LD3320语音识别模块分析-Toy模板网

这篇具有很好参考价值的文章主要介绍了LD3320语音识别模块分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

LD3320语音识别模块分析

LD3320是非特定人语音识别芯片，即语音声控芯片。最多可以识别50条预先内置的指令。

识别原理

 声音分帧：
声音是一种波，常见的mp3等格式都是压缩格式，必须转为非压缩的纯波形文件来处理，比如Windows PCM文件，也就是wav文件。wav文件李存储的除了一个文件头以外就是声音波形的一个个点。比如下图一个波形示例：
LD3320语音识别模块分析

在语音开始识别之前，需要把首尾端的静音切除，降低对后续步骤造成的干扰。而这个静音切除的操作叫做VAD。
对声音分析，即需要对声音进行分帧——把声音切开成一小段一小段，每一小段就是一帧。而分帧需要使用移动窗函数来实现。
语音数据和视频数据不同，本没有帧的概念，但是为了传输与存储，我们采集的音频数据都是一段一段的。为了程序能够进行批量处理，会根据指定的长度（时间段或者采样数）进行分段，结构化为我们编程的数据结构，这就是分帧。
LD3320语音识别模块分析

 观察序列提取：
分帧后，语音就变成了很多小段。但波形在时域上几乎没有描述能力，因此必须将波形作变换。常见的一种变换方法是提取MFCC特征，根据人耳的生理特性，把每一帧波形变成一个多维向量，可以简单地理解为这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提取。实际应用中，这一步有很多细节，声学特征也不止有MFCC这一种，具体这里不讲。
至此，声音就成了一个12行(假设声学特征是12维)、N列的一个矩阵，称之为观察序列，这里N为总帧数。观察序列如下图所示，图中，每一帧都用一个12维的向量表示，色块的颜色深浅表示向量值的大小。
 矩阵变文本：
基本概念：
音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见The CMU Pronouncing Dictionary‎。汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调，不详述。
状态：这里理解成比音素更细致的语音单位。通常把一个音素划分成3个状态。

三个步骤：①帧识别成状态②状态组合成音素③音素组合成单词
LD3320语音识别模块分析

每个小竖条代表一帧，若干帧语音对应一个态，每三个状态组合成一个音素，若干个音素组合成一个单词。也就是说，只要知道每帧语音对应哪个状态了，语音识别的结果也就出来了。
每帧音素对应的状态就看某帧对应哪个状态的概率最大。
LD3320语音识别模块分析

而概率的来源涉及到“声学模拟”，里面存了一大堆参数，通过这些参数就可以找到帧对应状态的概率。同时这些参数来源于模型训练。

 隐马尔可夫模型(Hidden Markov Model，HMM)
由于会有多余的音素对应状态影响最终结果，因此为了解决这个问题，提高准确率，使用HMM。
该模型主要步骤：①构建状态网络， ②从状态网络中寻找与声音最匹配的路径。
搭建状态网络，是由单词级网络展开成音素网络，再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径，语音对应这条路径的概率最大，这称之为“解码”。路径搜索的算法是一种动态规划剪枝的算法，称之为Viterbi算法，用于寻找全局最优路径。
LD3320语音识别模块分析

这里所说的累积概率，由三部分构成，分别是：
观察概率：每帧和每个状态对应的概率；
转移概率：每个状态转移到自身或转移到下个状态的概率；
语言概率：根据语言统计规律得到的概率。
其中，前两种概率从声学模型中获取，最后一种概率从语言模型中获取。语言模型是使用大量的文本训练出来的，可以利用某门语言本身的统计规律来帮助提升识别正确率。语言模型很重要，如果不使用语言模型，当状态网络较大时，识别出的结果基本是一团乱麻。这样基本上语音识别过程就完成了。