葉 碩，杜珍珍，彭春堂，賀 娟

(武漢郵電科學(xué)研究院，湖北 武漢 430000)

0 引 言

語音識別是當(dāng)今的熱門研究之一，自動語音識別(automatic speech recognition，ASR)技術(shù)是實(shí)現(xiàn)人機(jī)交互的關(guān)鍵[1]。在人機(jī)交互過程中，非特定人的語音識別具有廣闊的應(yīng)用前景。隱馬爾可夫模型(hidden Markov model，HMM)是語音識別技術(shù)中的重要模型之一，根據(jù)不同需要對建模對象進(jìn)行變化，可實(shí)現(xiàn)不同作用，比如說話人識別[2]、連續(xù)語音識別[3]、情緒識別等[4]。

語音識別環(huán)境多變，當(dāng)人處于狹小環(huán)境或聲源距離聲音采集器較遠(yuǎn)時(shí)，由墻壁、物體反射的延遲且衰減后的聲音信號與源信號疊加在一起引起混響。這種與原始信號疊加形成的干擾，會導(dǎo)致卷積失真，大大降低了語音的清晰可懂度。

在去混響領(lǐng)域，學(xué)者們做過許多研究，如文獻(xiàn)[5]對混響聲場進(jìn)行了細(xì)致的分類，文獻(xiàn)[6]分析了不同手段去混響的效果。文中基于HMM，提出一種使用卷積同態(tài)濾波器去混響的方法。在預(yù)處理階段對混響語音進(jìn)行降噪，提高語音在混響環(huán)境下的識別精度，并借助MATLAB完成仿真。

1 語音去混響方法研究

完整的識別過程如圖1所示，可以分為語音采集、特征學(xué)習(xí)、識別匹配三個(gè)階段。其中In1為訓(xùn)練模型所用的語音信號，In2為待識別語音信號，Out為輸出識別語音。用于提取特征的語音，通常采集于無干擾的實(shí)驗(yàn)室環(huán)境，而待識別的語音，通常來自于存在干擾的環(huán)境。

圖1 基于HMM的語音識別系統(tǒng)框圖

在某些場合，適度的混響會在聽覺上使人感到舒適，但在信號處理領(lǐng)域，混響不但會導(dǎo)致語音信號幅值變化、相位延時(shí)、共振峰偏移以及產(chǎn)生其他譜峰，其拖尾的混響聲部分還會掩蓋后面語音的弱能量音部分。在進(jìn)行語音識別時(shí)，混響使得測試集參數(shù)和訓(xùn)練集參數(shù)發(fā)生匹配失真，識別系統(tǒng)性能發(fā)生急劇下降[5]。

混響環(huán)境下，接收到的信號可用如下數(shù)學(xué)模型表示[6]：

其中，s(n)為有用信號；ak為反射系數(shù)；nk為反射波時(shí)延。x(n)又可表示為有用信號s(n)與混響環(huán)境下的沖激響應(yīng)h(n)的卷積形式：

x(n)=s(n)*h(n)

為解決混響問題，現(xiàn)行方法大致有三種：基于復(fù)倒譜濾波(complex cepstrum filtering，CF)、基于復(fù)倒譜均值減(complex cepstrum mean subtract，CMS)以及基于波束形成(beam forming，BF)。文中采用復(fù)倒譜濾波的方法，該方法本質(zhì)上屬于同態(tài)濾波，能將非線性結(jié)合的信號變換為加性結(jié)合的信號，從而可以使用線性濾波的手段去除混響[7]。卷積同態(tài)系統(tǒng)由三個(gè)子系統(tǒng)級聯(lián)而成：特征子系統(tǒng)、線性系統(tǒng)、特征子系統(tǒng)的逆系統(tǒng)。

