引言

隨著現(xiàn)代科技和計(jì)算機(jī)技術(shù)的不斷發(fā)展，人們在與機(jī)器的信息交流中，需要一種更加方便、自然的交互方式，實(shí)現(xiàn)人機(jī)之間的語音交互，讓機(jī)器聽懂人話是人們夢寐以求的事情。語音識別技術(shù)的發(fā)展，使得這一理想得以實(shí)現(xiàn)，把語音識別技術(shù)與機(jī)器人控制技術(shù)相結(jié)合，正成為目前研究的熱點(diǎn)，不但具有較好的理論意義，而且有較大的實(shí)用價值。

語音識別技術(shù)應(yīng)用于機(jī)器人系統(tǒng)大多是針對特定的環(huán)境，設(shè)計(jì)出語音命令來進(jìn)行控制的。只需要對幾十個字或詞的命令行進(jìn)語音識別，便可使得原本需要手工操作的工作由語音輕松完成。本文針對現(xiàn)有機(jī)器人平臺，設(shè)計(jì)一個非特定人的孤立詞語音識別系統(tǒng)。

1、語音識別原理及JuliUS簡介

1．1 基于HMM的語音識別原理

語音識別系統(tǒng)是一種模式識別系統(tǒng)，系統(tǒng)首先對語音信號進(jìn)行分析，得到語音的特征參數(shù)，然后對這些參數(shù)進(jìn)行處理，形成標(biāo)準(zhǔn)的模板。這個過程稱為訓(xùn)練或?qū)W習(xí)。當(dāng)有測試語音進(jìn)入系統(tǒng)時，系統(tǒng)將對這些語音信號進(jìn)行處理，然后進(jìn)行參考模板的匹配，得出結(jié)果。此時便完成了語音識別的過程。

目前，HMM作為語音信號的一種統(tǒng)計(jì)模型，是語音識別技術(shù)的主流建模方法，正在語音處理各個領(lǐng)域中獲得廣泛的應(yīng)用?，F(xiàn)在許多商用語音軟件，以及各種具有優(yōu)良性能的語音識別系統(tǒng)，都是在此模型上開發(fā)的，已經(jīng)形成了完整的理論框架。

基于HMM模式匹配算法的語音識別系統(tǒng)表現(xiàn)為：在訓(xùn)練階段，采用HMM訓(xùn)練算法為每一個詞條建立一個HMM模型。詞條經(jīng)過反復(fù)訓(xùn)練后，將得到的對應(yīng)HMM模型加入HMM模型庫中以數(shù)據(jù)的形式保存。在匹配階段，也就是識別階段，采用HMM匹配算法將輸入的未知語音信號與訓(xùn)練階段得到的模型庫中的模型進(jìn)行匹配，輸出語音識別的結(jié)果。

1．2 JuliUS簡介

Julius是日本京都大學(xué)和日本IPA（Information-tech-nology Promotion Agency）聯(lián)合開發(fā)的一個實(shí)用高效雙通道的大詞匯連續(xù)語音識別引擎。目前已經(jīng)能較好地應(yīng)用于日語和漢語的大詞匯量連續(xù)的語音識別系統(tǒng)。Julius由純C語言開發(fā)，遵循GPL開源協(xié)議，能夠運(yùn)行在Lin-ux、Windows、Mac：OS X、Solaris以及其他Unix平臺。Julius最新的版本采用模塊化的設(shè)計(jì)思想，使得各功能模塊可以通過參數(shù)配置。

Julius的運(yùn)行需要一個語言模型和一個聲學(xué)模型。利用Julius，通過結(jié)合語言模型和聲學(xué)模型，可以很方便地建立一個語音識別系統(tǒng)。語言模型包括一個詞的發(fā)音字典和語法約束。Julius支持的語言模型包括：N-gram模型，以規(guī)則為基礎(chǔ)的語法和針對孤立詞識別的簡單單詞列表。聲學(xué)模型必須是以分詞為單位且由HMM定義的。

應(yīng)用程序可以有兩種方式與Julius交互：一種是基于套接字的服務(wù)器一客戶端通信方式，另一種是基于函數(shù)庫的嵌入方式。在這兩種情況下，要識別過程結(jié)束，識別結(jié)果就被送入應(yīng)用程序中，應(yīng)用程序就能得到Julius引擎的現(xiàn)有狀態(tài)和統(tǒng)計(jì)，并可以操作官。Julius概述如圖1所示。

2、系統(tǒng)框架

2．1 硬件結(jié)構(gòu)

