Matlab语音识别系统

目录

• 设计任务及要求………………………………………………1
• 语音识别的简单介绍

2.1语者识别的概念……………………………………………2

  2.2特征参数的提取……………………………………………3

  2.3用矢量量化聚类法生成码本………………………………3

  2.4VQ的说话人识别 …………………………………………4

• 算法程序分析

3.1函数关系………………………………………………….4

    3.2代码说明……………………………………………………5

    3.2.1函数mfcc………………………………………………5

    3.2.2函数disteu……………………………………………5

    3.2.3函数vqlbg…………………………………………….6

3.2.4函数test………………………………………………6

3.2.5函数testDB……………………………………………7

    3.2.6 函数train……………………………………………8

 3.2.7函数melfb………………………………………………8

• 演示分析…………………………………………………….9
• 心得体会…………………………………………………….11

附：GUI程序代码………………………………………………12

• 设计任务及要求

用MATLAB实现简单的语音识别功能；

具体设计要求如下：

  用MATLAB实现简单的数字1~9的语音识别功能。

• 语音识别的简单介绍

基于VQ的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，从而判断说话人是谁。

语音识别系统结构框图如图1所示。

图1 语音识别系统结构框图

2.1语者识别的概念

语者识别就是根据说话人的语音信号来判别说话人的身份。语音是人的自然属性之一，由于说话人发音器官的生理差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这就使得通过分析语音信号来识别说话人成为可能。用语音来鉴别说话人的身份有着许多独特的优点，如语音是人的固有的特征，不会丢失或遗忘；语音信号的采集方便，系统设备成本低；利用网络还可实现远程客户服务等。因此，近几年来，说话人识别越来越多的受到人们的重视。与其他生物识别技术如指纹识别、手形识别等相比较，说话人识别不仅使用方便，而且属于非接触性，容易被用户接受，并且在已有的各种生物特征识别技术中，是唯一可以用作远程验证的识别技术。因此，说话人识别的应用前景非常广泛：今天，说话人识别技术已经关系到多学科的研究领域，不同领域中的进步都对说话人识别的发展做出了贡献。说话人识别技术是集声学、语言学、计算机、信息处理和人工智能等诸多领域的一项综合技术，应用需求将十分广阔。在吃力语音信号的时候如何提取信号中关键的成分尤为重要。语音信号的特征参数的好坏直接导致了辨别的准确性。

2.2特征参数的提取

对于特征参数的选取，我们使用mfcc的方法来提取。MFCC参数是基于人的听觉特性利用人听觉的屏蔽效应，在Mel标度频率域提取出来的倒谱特征参数。 

MFCC参数的提取过程如下： 

1. 对输入的语音信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息。 

设语音信号的DFT为：

（1）

其中式中x(n)为输入的语音信号，N表示傅立叶变换的点数。 

1. 再求频谱幅度的平方，得到能量谱。 
2. 将能量谱通过一组Mel尺度的三角形滤波器组。 

我们定义一个有M个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为f(m),m=1,2,3,···，M

本系统取M=100。

1. 计算每个滤波器组输出的对数能量。 

        （2）

其中

为三角滤波器的频率响应。 

1. 经过离散弦变换（DCT）得到MFCC系数。

 MFCC系数个数通常取20—30，常常不用0阶倒谱系数，因为它反映的是频谱能量，故在一般识别系统中，将称为能量系数，并不作为倒谱系数，本系统选取20阶倒谱系数。

2.3用矢量量化聚类法生成码本

我们将每个待识的说话人看作是一个信源，用一个码本来表征。码本是从该说话人的训练序列中提取的MFCC特征矢量聚类而生成。只要训练的序列足够长，可认为这个码本有效地包含了说话人的个人特征，而与讲话的容无关。 

本系统采用基于分裂的LBG的算法设计VQ码本，

为训练序列，B为码本。 

具体实现过程如下： 

1. 取提取出来的所有帧的特征矢量的型心(均值)作为第一个码字矢量B1。
2. 将当前的码本Bm根据以下规则分裂，形成2m个码字。 

•             （4）

其中m从1变化到当前的码本的码字数，ε是分裂时的参数，本文ε=0.01。 

1. 根据得到的码本把所有的训练序列(特征矢量)进行分类，然后按照下面两个公式计算训练矢量量化失真量的总和 以及相对失真(n为迭代次数，初始n=0， =∞，B为当前的码书)，若相对失真小于某一阈值ε，迭代结束，当前的码书就是设计好的2m个码字的码书，转５。否则，转下一步。 

