn)采用的是TI公司多媒體芯片TMS320DM642。定點(diǎn)DSP要能準(zhǔn)確、實(shí)時(shí)的實(shí)現(xiàn)語音識別，必須考慮2點(diǎn)問題：精度問題和實(shí)時(shí)性問題。

精度問題的產(chǎn)生原因已經(jīng)由1.4節(jié)詳細(xì)闡述，這里不再贅述。因此必須找出一種可以提高精度，而又不會對實(shí)時(shí)性造成影響的解決方法?；谝陨峡紤]，本文提出了一種動態(tài)指數(shù)定標(biāo)方法。這種方法類似于科學(xué)計(jì)數(shù)法，用2個(gè)32 b單元，一個(gè)單元表示指數(shù)部分EXP，另一個(gè)單元表示小數(shù)部分Frac。首先將待計(jì)算的數(shù)據(jù)按照指數(shù)定標(biāo)格式歸一化，再進(jìn)行運(yùn)算。這樣當(dāng)數(shù)據(jù)進(jìn)行運(yùn)算時(shí)，仍然是定點(diǎn)進(jìn)行，從而避開浮點(diǎn)算法，從而使精度可以達(dá)到要求。

對于實(shí)時(shí)性問題，通常，語音的頻率范圍大約是300～3 400 Hz左右，因而本實(shí)驗(yàn)采樣率取8 kHz，16 b量化。考慮識別的實(shí)現(xiàn)，必須將語音進(jìn)行分幀處理。研究表明，大約在10～30 ms內(nèi)，人的發(fā)音模型是相對穩(wěn)定的，所以本實(shí)驗(yàn)中取32 ms為一幀，16 ms為幀移的時(shí)間間隔。

解決實(shí)時(shí)性問題必須充分利用DSP芯片的片上資源。利用EDMA進(jìn)行音頻數(shù)據(jù)的搬移，提高CPU利用率。采用PING—PONG緩沖區(qū)進(jìn)行數(shù)據(jù)的緩存，以保證不丟失數(shù)據(jù)。CHMM訓(xùn)練的模板放于外部存儲器，由于外部存儲器較片內(nèi)存儲器的速度更慢，因此開啟CACHE。建立DSP／BIOS任務(wù)，充分利用BIOS進(jìn)行任務(wù)之間的調(diào)度，實(shí)時(shí)處理新到的語音數(shù)據(jù)，檢測語音的起止點(diǎn)，當(dāng)有語音數(shù)據(jù)時(shí)再進(jìn)入下一任務(wù)進(jìn)行特征提取及識別。將識別結(jié)果用揚(yáng)聲器播放，并送入到機(jī)器人的控制模塊。

實(shí)驗(yàn)中，采用如圖3的程序架構(gòu)。

圖3機(jī)器人識別軟件框圖

3 機(jī)器人控制

機(jī)器人由自然條件下的語句進(jìn)行控制。這些語句描述了動作的方向，以及動作的幅度。為了簡單起見，讓機(jī)器人只執(zhí)行簡單命令。由手機(jī)進(jìn)行遙控，DSP模塊識別出語音命令，送控制命令到ARM模塊，驅(qū)動左右機(jī)械輪執(zhí)行相應(yīng)動作。

3.1 硬件結(jié)構(gòu)

機(jī)器人的硬件結(jié)構(gòu)如圖4所示。

圖4機(jī)器人硬件結(jié)構(gòu) 機(jī)器人主要有2大模塊，一個(gè)是基于DSP的語音識別模塊；另一個(gè)是基于ARM的控制模塊，其機(jī)械足為兩滑輪。由語音識別模塊識別語音，由控制模塊控制機(jī)器人動作。

3.2 語音控制

首先根據(jù)需要，設(shè)置了如下幾個(gè)簡單命令：前、后、左、右。機(jī)器人各狀態(tài)之間的轉(zhuǎn)移關(guān)系如圖5所示。其中，等待狀態(tài)為默認(rèn)狀態(tài)，當(dāng)每次執(zhí)行前后或左右轉(zhuǎn)命令后停止，即回到等待狀態(tài)，此時(shí)為靜止?fàn)顟B(tài)。

圖5機(jī)器人狀態(tài) 語音的訓(xùn)練模板庫由4個(gè)命令加10個(gè)阿拉伯?dāng)?shù)字共14個(gè)組成，如下所示。 命令：“前”、“后”、“左”、“右”； 數(shù)字：“0～9”。 命令代表動作的方向，數(shù)字代表動作的幅度。當(dāng)執(zhí)行前后命令時(shí)，數(shù)字的單位為dm，執(zhí)行左右轉(zhuǎn)彎命令時(shí)，數(shù)字的單位為角度單位的20°。每句命令句法為命令+數(shù)字。例如，語音“左2”表示的含義為向左轉(zhuǎn)彎40°，“前4”表示向前直行4 dm。

機(jī)器人語音控制的關(guān)鍵在于語音識別的準(zhǔn)確率。表1給出了5個(gè)男聲樣本的識別統(tǒng)計(jì)結(jié)果。

表1識別統(tǒng)計(jì)結(jié)果

4 結(jié)語

工作中，成功地將CHMM模型應(yīng)用于定點(diǎn)DSP上，并實(shí)現(xiàn)了對機(jī)器人的語音控制。解決了CHMM模型巨大計(jì)算量及精度與實(shí)時(shí)性之間的矛盾。提出了一種新的端點(diǎn)檢測算法，對于對抗短時(shí)或較低能量的環(huán)境噪音具有明顯效果。同時(shí)需要指出的是，當(dāng)語音識別指令增多時(shí)，則需要定義更多的句法，并且識別率也可能會相應(yīng)降低，計(jì)算量也會相應(yīng)變大。下一步研究工作應(yīng)更注重提高大詞匯量時(shí)的識別率及其魯棒性。