概述

方便用戶控制智能設(shè)備、電器，用戶只須說一下口令就實現(xiàn)制智能設(shè)備、電器。

特性

電氣特性

1、供電：DC===5V 0.5A

2、功耗：

待機-----0.1mA

工作-----300mA

Zigbee相關(guān)參數(shù)（了解Zigbee,請參閱：介紹一款高性比的Zigbee無線模塊，我們燒錄好程序的，開箱即用）

通訊頻率：2.4G

接收靈敏度：-95dBM

通信協(xié)議：ZigBee3.0協(xié)議

發(fā)射功率：20.5dB

語音相關(guān)參數(shù)

支持語種: 默認普通話+自學(xué)習(xí)語言及其他語種

揚聲器: 4歐姆2.5W

識別距離：遠場離線語音識別15米內(nèi)

系統(tǒng)框架

語音識別原理

語音識別的本質(zhì)就是將語音序列轉(zhuǎn)換為文本序列，其常用的系統(tǒng)框架如下：

接下來對語音識別相關(guān)技術(shù)進行介紹，為了便于整體理解，首先，介紹語音前端信號處理的相關(guān)技術(shù)，然后，解釋語音識別基本原理，并展開到聲學(xué)模型和語言模型的敘述。

一、語音前處理

前端的信號處理是對原始語音信號進行的相關(guān)處理，使得處理后的信號更能代表語音的本質(zhì)特征，相關(guān)技術(shù)點如下表所述：

1、語音端點檢測

語音端點檢測（VAD）用于檢測出語音信號的起始位置，分離出語音段和非語音（靜音或噪聲）段。VAD算法大致分為三類：基于閾值的VAD、基于分類器的VAD和基于模型的VAD。

基于閾值的VAD是通過提取時域（短時能量、短時過零率等）或頻域（MFCC、譜熵等）特征，通過合理的設(shè)置門限，達到區(qū)分語音和非語音的目的；

基于分類的VAD是將語音活動檢測作為（語音和非語音）二分類，可以通過機器學(xué)習(xí)的方法訓(xùn)練分類器，達到語音活動檢測的目的；

基于模型的VAD是構(gòu)建一套完整的語音識別模型用于區(qū)分語音段和非語音段，考慮到實時性的要求，并未得到實際的應(yīng)用。

2、降噪

在生活環(huán)境中通常會存在例如空調(diào)、風(fēng)扇等各種噪聲，降噪算法目的在于降低環(huán)境中存在的噪聲，提高信噪比，進一步提升識別效果。

常用降噪算法包括自適應(yīng)LMS和維納濾波等。

3、回聲消除

回聲存在于雙工模式時，麥克風(fēng)收集到揚聲器的信號，比如在設(shè)備播放音樂時，需要用語音控制該設(shè)備的場景。

回聲消除通常使用自適應(yīng)濾波器實現(xiàn)的，即設(shè)計一個參數(shù)可調(diào)的濾波器，通過自適應(yīng)算法（LMS、NLMS等）調(diào)整濾波器參數(shù)，模擬回聲產(chǎn)生的信道環(huán)境，進而估計回聲信號進行消除。

4、混響消除

語音信號在室內(nèi)經(jīng)過多次反射之后，被麥克風(fēng)采集，得到的混響信號容易產(chǎn)生掩蔽效應(yīng)，會導(dǎo)致識別率急劇惡化，需要在前端處理。

混響消除方法主要包括：基于逆濾波方法、基于波束形成方法和基于深度學(xué)習(xí)方法等。

5、聲源定位

麥克風(fēng)陣列已經(jīng)廣泛應(yīng)用于語音識別領(lǐng)域，聲源定位是陣列信號處理的主要任務(wù)之一，使用麥克風(fēng)陣列確定說話人位置，為識別階段的波束形成處理做準備。

聲源定位常用算法包括：基于高分辨率譜估計算法（如MUSIC算法），基于聲達時間差（TDOA）算法，基于波束形成的最小方差無失真響應(yīng)（MVDR）算法等。

6、波束形成

波束形成是指將一定幾何結(jié)構(gòu)排列的麥克風(fēng)陣列的各個麥克風(fēng)輸出信號，經(jīng)過處理（如加權(quán)、時延、求和等）形成空間指向性的方法，可用于聲源定位和混響消除等。

波束形成主要分為：固定波束形成、自適應(yīng)波束形成和后置濾波波束形成等。

二、語音識別的基本原理

所謂語音識別，就是將一段語音信號轉(zhuǎn)換成相對應(yīng)的文本信息，系統(tǒng)主要包含特征提取、聲學(xué)模型、語言模型以及字典與解碼四大部分，其中為了更有效地提取特征往往還需要對所采集到的聲音信號進行濾波、分幀等預(yù)處理工作，把要分析的信號從原始信號中提取出來；之后，特征提取工作將聲音信號從時域轉(zhuǎn)換到頻域，為聲學(xué)模型提供合適的特征向量；聲學(xué)模型中再根據(jù)聲學(xué)特征性計算每一個特征向量在聲學(xué)特征上的得分；而語言模型則根據(jù)語言學(xué)相關(guān)的理論，計算該聲音信號對應(yīng)可能詞組序列的概率；最后根據(jù)已有的字典，對詞組序列進行解碼，得到最后可能的文本表示。其中聲學(xué)模型與語言模型的關(guān)系，將通過貝葉斯公式表示為：

