语音识别在家电遥控器中的应用

的两级端点检测方案，提高端点检测的精度。第一级对输入语音信号，根据其能量和过零率的变化，进行一次简单的实时端点检测，以便去掉静音得到输入语音的时域范围，并且在此基础上进行频谱特征提取工作。第二级根据输入语音频谱的FFT分析结果，分别计算出高频、中频和低频段的能量分布特性，用来判别轻辅音、浊辅音和元音；在确定了元音、浊音段后，再向前后两端扩展搜索包含语音端点的帧。FRED端点检测算法根据语音的本质特征进行端点检测，可以更好地适应环境的干扰和变化，提高端点检测的精度。
　　
　　在特定人识别中，比较了常用的FED（FastEndpointDetection）[5]和FRED两种端点检测算法的性能。两种算法测试使用相同的数据库，包括7个人的录音，每个人说100个人名，每个人名读3遍。测试中的DP模板训练和识别算法为传统的固定端点动态时间伸缩（DTW）模板匹配算法[4]。两种端点检测算法的识别率测试结果列在表1中。
　　
　　表1比较FED和FRED端点检测算法对DTW模板匹配识别率的影响
　　
　　端点检测算法第1人第2人第3人第4人第5人第6人第7人平均FED92.5%87%92.6%95.6%96.2%96.8%100%94.4%FRED94.3%89.9%93.2%99.4%99.4%98.8%100%96.4%
　　测试结果说明：使用FRED端点检测算法，所有说话人的识别率都有了不同程度的提高。因此，本系统采用这种两级端点检测方案。
　　
　　1.2模拟匹配算法
　　
　　DTW是典型的DP特定人算法，为了克服自然语速的差异，用动态时间规整方法将模板特征序列和语音特征序列进行匹配，比较两者之间的失真，得出识别判决的依据。
　　
　　假设存储的一个词条模板包括M帧倒谱特征R={r(m);m=1,2,∧,M}；识别特征序列包括N帧倒谱特征T={t(n);n=1,2,∧,N}。在r(i)和t(i)之间定义帧局部失真D(i,j),D(i,j)=|r(i)-t(i)|2，通过动态规划过程，在搜索路径中找到累积失真最小的路径，即最优的匹配结果。采用对称形式DTW：
　　
　　
　　
　　其中S(i,j)是累积失真,D（i,j）是局部失真。
　　
　　当动态规划过程计算到固定结点（N，M）时，可以计算出该模板动态匹配的归一化距离，识别结果即该归一化距离最小的模板词条：x=argmin{S(N,Mx)}。
　　
　　为了提高DTW识别算法的识别性能和模板的稳健性，提出了双模板策略，即x=argmin{S(N,M2x)}。第一次输入的训练词条存储为第一个模板，第二次输入的相同训练词条存储为第二个模板，希望每个词条通过两个较稳健的模板来保持较高的识别性能。与上面测试相同，也利用7个人说的100个人名，每个人名含3遍的数据库，比较DTW单模板和双模板的性能差别，结果更在表2中。
　　
　　表2DTW不同模板数的识别率比较
　　
　　DTW第1人第2人第3人第4人第5人第6人第7人平均单模板94.3%89.9%93.2%99.4%99.4%98.8%100%96.4%双模板99.4%96.6%98.5%100%100%98.8%100%99.0%
　　测试结果说明：通过存储两个模板，相当大地提高了DTW识别的性能，其稳健性也有很大的提高。因此，对特定人识别系统，采用DTW双模板是简单有效的策略。
　　

《语音识别在家电遥控器中的应用(第2页)》