任麗莉，丁 浩，康 冰，閆冬梅

(1.長春師范大學網(wǎng)絡中心，吉林長春 130032；2.吉林大學通信工程學院，吉林長春 130022；3.吉林大學大數(shù)據(jù)和網(wǎng)絡管理中心，吉林長春 130012)

語音識別技術改變了人與計算機的互動模式。人們只需動動口，就能打開或關閉程序，改變工作界面。這種使電腦人性化的結果是使人的雙手得到解放，使每個人都能操作和應用計算機。這種變化不僅體現(xiàn)在計算機行業(yè)還體現(xiàn)在其它方面，比如電話手機、導航控制、檢索文件、控制儀器等。語音識別技術涉及很多領域的知識，語音識別技術與其他學科的科學技術相結合，可以構建出更加復雜的系統(tǒng)。隨著技術的發(fā)展，語音識別系統(tǒng)應用于機器人領域成為必然趨勢[1-3]。語音識別系統(tǒng)具有很強的專業(yè)性，有很強大的市場潛力。無論是目前還是未來，研制出識別能力強、識別語種多的語音識別系統(tǒng)，并將其應用于機器人領域，對提高作業(yè)安全性、生產(chǎn)快捷性、操作簡單性都有積極意義，在服務型機器人和家庭型機器人應用方面更是有不可替代的作用。用戶可以通過語音識別交互系統(tǒng)直接控制機器人，省去了非語音識別機器人的復雜操作流程。像敬老院、醫(yī)院等場所可以通過安裝有語言識別系統(tǒng)的機器人完成老人、病人的無人化照顧，具有一定的現(xiàn)實意義。

1 語音識別原理

從根本上講，語音識別系統(tǒng)是一種特別的模式識別系統(tǒng)，由三個基本結構單元組成，分別是參考模板庫、特征提取和模式匹配，基本結構如圖1所示。

用戶通過語音輸入裝置輸入語音，將輸入語音轉換為電信號，并添加到語音識別系統(tǒng)的輸入端口。首先對信號進行預處理。由特定算法提取出能夠有效地表現(xiàn)語音特征的特征參數(shù)，以區(qū)別不同的語音命令。然后將提取的特征參數(shù)與模板庫中以同一方法在訓練階段保存的其它語音的特征參數(shù)進行匹配，利用搜索匹配法進行匹配比較之后將最佳結果作為識別結果，將識別結果輸出或存儲到其它操作中[4-5]。

2 系統(tǒng)整體設計

本系統(tǒng)設計更傾向于程序算法的設計，加之簡單的組件添加。程序設計是在VC++6.0的MFC下進行編程實現(xiàn)的，在設計過程中，硬件方面要求有一個帶有Windows操作系統(tǒng)的輪式機器人、一個裝有VC++6.0的Windows PC、一個電源、一個麥克風裝置等。在MFC平臺中使用微軟語音SDK 5.1開發(fā)語音識別的主要步驟如下：下載安裝完程序后，首先配置VC環(huán)境，然后在編程前添加相應的頭文件，再進行程序編寫。其中，編程部分可分為文字轉語音(語音輸出)和語音識別兩部分。

2.1 文字轉語音

文字轉語音步驟如下：

(1)導入所需的語音頭文件。

(2)文字轉語音函數(shù)的設置。在這里調(diào)用CBodyBasics∶∶MSSSpeak(LPCTSTR speakContent)函數(shù)即可將需要輸出的文字轉為語音，speakContent為LPCTSTR型的字符串。

(3)在進行輸入輸出設置之前要用ISpVoice*pVoice=NULL指令進行com初始化，并檢測是否成功給予反饋。

(4)獲取SpVoice接口，之后進行語音輸出音量的設置，pVoice->SetVolume((USHORT)100)指令設置語音輸出的音量，其有效范圍是0至100，再用pVoice->SetRate(2)指令設置輸出語音的速度，其有效范圍是-10至10。

(5)利用pSpeech->Speak(L"……")指令輸出所需語音，“……”為輸出內(nèi)容。語音輸出功能整體代碼設置完畢后釋放com資源。至此文字轉語音編程設置完畢。

2.2 語音轉文字

語音轉文字步驟如下：

(1)首先設置工程屬性。在VC中打開屬性選項，打開配置屬性，點擊C/C++預處理器，點擊預處理器定義，勾選_WIN32_DCOM選項。若不如此設置編譯將無法通過。