特征子系統(tǒng)實(shí)現(xiàn)原理如圖2所示，其作用是將信號的時(shí)域卷積形式變換為時(shí)域的線性運(yùn)算。輸入信號x(n)，經(jīng)Z變換后變?yōu)閮尚盘栴l域的相乘，取對數(shù)進(jìn)而得到頻域線性運(yùn)算，再進(jìn)行逆Z變換，得到原始信號的時(shí)域線性形式，即復(fù)倒譜：

圖2 特征子系統(tǒng)實(shí)現(xiàn)

2 HMM的語音識別算法

2.1 HMM的建立

孤立詞或短詞匯的語音識別算法一般分為兩類：動態(tài)時(shí)間規(guī)整(dynamic time warping，DTW)和HMM。

DTW算法基于動態(tài)規(guī)劃(DP)的思想，利用語音中邏輯的先后不可改變這一特性，能克服因發(fā)音習(xí)慣的不同而導(dǎo)致的語音信號與模板不匹配問題。但該算法只能識別特定說話人的特定文本，具有局限性，因此文中使用HMM來進(jìn)行語音識別。

HMM是一種用參數(shù)表示的、基于語音信號的時(shí)間序列結(jié)構(gòu)建立的、用于描述其隨機(jī)過程統(tǒng)計(jì)特性的概率模型，在處理離散時(shí)間序列的觀察數(shù)據(jù)中應(yīng)用廣泛[8-9]，能實(shí)現(xiàn)非特定說話人的語音識別。一般分為連續(xù)HMM(CHMM)、半連續(xù)HMM(SCHMM)以及離散HMM(DHMM)[10]，該模型表明，當(dāng)前狀態(tài)只與前一時(shí)刻所處的狀態(tài)有關(guān)。

對比DTW，HMM的特點(diǎn)是：狀態(tài)隱含、觀察可測。將語音部分分割成極小的時(shí)間片段，那么該片段的特性近似穩(wěn)定，總過程可視為從某一相對穩(wěn)定特性到另一相對穩(wěn)定特性的轉(zhuǎn)移。

構(gòu)建語音信號的HMM，將它的語音分成上下兩層，下層是不可測的、有限狀態(tài)數(shù)的、馬爾可夫鏈模擬的語音信號統(tǒng)計(jì)特性變化的隱含隨機(jī)過程；上層引入概率統(tǒng)計(jì)模型,是與馬爾可夫鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測序列的隨機(jī)過程[11]。

語音信號是一種非平穩(wěn)信號，一段完整的語音信號可以分為靜音、語音、停頓、語音、靜音五個(gè)部分[12]。其中語音部分，又可將每一個(gè)音節(jié)分成構(gòu)筑其發(fā)音的最小單位—音素。多狀態(tài)的HMM構(gòu)成一個(gè)音素，多個(gè)音素的HMM串接構(gòu)成一個(gè)字，將多個(gè)字的HMM串接起來，便可得到詞匯的馬爾可夫鏈。圖3所示便是一個(gè)音素與觀測序列的關(guān)系，其中O1,O2,…,OT為觀測得到的序列，若干個(gè)序列組成狀態(tài)集S1,S2,…，而這個(gè)狀態(tài)集便對應(yīng)了語音的一個(gè)音素。

圖3 HMM與語音參數(shù)關(guān)系

連續(xù)語音識別就是馬爾可夫鏈和靜音組合起來的HMM，用概率密度函數(shù)計(jì)算語音特征參數(shù)對HMM模型的輸出概率，通過搜索最佳狀態(tài)序列，以最大后驗(yàn)概率為準(zhǔn)則找到識別結(jié)果[13]。

2.2 HMM的訓(xùn)練

一個(gè)HMM可由式λ=(π,A,B)描述，其中π為初始狀態(tài)概率，A為狀態(tài)轉(zhuǎn)移概率矩陣，B為觀測概率矩陣。π和A決定狀態(tài)序列，B決定觀測序列。作為參數(shù)重估問題，HMM需要解決三個(gè)問題[11,13-14]：

