嵌入式实时音乐语音识别系统的实现

2.2端点检测

端点检测是语音识别中的的一个关键，也是一个难点，端点检测的好坏直接影响后面的语音特征参数提取，影响语音识别的效果。其目的就是从带有噪声的语音中检测出说话人的语音命令, 找出语音段开始和结束的时点。本系统使用语音信号的能量曲线结合过零率来进行端点检测[5]，整个过程如图3所示。由于人声的乐音信号范围在50-1000HZ，首先对原语音信号进行不同频段的信号滤波，得到六个频段滤波后的能量曲线， E（1）为50-1000HZ段的语音信号，E（2）100-1000HZ段的语音信号，E（3）200-1000HZ段的语音信号 ，E（4）400-1000HZ段的语音信号，E（5）600-1000HZ段的语音信号，E（5）800-1000HZ段的语音信号。能量分割是依据峰谷点检测来进行的，利用能量曲线峰谷点地变化，把能量曲线中的语音段分割出来，且把语音段的起点和终点作为我们要求得端点。但是由于语音信号变化情况复杂，尤其是语音连读紧密的情况下，基于能量曲线的语音分割方法可能分割不开，所以，本系统采用了改进的能量曲线分割算法，通过对语音信号能像曲线分析，我们发现，不同频段的能量曲线反映的特征不同，对语音信号进行不同频段的滤波最后得到的能量曲线放映的语音端点信息也不同，有些语音信号在高频段的能量曲线中能很好的分割开，所以，对语音信号进行六个频段的滤波得出的基于能量曲线分割的改进算法，在判决依据中，赋予E（1）的权值为1，而E（2）、E（3）、E（4）、E（5）、E（6）要求两个以上相同才被视为端点。基于所有能量曲线的分割点都要看过零率的门限是否满足要求，改进算法的用意是在尽可能准确的情况下尽量分割开语言信号， 尽量保证不错分, 尽量提高分割的准确度，避免误分。

图3 端点检测流程图

2.3语音特征参数提取

语音识别参数的提取较多，由于噪声的的存在，考虑音乐语音识别系统的对识别的精度要求较高，本系统采用了经典的美尔频标倒谱参数MFCC[4]，MFCC参数建立在 Fourier 频谱分析的基础上，它的核心思想是利用人耳的感知特性，在语音的频谱范围内设置若干个带通滤波器，每个滤波器具备三角或者正弦的形滤波特性，计算相应滤波器组的信号能量，再通过 DCT 计算对应的倒谱系数，

图4 MFCC参数求取过程

2.4语音信号的训练与识别

音乐语音识别系统是一个专业性很强的词汇量较小的语音识别系统，由于识别的速度要求较快，乐音中的词汇量较少，通常情况下人声能唱到的乐音的范围只有几十个（一般在4个八度以内）。本系统采用采用了计算相对简单而有效的DTW算法来进行语音识别。该算法基于动态规划的思想,将语音信号的每一帧信号的特征参数提取出来,就转化成了一组特征向量。语音识别就是要将这个特征向量同模板库中已存的语音特征向量(参考模板)进行模板匹配,寻找距离最短的模板。语音识别需要语音模板库的建立,也就是语音模型的训练。参照音乐语音音高频率对照表，我们只对人声范围(60HZ-1000HZ即乐音中音名从C- )共四个八度32个音高进行训练，针对每首曲子中音高的范围都是在一定范围以内的，所以往往我们训练训练的样本更少，较小的词汇量使乐音识别的速度得到大大提高。

3实验结果与分析

我们对系统的识别性能进行了测试。由6个测试者(3男3女音乐专业人士)在安静室内环境下,选择方向性较好的麦克风，进行测试实验。由于男生和女生一般能发音的音高不一样，一般男生比女生偏低，首先让6位测试者对照音名表把他(她)能发的音的全部录音、训练，再随机选择几首曲子进行测试，实验结果表明, 在对特定人的乐音识别中，由于女生发音口齿比较清晰，男生比较发音浑厚，男生的正确识别率在95%以上，女生的正确识别率在97%以上，平均正确识别率在96%以上，满足实用化要求。

4结　论

本文介绍了一种基于DSP的嵌入式音乐语音识别系统的软硬件系统。在传统的语音识别方法上结合音乐语音的特点作了一些改进，叙述了音乐语音识别系统硬件结构、软件流程，采用了一种基于多频段能量曲线分割结合过零率来检测端点的新方法，简化了运算量，进一步提高了识别性能，把语音识别技术很好的用在电子音乐方面，实现了嵌入式实时音乐语音识别，实验结果表明，本系统精度高，基本能满足实用化需求。

本文作者创新点：

（1）把语音识别方法应用于电子音乐方面，设计并实现专业的音乐语音识别软硬件系统，巧妙采用了滤波、消除毛刺等预处理方法，训练了专业的音乐语音样本，提高语音识别精度。

（2）建立了一种基于多频段能量曲线分割结合过零率来检测端点的新方法，在保证不错分的情况下，提高了语音分割的正确率，同时结合过零率的门限，提高了端点检测的精度。