在語音識別的機(jī)器狗控制系統(tǒng)中Atom Z510為訓(xùn)練學(xué)習(xí)機(jī)大腦（1．1 GHz主頻的Intel Atom Z510嵌入式控制平臺），它主要完成語音識別的功能。PXA270控制器（Intel公司于2003年底推出的性能強(qiáng)勁的PXA27x系列嵌入式處理器，基于ARMv5E的XScale內(nèi)核，最高頻率可達(dá)624MHz）作為機(jī)器狗本體上的核心智能控制器，接收Atom Z510識別后的結(jié)果，發(fā)出控制命令。ATmega128控制器（Atmel公司的8位系列單片機(jī)中的一種，運(yùn)行頻率16 MHz）完成基于串行總線的數(shù)字舵機(jī)控制，完成對機(jī)器狗的前后腿以及尾巴等關(guān)節(jié)控制。機(jī)器狗硬件結(jié)構(gòu)平臺如圖2所示。

2．2 軟件結(jié)構(gòu)

整個機(jī)器人系統(tǒng)包括3個模塊：Julius語音識別模塊、GUI人機(jī)界面、機(jī)器人控制模塊。Julius將識別的語音命令提交給GUI模塊，并在GUI上顯示；同時GUI將語音命令轉(zhuǎn)化為動作控制命令并發(fā)給機(jī)器人控制模塊；GUI還可以控制Julius的啟動和停止。其中機(jī)器人控制模塊主要在PXA270上，而語音識別和GUI是在Atom Z510上。系統(tǒng)軟件模型如圖3所示。

3 、語音識別系統(tǒng)構(gòu)建

一個完整的語音識別系統(tǒng)一般包括3部分：聲學(xué)模型、語言模型和識別器。在本系統(tǒng)中只建立基于控制命令（動詞）的識別語法，其他詞忽略，因此沒有構(gòu)建語言模型；識別器采用Julius開源平臺，此部分只用配置參數(shù)和相關(guān)文件。本文主要工作是聲學(xué)模型訓(xùn)練和語音識別系統(tǒng)構(gòu)建。

3．1 聲學(xué)模型訓(xùn)練

聲學(xué)模型是識別系統(tǒng)的底層模型，是語音識別系統(tǒng)中最關(guān)鍵的一部分，它是每個聲學(xué)單元的聲學(xué)模型參數(shù)集合。本系統(tǒng)的聲學(xué)模型是使用HTK對采集的語音庫進(jìn)行多次迭代訓(xùn)練后提取的，基于詞的聲學(xué)特征向量集。HTK（HMM Tools Kit）是由英國劍橋大學(xué)工程系的語音視覺和機(jī)器人技術(shù)工作組（Speech Vision and Robotics Group）開發(fā)，專門用于建立和處理HMM的實(shí)驗(yàn)工具包，主要應(yīng)用于語音識別領(lǐng)域，也可用于語音模型的測試和分析。其具體訓(xùn)練步驟如下：

（1）數(shù)據(jù)準(zhǔn)備

收集漢語標(biāo)準(zhǔn)普通話的語料庫，并將語料庫中的語音標(biāo)記，創(chuàng)建語音識別單元元素列表文件。

（2）特征提取

本系統(tǒng)采用MFCC進(jìn)行語音的特征參數(shù)提取，訓(xùn)練中將每一個語音文件用工具HCopy轉(zhuǎn)換成MFCC格式。

（3）HMM定義

在訓(xùn)練HMM模型時要給出模型的初始框架，本系統(tǒng)中的HMM模型選擇同一個結(jié)構(gòu)，如圖4所示。該模型包含4個活動狀態(tài){S2，S3，S4，S5），開始和結(jié)束（這里是S1．S6），是非發(fā)散狀態(tài)。觀察函數(shù)bi是帶對角矩陣的高斯分布，狀態(tài)的可能轉(zhuǎn)換由aij表示。

（4）HMM訓(xùn)練

本系統(tǒng)先使用HInit工具對HMM模型進(jìn)行初始化，再用HCompv工具來對模型進(jìn)行平坦初始化。HMM模型的每個狀態(tài)給定相同的平均向量和變化向量，在整個訓(xùn)練集上全局計(jì)算而得。最后用HRest的多次估計(jì)迭代，估計(jì)出HMM模型參數(shù)的最佳值，經(jīng)多次迭代，將訓(xùn)練得到的單個HMM模型整合到一個hmmsdef．mmf文件中。聲學(xué)模型HTK訓(xùn)練流程如圖5所示。