量化失真量和： 

     （5）

相对失真： 

              （6）

    4. 重新计算各个区域的新型心，得到新的码书，转3。 

5. 重复２ ，３ 和４步，直到形成有M个码字的码书(M是所要求的码字数)，其中D0=10000。

 2.4 VQ的说话人识别

设是未知的说话人的特征矢量

，共有T帧是训练阶段形成的码书，表示码书第m个码字，每一个码书有M个码字。再计算测试者的平均量化失真D，并设置一个阈值，若D小于此阈值，则是原训练者，反之则认为不是原训练者。

 （7）

• 算法程序分析

在具体的实现过程当中，采用了matlab软件来帮助完成这个项目。在matlab中主要由采集，分析，特征提取，比对几个重要部分。以下为在实际的操作中，具体用到得函数关系和作用一一列举在下面。

3.1函数关系

主要有两类函数文件Train.m和Test.m

在Train.m调用Vqlbg.m获取训练录音的vq码本，而Vqlbg.m调用mfcc.m获取单个录音的mel倒谱系数，接着mfcc.m调用Melfb.m---将能量谱通过一组Mel尺度的三角形滤波器组。

在Test.m函数文件中调用Disteu.m计算训练录音（提供vq码本）与测试录音（提供mfcc）mel倒谱系数的距离，即判断两声音是否为同一录音者提供。Disteu.m调用mfcc.m获取单个录音的mel倒谱系数。mfcc.m调用Melfb.m---将能量谱通过一组Mel尺度的三角形滤波器组。

3.2具体代码说明

3.2.1函数mffc:

function r = mfcc(s, fs)

---

m = 100;

n = 256;

l = length(s);

nbFrame = floor((l - n) / m) + 1;   %沿-∞方向取整

for i = 1:n

for j = 1:nbFrame

M(i, j) = s(((j - 1) * m) + i);  %对矩阵M赋值

end

end

h = hamming(n);    %加 hamming 窗，以增加音框左端和右端的连续性

M2 = diag(h) * M;

for i = 1:nbFrame

frame(:,i) = fft(M2(:, i));  %对信号进行快速傅里叶变换FFT  

end

t = n / 2;

tmax = l / fs;

m = melfb(20, n, fs); %将上述线性频谱通过Mel 频率滤波器组得到Mel 频谱,下面在将其转化成对数频谱

n2 = 1 + floor(n / 2);

z = m * abs(frame(1:n2, :)).^2;

r = dct(log(z));  %将上述对数频谱，经过离散余弦变换(DCT)变换到倒谱域，即可得到Mel 倒谱系数(MFCC参数)

3.2.2函数disteu

---计算测试者和模板码本的距离

function d = disteu(x, y)

[M, N] = size(x);  %音频x赋值给【M，N】

[M2, P] = size(y); %音频y赋值给【M2，P】

if (M ~= M2)

    error('不匹配！')  %两个音频时间长度不相等

end

d = zeros(N, P);

if (N < P)%在两个音频时间长度相等的前提下

    copies = zeros(1,P);

    for n = 1:N

        d(n,:) = sum((x(:, n+copies) - y) .^2, 1);

    end

else

    copies = zeros(1,N);

    for p = 1:P

        d(:,p) = sum((x - y(:, p+copies)) .^2, 1)';

    end%%成对欧氏距离的两个矩阵的列之间的距离

end

d = d.^0.5;

3.2.3函数vqlbg

---该函数利用矢量量化提取了音频的vq码本

function r = vqlbg(d,k)

e = .01;

r = mean(d, 2);

dpr = 10000;

for i = 1:log2(k)

    r = [r*(1+e), r*(1-e)];

    while (1 == 1)

        z = disteu(d, r);

        [m,ind] = min(z, [], 2);

        t = 0;

        for j = 1:2^i

            r(:, j) = mean(d(:, find(ind == j)), 2);

            x = disteu(d(:, find(ind == j)), r(:, j));

            for q = 1:length(x)

                t = t + x(q);

            end

        end

        if (((dpr - t)/t) < e)

            break;

        else

            dpr = t;

        end

    end

end

3.2.4函数test

function finalmsg = test(testdir, n, code)

for k = 1:n                     % read test sound file of each speaker

    file = sprintf('%ss%d.wav', testdir, k);