(2)導入所需頭文件，語音頭文件庫、語音識別頭文件、要用的CString頭文件等。

(3)在程序的.h頭文件中定義變量，添加入頭文件后還需對頭文件中的變量進行定義，否則在運行時會出現(xiàn)錯誤。需要定義的變量有：語音識別引擎(recognition)的接口、識別引擎上下文(context)的接口、識別文法(grammar)的接口、流()的接口、語音特征的(token)接口、音頻(Audio)的接口(用來保存原來默認的輸入流)。

(4)進行語音識別初始化函數(shù)創(chuàng)建。在創(chuàng)建之前與語音輸出部分相同要進行com接口初始化，并檢測是否成功加以反饋。微軟語音識別開發(fā)包提供了兩種模式：一種是共享模式(Share)；另一種是獨享模式(InProc)。一般情況下選用共享模式，大型的服務程序使用獨立模式。本系統(tǒng)使用共享模式(Share)。具體的編程設置如下：利用hr=m_cpRecoEngine.CoCreateInstance(CLSID_SpSharedRecognizer)指令來創(chuàng)建共享模式，執(zhí)行完創(chuàng)建指令后要進行檢測，檢查識別引擎是否創(chuàng)建成功。成功后進行以下操作：首先創(chuàng)建識別上下文接口，再設置識別消息，隨后設置我們感興趣的事件，即需要識別的事件。要進行語音識別需要在工程中添加需要的語音，也就需要創(chuàng)建語法規(guī)則C&C命令式，此時語法文件使用xml格式，具體在(6)中介紹。創(chuàng)建語法規(guī)則后要加載語法才能使用，在進行識別前,首先要激活語音識別函數(shù)，之后再進行識別，在主體程序設置完畢后釋放com資源。至此語音識別部分編程設置完畢。

(5)定義消息處理函數(shù)。消息處理函數(shù)需要和上文所述的其他代碼放在一起。根據(jù)本文上述部分進行編程，在其后添加修改消息反應模塊即可實現(xiàn)所需功能。先參照前文進行語音識別部分的編程設置，當輸入語音后系統(tǒng)進行識別，取出識別結果等待消息反應模塊做出反應。在消息處理函數(shù)中利用識別結果進行進一步操作，如當機器人識別出語音“機器人”后給出“你好”的回應，在工程中通過Recstring=="機器人"指令保存識別出的語音，隨后通過pSpeech->Speak(L"你好！");指令回應，實現(xiàn)語音識別、語音輸出的交互。

(6)修改語法文件。對Strkeyword.xml文件進行修改，可以增添刪減關鍵詞，使某些特殊詞匯的識別度提高，使其識別效果變得更好，像名字、專有名詞等。

通過以上方法進行語音識別編程，整體編程實現(xiàn)方法如圖2和圖3所示。在硬件上只需在機器人上連接麥克風。

3 設計結果

在MFC平臺運行完成程序加載后，形成相應的可執(zhí)行文件即應用軟件。啟動應用軟件后(啟動后圖標狀態(tài)如圖4所示)，機器人會進入語音識別狀態(tài)，用戶通過麥克風輸入語音指令，系統(tǒng)對接收到的語音信號進行識別并提取相應的特征參數(shù)，如果與程序中設定目標語音的特征參數(shù)一致，那么就可以將其作為最終的識別結果，語音識別結果會暫時被保存，在機器人執(zhí)行周期執(zhí)行函數(shù)時使用，作為條件對機器人行動進行控制。

經(jīng)過設計可實現(xiàn)如下功能：點擊啟動圖標，屏幕顯示“開始聆聽”即可進行語音識別。機器人發(fā)出“準備飲料獲取演示”聲音，輸入“機器人”，回應“你好，請問需要飲料嗎”，輸入“是的”，回答“好的，我將為你取回飲料”，之后機器人開始行動。圖5所示為輪式機器人。

如果要進行其他語音識別設置，可進行如下操作：

(1)語音識別。語音識別的關鍵詞文件放置在工程的Grammar子目錄下，根據(jù)需要對里面的關鍵詞進行自由增減，在微軟官方網(wǎng)站可以找到相關語法規(guī)則。語音識別到的關鍵詞，最后會以字符串變量的形式被傳遞到CRobotEvent∶∶SR_KeyWord()回調(diào)函數(shù)中。

(2)語音輸出。在類CRobotEvent中，可隨時通過pSpeech指針調(diào)用CSpeech類的Speak()函數(shù)接口將文字轉換成語音播放出來。

(3)接口函數(shù)進行語音輸出，函數(shù)為pSpeech->Speak(CString inStr)，其中參數(shù)inStr為字符串類型，指代內(nèi)容為需要進行語音輸出的語句。