其中，P(X|W)稱之為聲學(xué)模型，P(W)稱之為語言模型。大多數(shù)的研究將聲學(xué)模型和語言模型分開處理，并且，不同廠家的語音識別系統(tǒng)主要體現(xiàn)在聲學(xué)模型的差異性上面。此外，基于大數(shù)據(jù)和深度學(xué)習(xí)的端到端（Seq-to-Seq）方法也在不斷發(fā)展，它直接計算P(X|W)，即將聲學(xué)模型和語言模型作為整體處理。

三、傳統(tǒng)HMM聲學(xué)模型

聲學(xué)模型是將語音信號的觀測特征與句子的語音建模單元聯(lián)系起來，即計算P(X|W)。我們通常使用隱馬爾科夫模型（Hidden Markov Model，HMM）解決語音與文本的不定長關(guān)系，比如下圖的隱馬爾科夫模型中。

將聲學(xué)模型表示為：

其中，初始狀態(tài)概率P(w1)和狀態(tài)轉(zhuǎn)移概率(P(w2|w1)、P(w2|w2))可用通過常規(guī)統(tǒng)計的方法計算得出，發(fā)射概率(P(x1|w1)、P(wx2|w2)、P(x3|w2))可以通過混合高斯模型GMM或深度神經(jīng)網(wǎng)絡(luò)DNN求解。

傳統(tǒng)的語音識別系統(tǒng)普遍采用基于GMM-HMM的聲學(xué)模型，示意圖如下：

其中，awiwj表示狀態(tài)轉(zhuǎn)移概率P(wj|wi)，語音特征表示X=[x1,x2,x3,…]，通過混合高斯模型GMM建立特征與狀態(tài)之間的聯(lián)系，從而得到發(fā)射概率P(xj|wi)，并且，不同的wi狀態(tài)對應(yīng)的混合高斯模型參數(shù)不同。

基于GMM-HMM的語音識別只能學(xué)習(xí)到語音的淺層特征，不能獲取到數(shù)據(jù)特征間的高階相關(guān)性，DNN-HMM利用DNN較強的學(xué)習(xí)能力，能夠提升識別性能，其聲學(xué)模型示意圖如下：

GMM-HMM和DNN-HMM的區(qū)別在于用DNN替換GMM來求解發(fā)射概率P(xj|wi)，GMM-HMM模型優(yōu)勢在于計算量較小且效果不俗。DNN-HMM模型提升了識別率，但對于硬件的計算能力要求較高。因此，模型的選擇可以結(jié)合實際的應(yīng)用調(diào)整。

四、Seq-to-Seq模型

語音識別實際上可以看成兩個序列之間轉(zhuǎn)換的問題。語音識別實際上的目標就是把輸入的音頻序列轉(zhuǎn)錄為對應(yīng)的文本序列，音頻序列可以描述為 O=o1,o2,o3,…,ot 其中oi表示每一幀語音特征，t表示音頻序列的時間步（通常情況下，每秒語音會被分為100幀，每幀可以提取39維或者120維的特征），同樣的，文本序列可以描述為 W=w1,w2,w3,…,wt 其中n表示語音中對應(yīng)的詞數(shù)（不一定是詞，也可能是音素等其他建模單元）。由此可見，語音識別問題可以用序列到序列的模型建模。傳統(tǒng)的語音識別問題是DNN-HMM的混合結(jié)構(gòu)，并且還需要語言模型、發(fā)音詞典和解碼器等多個部件共同建模。其中發(fā)音詞典的構(gòu)建需要大量的專家知識，多個模型組件之間也需要單獨訓(xùn)練不能進行聯(lián)合優(yōu)化。Seq2Seq模型給語音識別建模提供了一種新的解決思路。將Seq2Seq模型應(yīng)用于語音識別問題有很多明顯的優(yōu)勢：可以進行端到端聯(lián)合優(yōu)化，徹底擺脫了馬爾科夫假設(shè)，不需要發(fā)音詞典。

CTC

語音識別中，一般包含語音段和對應(yīng)的文本標簽，但是卻并不知道具體的對齊關(guān)系，即字符和語音幀之間對齊，這就給語音識別訓(xùn)練任務(wù)帶來困難；而CTC在訓(xùn)練時不關(guān)心具體的唯一的對齊關(guān)系，而是考慮所有可能對應(yīng)為標簽的序列概率和，所以比較適合這種類型的識別任務(wù)。CTC是和聲學(xué)特征序列同步進行解碼，就是每輸入一個特征，就輸出一個label，所以它的輸入和輸出序列長度是相同的。但是我們前面說輸入輸出的長度明顯差別是很大的，所以在CTC里面引入了一個blank的符號，帶有blank的文本序列稱為CTC的一個對齊結(jié)果。拿到對齊之后，首先對進行符號去重，再刪掉blank，就恢復(fù)到標注的文本了。