(1)輸出概率計(jì)算問題。

該問題是語音信號的建模問題。已知觀測序列O={O1,O2,…,OT}和隱馬爾可夫模型λ=(π,A,B)，將所求觀察序列在HMM下出現(xiàn)的條件概率分成兩部分，分別利用前向算法、后向算法將求得的條件概率進(jìn)行乘積，進(jìn)而得到整個(gè)觀察序列的輸出概率，以達(dá)到降低計(jì)算復(fù)雜度的目的。

定義HMM的前向概率為αt(i)=P{O1,O2,…,OT;qt=i|λ}，表示在給定HMM參數(shù)λ的前提下，觀測序列為{O1,O2,…,OT}在t時(shí)刻處于隱藏狀態(tài)i的概率。前向概率αt(i)的遞推公式如下：

初始化：α1(i)=πibi(O1),i∈[1,N]。

與前向概率相對應(yīng)，定義后向概率為βt(i)=P{Ot+1,Ot+2,…,OT;qt=i|λ}，表示在給定HMM參數(shù)λ的前提下，觀測序列{Ot+1,Ot+2,…,OT}在t時(shí)刻處于隱藏狀態(tài)i的概率。

后向概率βt(i)的遞推公式如下：

初始化：βT(i)=1，i∈[1,N]。

經(jīng)過分析，可得輸出概率計(jì)算公式為：

反復(fù)迭代直到HMM參數(shù)不再發(fā)生明顯變化為止。

(2)狀態(tài)序列解碼問題。

該問題是尋找最優(yōu)匹配問題。Viterbi算法是一種廣泛用于通信領(lǐng)域的動態(tài)規(guī)劃算法，即用動態(tài)規(guī)劃求概率最大路徑，它克服了全概率公式無法找到最優(yōu)狀態(tài)轉(zhuǎn)移路徑的問題。給定觀察序列和HMM，通過Viterbi識別算法確定一個(gè)最優(yōu)的狀態(tài)轉(zhuǎn)移序列，并得到該路徑所對應(yīng)的輸出概率。

初始化：δ1(i)=πibi(O1)，ψ1(i)=0,i∈[1,N]。

迭代計(jì)算：

其中δt(i)為t時(shí)刻第i狀態(tài)的累計(jì)輸出概率，ψt(j)為t時(shí)刻第i狀態(tài)的前續(xù)狀態(tài)信號，為最優(yōu)狀態(tài)序列中t時(shí)刻所處的狀態(tài)，為最終的輸出概率。實(shí)際使用中，通常用對數(shù)形式的Viterbi算法，這樣將避免進(jìn)行大量的乘法計(jì)算，減少了計(jì)算量，同時(shí)還可以保證較高的動態(tài)范圍，避免由于過多的連乘而導(dǎo)致溢出問題。在識別階段，如果HMM模型為整詞模型，就沒有必要保存前續(xù)節(jié)點(diǎn)矩陣和狀態(tài)轉(zhuǎn)移路徑，可以進(jìn)一步減少計(jì)算量。

(3)模型參數(shù)的估計(jì)問題。

該問題是模型的修正問題，使HMM能夠做到非特定人的語音識別。Baum-Welch算法是極大似然(ML)準(zhǔn)則的一個(gè)應(yīng)用，利用該算法對初始化的HMM參數(shù)進(jìn)行訓(xùn)練重估，即多個(gè)不同人對同一條命令重復(fù)多次錄入，分別計(jì)算各自的特征參數(shù)序列，得到重估模型參數(shù)，使P(O|λ)概率最大。

由于該系統(tǒng)采用從左至右、無跳轉(zhuǎn)、單向結(jié)構(gòu)的HMM模型，初始概率恒等于π1=1、πi=0，i∈[2,N],因此不需進(jìn)行重估。

3 實(shí)驗(yàn)測試

文中的數(shù)據(jù)庫為自建庫，采用普通麥克風(fēng)錄制。測試中發(fā)現(xiàn)，當(dāng)使用16 kHz及以上時(shí)，語譜圖在4 000 Hz以上的頻段依然存在大量數(shù)據(jù)，而人類發(fā)聲系統(tǒng)一般發(fā)出的語音處于300 Hz～3 400 Hz之間。分析原因，是由語音信號采樣率引起的，因此文中使用8 kHz的采樣率。說話語音為普通話。