    [s, fs] = wavread(file);      

    v = mfcc(s, fs);            % 得到测试人语音的mel倒谱系数

distmin = 4;              %阈值设置处

                        % 就判断一次，因为模板里面只有一个文件

        d = disteu(v, code{1});    %计算得到模板和要判断的声音之间的“距离”

        dist = sum(min(d,[],2)) / size(d,1);  %变换得到一个距离的量

                                      %测试阈值数量级

        msgc = sprintf('与模板语音信号的差值为:%10f ', dist);

        disp(msgc);

        %此人匹配  

        if dist <= distmin  %一个阈值，小于阈值，则就是这个人。

            msg = sprintf('第%d位说话者与模板语音信号匹配,符合要求!\n', k);           

            finalmsg = '此位说话者符合要求!'; %界面显示语句，可随意设定        

            disp(msg);       

        end                 

        %此人不匹配  

        if dist > distmin                          

            msg = sprintf('第%d位说话者与模板语音信号不匹配,不符合要求!\n', k);

             finalmsg = '此位说话者不符合要求!'; %界面显示语句，可随意设定

             disp(msg);      

        end        

end

3.2.5函数testDB

这个函数实际上是对数据库一个查询,根据测试者的声音,找相应的文件,并且给出是谁的提示

function testmsg = testDB(testdir, n, code)

nameList={'1','2','3','4','5','6','7','8','9' };                        %这个是我们要识别的9个数

for k = 1:n                     % 数据库中每一个说话人的特征

    file = sprintf('%ss%d.wav', testdir, k); %找出文件的路径

    [s, fs] = wavread(file);      

    v = mfcc(s, fs);            % 对找到的文件取mfcc变换

    distmin = inf;

    k1 = 0;

    for l = 1:length(code)   

        d = disteu(v, code{l});

        dist = sum(min(d,[],2)) / size(d,1);

        if dist < distmin

            distmin = dist;%%这里和test函数里面一样  但多了一个具体语者的识别

            k1 = l;

        end      

    end

    msg=nameList{k1}

    msgbox(msg);

end

3.2.6 函数train

---该函数就是对音频进行训练，也就是提取特征参数

function code = train(traindir, n)

k = 16;                         % number of centroids required

for i = 1:n                     % 对数据库中的代码形成码本

    file = sprintf('%ss%d.wav', traindir, i);           

    disp(file);

    [s, fs] = wavread(file);

    v = mfcc(s, fs);            % 计算 MFCC's 提取特征特征，返回值是Mel倒谱系数，是一个log的dct得到的

    code{i} = vqlbg(v, k);      % 训练VQ码本  通过矢量量化，得到原说话人的VQ码本

end

• 演示分析

我们的功能分为两部分:对已经保存的9个数字的语音进行辨别和实时的判断说话人说的是否为一个数.在前者的实验过程中,先把9个数字的声音保存成wav的格式,放在一个文件夹中,作为一个检测的数据库.然后对检测者实行识别,系统给出提示是哪个数字.

在第二个功能中,实时的录取一段说话人的声音作为模板,提取mfcc特征参数,随后紧接着进行遇着识别,也就是让其他人再说相同的话,看是否是原说话者.

实验过程及具体功能如下：

先打开Matlab 使Current Directory为录音及程序所所在的文件夹

再打开文件“enter.m”，点run运行，打开enter界面，点击“进入”按钮进入系统。（注：文件包未封装完毕，目前只能通过此方式打开运行。）（如下图figure1）

             figure1

在对数据库中已有的语者进行识别模块:

选择载入语音库语音个数；

点击语音库录制模版进行已存语音信息的提取；

点击录音-test进行现场录音；

点击语者判断进行判断数字，并显示出来。

在实时语者识别模块:

点击实时录制模板上的“录音-train”按钮,是把新语者的声音以wav格式存放在”实时模板”文件夹中, 接着点击“实时录制模板”，把新的模板提取特征值。随后点击实时语者识别模板上的“录音-train”按钮,是把语者的声音以wav格式存放在”测试”文件夹中,再点击“实时语者识别”，在对测得的声音提取特征值的同时，和实时模板进行比对，然后得出是否是实时模板中的语者。另外面板上的播放按钮都是播放相对应左边录取的声音。

想要测量多次，只要接着录音，自动保存，然后程序比对音频就可以。

退出只要点击菜单File/Exit，退出程序。文章来源地址https://www.toymoban.com/news/detail-790227.html

到了这里，关于Matlab语音识别系统的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！