語音識別是機器通過識別和理解過程把語音信號轉變為相應的文本文件或命令的高技術。作為專門的研究領域，語音識別又是一門交叉學科，它與聲學、語音學、語言學、數字信號處理理論、信息論、計算機科學等眾多學科緊密相連。語音識別經過四十多年的發展，已經顯示出巨大的應用前景。本文從實現原理入手，介紹語音識別系統的實現方式。

　　1 概述

　　本漢語語音識別系統是一個非特定人的、孤立音語音識別系統。其中孤立音至少包括漢語的400多個調音節（不考慮聲調）以及一些常用的詞組。識別系統主要用于手持設備，如手機、掌上電腦。這些設備的CPU一般是DSP，硬件資源十分有限，而且大多不支持浮點運算。那么，對系統各個部分的設計首要考慮的是系統對硬件資源的開銷必須盡量的小，不能超過這些設備的限制。硬件資源的開銷包括存儲模型參數的開銷，以及識別過程中對內存、DSP的運行時間的開銷。

　　2 實現流程

　　一般的語音處理流程圖如圖1所示。

　　圖1 語音識別系統的處理流圖

　　在語音識別系統中，模擬的語音信號在完成A/D轉換后成為數字信號，但時域上的語音信號很難直接用于識別，因此需要從語音信號中提取語音的特征，一方面可以獲得語音的本質特征，另一方面也起到數據壓縮的作用。輸入的模擬語音信號首先要進行預處理，包括預濾波、采樣和量化、加窗、端點檢測、預加重等。語音識別系統的模型通常由聲學模型和語言模型兩部分組成，分別對應于語音到半音節概率的計算和半音節到字概率的計算。

　　3 特征提取

　　目前通用的特征提取方法是基于語音幀的，即將語音信號分為有重疊的若干幀，對每一幀提取語音特征。由于本技術方案采用的語音庫采樣率為8 kHz，因此采用幀長為256個采樣點（即32 ms），幀步長或幀移（即每一幀語音與上一幀語音不重疊的長度）為80個采樣點（即10 ms）。

　　現有語音識別系統采用的最主要的兩種語音特征包括：

　　線性預測倒譜參數（Linear Prediction Cepstrum Coefficient，LPCC），該特征是基于語音信號為自回歸信號的假設，利用線性預測分析獲得倒譜參數。LPCC參數的優點是計算量小，對元音有較好的描述能力，其缺點在于對輔音的描述能力較差，抗噪聲性能較差。

　　Mel 頻標倒譜參數（Mel Frequency Cepstrum Coefficient，MFCC），該特征考慮了人耳的聽覺特性，將頻譜轉化為基于Mel頻標的非線性頻譜，然后轉換到倒譜域上。由于充分模擬了人的聽覺特性，而且沒有任何前提假設，MFCC參數具有識別性能和抗噪能力，實驗證明在漢語數碼語音識別中MFCC 參數的性能明顯優于LPCC參數，因此本技術方案采用MFCC參數為語音特征參數。

　　求MFCC參數的大致過程為：

　　對輸入語音幀加Hamming窗后做快速傅里葉變換（Fast Fourier Transformation，FFT），將時域信號轉化為頻域信號。

　　將線性頻標轉化為Mel頻標。轉化方法是將頻域信號通過24個三角濾波器，其中中心頻率在1 000 Hz以上和以下的各12個。濾波器的中心頻率間隔特點是在1000Hz以下為線性分布，1 000 Hz以上為等比數列分布。三角濾波器的輸出為：

　　式中：Xk為頻譜上第k個頻譜點的能量；Yi為第i個濾波器的輸出；Fi為第i個濾波器的中心頻率。

　　用離散余弦變換（Discrete Cosine Transformation，DCT）將濾波器輸出變換到倒譜域：

　　式中：p為MFCC參數的階數，這里取p = 12.{Ck}k = 1，2，…，12即為所求的MFCC參數。

　　為體現語音的動態特性，在語音特征中加入了一階差分倒譜，其計算方法如下式所示：

　　式中下標l與l - k表示第l與l - k幀；m表示第m維。

　　MFCC參數計算的要點是將線性功率譜S（n）轉換成為Mel頻率下的功率譜，這需要在計算之前先在語音的頻譜范圍內設置若干個帶通濾波器Hm（n），m= 0，1，2，…，M - 1，n = 0，1，2，…，N/2 - 1.M為濾波器個數，N為一幀語音信號的點數。每個濾波器具有三角形特性，其中心頻率為fm，它們在Mel頻率軸上是均勻分布的。在線性頻率上，當m 較小時相鄰的fm間隔很小，隨著m的增加相鄰的fm間隔逐漸拉開。Mel頻率和線性頻率的轉換關系如下：

　　這些帶通濾波器的參數是事先計算好的。圖2給出了濾波器組的分布圖，其中M 選擇為26，FFT點數N為256，語音信號的采樣頻率為8000 Hz。

　　圖2 利用人耳仿生學特性設計的Mel尺度濾波器組