自建庫包括兩部分，一部分為訓(xùn)練語音：20個(gè)說話人錄制10條時(shí)長為2 s的正常語音；另一部分為測試語音：30個(gè)說話人錄制10條長為2～4 s的正常語音，再在狹小回廊環(huán)境錄制10條長為2～4 s的語音作為混響語音。訓(xùn)練語音與測試語音文本相同。

實(shí)驗(yàn)開始對語音信號進(jìn)行降噪處理，濾除高頻噪聲，然后進(jìn)行端點(diǎn)檢測等處理，截取語音信號中存在語音的部分。

圖4展示了三組經(jīng)過預(yù)處理后的圖，分別為同一詞匯的純凈語音、混響語音以及去混響后的語音；每組圖片由兩張圖構(gòu)成，分別為語音的時(shí)域圖與語譜圖。語譜圖是語音的頻譜圖，其橫坐標(biāo)是語音持續(xù)的時(shí)間，縱坐標(biāo)為語音的頻率，坐標(biāo)點(diǎn)值為語音的能量。通過觀察可以發(fā)現(xiàn)，經(jīng)過復(fù)倒譜濾波后，時(shí)域信號的振幅有所降低，對比語譜圖可以發(fā)現(xiàn)，0.2～0.4 s的語音混雜程度有所降低。

圖4 同態(tài)濾波去混響方法的時(shí)域圖與語譜圖

系統(tǒng)分訓(xùn)練和識別兩個(gè)階段。在語音識別中Mel頻率倒譜系數(shù)(Mel frequency cepstrum coefficient，MFCC)將線性頻標(biāo)轉(zhuǎn)化為Mel頻標(biāo)，能屏蔽大部分高頻噪聲的干擾，有利于識別信息。因此在訓(xùn)練階段提取訓(xùn)練語音信號的MFCC參數(shù)，對10條語音分別建立HMM。

在識別階段，將帶混響的語音信號輸入采集器，使用卷積同態(tài)濾波去除混響，提取語音信號的MFCC參數(shù)，建立待識別語音的HMM，將測試語音的HMM模型與訓(xùn)練庫中的各個(gè)模型應(yīng)用Viterbi算法進(jìn)行搜索，找到輸出概率最大的訓(xùn)練模型。

表1展示了基于HMM的語音識別結(jié)果，測試了該模型對正常語音、混響語音的識別情況。其中混響語音測試又分為a，b兩個(gè)步驟，步驟a單純測試該模型對混響語音的識別情況，步驟b則是將混響語音通過卷積同態(tài)濾波器后再進(jìn)行識別。

表1 基于HMM的語音識別結(jié)果

可以看出，該模型在識別正常語音時(shí)具有較高的可靠性，實(shí)現(xiàn)了短詞匯非特定人的語音識別，對比使用卷積同態(tài)濾波器前后的結(jié)果，能發(fā)現(xiàn)該系統(tǒng)對于混響語音的處理也具有一定的效果，識別準(zhǔn)確率有所提升。

4 結(jié)束語

文中基本實(shí)現(xiàn)了混響語音的語音識別，實(shí)驗(yàn)結(jié)果表明，單純使用復(fù)倒譜濾波的方法去混響，效果并不是特別明顯。雖然HMM在語音識別方面用途廣泛，但其淺層學(xué)習(xí)結(jié)構(gòu)在海量數(shù)據(jù)下性能會受到限制[15-16]，因此單純使用HMM進(jìn)行語音識別也遇到了很大阻力。隨著機(jī)器學(xué)習(xí)的興起，神經(jīng)網(wǎng)絡(luò)聲學(xué)建模與傳統(tǒng)手段相結(jié)合，將進(jìn)一步推動語音識別技術(shù)的發(fā)展。