RNN Transducer

CTC對于語音識別的聲學(xué)建模帶來了極大的好處，但是CTC模型仍然存在著很多的問題，其中最顯著的就是CTC假設(shè)模型的輸出之間是條件獨立的。這個基本假設(shè)與語音識別任務(wù)之前存在著一定程度的背離。此外，CTC模型并不具有語言建模能力，同時也并沒有真正的實現(xiàn)端到端的聯(lián)合優(yōu)化。RNN-T不再是一個輸入對應(yīng)一個輸出的結(jié)構(gòu)，而是使其給一個輸入能夠產(chǎn)生多個token輸出，直到輸出1個空字符?表示需要下一個輸入，也就是說最后的?數(shù)量一定是和輸入的長度相同，因為每一幀輸入一定會產(chǎn)生一個?。

五、語言模型

語言模型與文本處理相關(guān)，比如我們使用的智能輸入法，當我們輸入“nihao”，輸入法候選詞會出現(xiàn)“你好”而不是“尼毫”，候選詞的排列參照語言模型得分的高低順序。

語音識別中的語言模型也用于處理文字序列，它是結(jié)合聲學(xué)模型的輸出，給出概率最大的文字序列作為語音識別結(jié)果。由于語言模型是表示某一文字序列發(fā)生的概率，一般采用鏈式法則表示，如W是由w1,w2,…wn組成，則P(W)可由條件概率相關(guān)公式表示為：

由于條件太長，使得概率的估計變得困難，常見的做法是認為每個詞的概率分布只依賴于前幾個出現(xiàn)的詞語，這樣的語言模型成為n-gram模型。在n-gram模型中，每個詞的概率分布只依賴于前面n-1個詞。例如在trigram（n取值為3）模型，可將上式化簡：

操作說明

此產(chǎn)品必須與我司生產(chǎn)的Zigbee智能網(wǎng)關(guān)一起使用，開機后, 聽到“歡迎使用使用小谷離線語音”，則系統(tǒng)啟動成功。

說“小谷同學(xué)”喚醒后，說出控制口令即可控制控制智能設(shè)備、電器。

Zigbee入網(wǎng)

操作前確保家中入網(wǎng)歐米家智能超級網(wǎng)關(guān), 小歐智能離線語音在無zgibee網(wǎng)絡(luò)狀態(tài)（LED閃）。

首先，在移動終端打開“歐米家智能”APP；

然后，添加zigbee設(shè)備，APP會啟動Zigbee掃描， 當掃描設(shè)備時APP會提示找到設(shè)備（小歐智能離線語音會熄滅），保存返回即可。

Zigbee退網(wǎng)

方法一：點擊小谷智能離線語音圖標，點刪除圖標即可，退網(wǎng)成功后，燃氣閥門控制器在無zgibee網(wǎng)絡(luò)狀態(tài)（LED閃）。

方法二：說“小谷同學(xué)”喚醒后，說“清除網(wǎng)絡(luò)設(shè)置”，聽回復(fù)后“是”

學(xué)習(xí)控制指令

說“小谷同學(xué)”喚醒后，說“開始語音學(xué)習(xí)”，聽回復(fù)后，說出口令（命令詞），然后在APP上對應(yīng)操作，則學(xué)習(xí)完成一條指令錄入，依次重復(fù)上述操作，學(xué)習(xí)完成后，說“結(jié)束語音學(xué)習(xí)”，則退出學(xué)習(xí)口令模式，切換到語音控制模式。

更改喚醒詞或命令詞

用戶可免代碼開發(fā)，會excel表格，就能替換喚醒詞、命令詞，當然可找我們定制開發(fā)。

離線語音控制+SOS模塊喚醒詞和命令詞學(xué)習(xí)與刪除方法

1、學(xué)習(xí)喚醒詞

喚醒后，說學(xué)習(xí)喚醒詞，根據(jù)語音提示，說喚醒詞3遍

注：只能學(xué)習(xí)喚醒詞

2、學(xué)習(xí)命令詞

喚醒后，說"學(xué)習(xí)命令詞"，根據(jù)語音提示，說命令詞2遍

注：此更改數(shù)量、命令，要改代碼

3、學(xué)習(xí)結(jié)束或中斷學(xué)習(xí)

學(xué)習(xí)完全后，說“退出學(xué)習(xí)"

4、重新學(xué)習(xí)

學(xué)習(xí)完全后，說“重新注冊"

5、刪除學(xué)習(xí)內(nèi)容

喚醒后，說"我要刪除"，根據(jù)語音提示，

刪除喚醒詞－－說“刪除喚醒詞”

刪除命令詞－－說“刪除命令詞”

喚醒詞和命令詞都刪除--說“全部刪除”

刪除結(jié)束--說“退出刪除”

審核編輯：湯梓紅