3．2 Julius應(yīng)用

3．2．1 Julius部署

在本系統(tǒng)中語音識別部分是部署在Atom Z510上，而Atom Z510上首先需要移植linux操作系統(tǒng)（本系統(tǒng)采用的是ubuntu8．10）以上步驟在此不詳細(xì)介紹，文獻(xiàn)中有詳細(xì)說明。語音識別的核心部分是Julius識別器，需要將Julius源碼編譯部署到Atom Z510平臺。其步驟如下：

①要確保linux系統(tǒng)中有以下支持庫：Zlib、flex、OSS音頻驅(qū)動接口、ESounD和libsndfile。

②從Julius官網(wǎng)下載源代碼Julius-4．1．5。

③解壓：tar-zxjf julius-4．1．5。

④編譯：％．／configure，％make，％make install。

3．2．2 Julius配置

Julius全部采用C語言代碼實(shí)現(xiàn)，采用模塊化設(shè)計(jì)方式，而且各功能模塊可配置。在使用前需要將配置參數(shù)寫入jconf文件，此文件作為運(yùn)行參數(shù)載入系統(tǒng)，系統(tǒng)掃描參數(shù)配置并啟動各功能塊。其中重點(diǎn)介紹以下幾個配置參數(shù)：

◆-dfa rtdog．dfa，指定語法文件rtdog．dfa；

◆-v rtdog．dict，指定字典文件；

◆-h rtdog．binhmm，指定HMM模型文件；

◆-lv 8000，設(shè)定音頻的閾值便于濾去噪音；

◆-rejectshort 600，設(shè)定最小的語音長度；

◆-input mic，設(shè)定語音的輸入方式為microphone。

3．3 語音識別系統(tǒng)軟件設(shè)計(jì)

3．3．1 GUI設(shè)計(jì)

本系統(tǒng)為了方便測試，采用QT4的圖形庫來開發(fā)人機(jī)界面（GUI），同時加入了手動控制的按鈕。其總體功能如圖6所示。通信線程是本系統(tǒng)的數(shù)據(jù)傳輸樞紐，十分重要。在QT中通過對線程類QThread繼承來實(shí)現(xiàn)新的線程設(shè)計(jì)。該類提供了創(chuàng)建一個新線程以及控制線程運(yùn)行的各種方法。線程是通過QThread：：run（）重載函數(shù)開始執(zhí)行的。在本系統(tǒng)中設(shè)計(jì)了1個數(shù)據(jù)通信線程，用它來不斷地讀取共享內(nèi)存中的語音命令，然后將其轉(zhuǎn)化為控制命令傳給機(jī)器人控制模塊。

3．3．2 模塊間通信

由于系統(tǒng)的3個模塊不在同一個平臺上部署，運(yùn)行過程中需要進(jìn)行數(shù)據(jù)通信。GUI和Julius都部署在Atom Z510平臺上，但屬于2個進(jìn)程，它們之間可以通過共享內(nèi)存來交互數(shù)據(jù)。而GUI和機(jī)器人控制模塊就需要通過網(wǎng)絡(luò)通信來實(shí)現(xiàn)數(shù)據(jù)交互。這里采用的是基于TCP的socket編程接口來實(shí)現(xiàn)模塊間的通信，模塊間通信流程如圖7所示。

4、 實(shí)驗(yàn)測試

演示系統(tǒng)界面如圖8所示。本文使用大量的語音樣本來完成HTK的訓(xùn)練和模式構(gòu)建，語音樣本采用16 kHz采樣，16位量化。獨(dú)立的語音識別測試中，將訓(xùn)練集以及測試集中語音樣本和識別結(jié)果進(jìn)行了對比分析。本文語音樣本的內(nèi)容包括訓(xùn)練集（語料庫中的語音成分）和測試集（本實(shí)驗(yàn)中采集的語音）。由于本系統(tǒng)只用提取語音命令，不需要完整句子的識別，所以沒有針對句子做測試。

本文對于訓(xùn)練集基于詞的識別率為71．7％，測試集基于詞的識別率為56．5％，測試結(jié)果如表1所列。

表中各符號所表示的意義如下所示：

H，正確；S，替代錯誤；D，刪除錯誤；I，插入錯誤；N，標(biāo)記文件中單元總數(shù)；SENT，句子，WORD：基本單元。

結(jié)語

本文在給定的實(shí)驗(yàn)室機(jī)器人平臺上，設(shè)計(jì)了基于語音控制的機(jī)器狗系統(tǒng)。其中，語音識別子系統(tǒng)通過HTK和Julius的開源平臺構(gòu)建而成。經(jīng)過測試分析，該系統(tǒng)能夠較好地識別人發(fā)出的語音命令，簡化了機(jī)器人的操作，使機(jī)器與人的交互更加智能化。

責(zé)任編輯：gt