基于FPGA的語音端點(diǎn)檢測(cè)

語音端點(diǎn)檢測(cè)就是從背景噪聲中找到語音的起點(diǎn)和終點(diǎn)，其目標(biāo)是要在一段輸入信號(hào)中將語音信號(hào)同其他信號(hào)(如背景噪聲)分離并且準(zhǔn)確地判斷出語音的端點(diǎn)。研究表明，即使在安靜的環(huán)境中，一半以上的語音識(shí)別系統(tǒng)識(shí)別錯(cuò)誤來自端點(diǎn)檢測(cè)。因此，端點(diǎn)檢測(cè)的重要性不容忽視，尤其在噪聲環(huán)境下語音的端點(diǎn)檢測(cè)，它的準(zhǔn)確性很大程度上直接影響著后續(xù)的工作能否有效進(jìn)行[1]。

　　當(dāng)前語音識(shí)別系統(tǒng)大多以ARM、DSP為設(shè)計(jì)核心，其設(shè)計(jì)費(fèi)用高、缺乏靈活性、開發(fā)周期長(zhǎng)，而且很難滿足高速的系統(tǒng)要求。在對(duì)語音端點(diǎn)檢測(cè)算法的研究中，提出了諸如基于能量、過零率、LPC預(yù)測(cè)殘差等多種算法[2]，但這些方法大部分都是基于計(jì)算機(jī)軟件的，不適合進(jìn)行硬件開發(fā)[3]。

　　FPGA具有功耗低、體積小、速度快等優(yōu)點(diǎn)，可以滿足語音識(shí)別系統(tǒng)的實(shí)時(shí)性要求。本文嘗試用FPGA實(shí)現(xiàn)語音端點(diǎn)檢測(cè)，對(duì)常用的Lawrence Rabiner端點(diǎn)檢測(cè)法進(jìn)行改進(jìn)，用純硬件的方法實(shí)現(xiàn)語音端點(diǎn)檢測(cè)，并以“長(zhǎng)沙”等詞和短語為例，驗(yàn)證其準(zhǔn)確性和可行性。

　　1 FPGA實(shí)現(xiàn)語音端點(diǎn)檢測(cè)基本原理

　　主要由四個(gè)部分完成：預(yù)加重、分幀、加窗和端點(diǎn)判斷，F(xiàn)PGA實(shí)現(xiàn)方法同樣要經(jīng)過這四個(gè)步驟。

　　1.1 預(yù)加重

　　語音信號(hào)的平均功率譜由于受聲門激勵(lì)和口鼻輻射的影響，高頻端大約在800 Hz以上按6 dB/Oct(倍頻程)衰減，這樣語音信號(hào)的頻譜中，頻率越高相應(yīng)的成分越少，因而要得到高頻部分的頻率比低頻部分更困難。所以，對(duì)語音信號(hào)進(jìn)行分析之前，要對(duì)語音信號(hào)加以提升，使語音信號(hào)的短時(shí)頻譜變得更為平坦，從而便于進(jìn)行頻譜分析和聲道參數(shù)分析。提升的方法有模擬電路法和數(shù)字電路法，本設(shè)計(jì)主要采用數(shù)字電路法。一般的數(shù)字電路法用一階的數(shù)字濾波器來實(shí)現(xiàn)：

　　式(2)只有移位和加減運(yùn)算，即用簡(jiǎn)單的移位來取代復(fù)雜的小數(shù)乘法運(yùn)算，從而可以方便地用FPGA實(shí)現(xiàn)。

　　1.2 分幀加窗

　　分幀處理即將預(yù)加重后的語音信號(hào)分成多段進(jìn)行分析，即從原始語音序列中分解出一個(gè)新的依賴于時(shí)間的序列，便于描述語音信號(hào)特征。語音信號(hào)具有時(shí)變特性，但在相當(dāng)短的時(shí)間范圍內(nèi)，其特性基本保持不變，從而可以進(jìn)行分段分析。假設(shè)語音信號(hào)在10 ms～30 ms內(nèi)平穩(wěn)，就可以以此時(shí)間段為單位將語音信號(hào)分ms段進(jìn)行分析，其中每一段稱為一“幀”，每一幀的長(zhǎng)度叫幀長(zhǎng)。為了使幀與幀之間保持連續(xù)平滑過渡，分幀一般采用交疊分段的方法，前一幀和后一幀的交疊部分稱為幀移。幀移與幀長(zhǎng)的比值一般取為0～1/2。為便于語音識(shí)別系統(tǒng)中特征的提取，取2n為幀長(zhǎng)。本文語音信號(hào)的采樣頻率為16 kHz，取幀長(zhǎng)為256(16 ms)，幀移為128。

　　分幀的FPGA實(shí)現(xiàn)。其關(guān)鍵就是解決幀移的疊加問題?？梢杂脙蓚€(gè)FIFO(F1和F2)來實(shí)現(xiàn)，具體過程為：先向F1寫入128個(gè)數(shù);讀取F1中的數(shù)得到這幀前128個(gè)數(shù)，同時(shí)將F1中的數(shù)寫入F2中;F1的數(shù)讀完時(shí)F2也已寫完，此時(shí)再讀取F2中的數(shù)得到這幀的后128個(gè)數(shù)(這時(shí)就得到了一幀的語音信號(hào))，在讀取F2中數(shù)據(jù)的同時(shí)向F1寫入下一幀的數(shù)據(jù)，這樣一直循環(huán)就完成了語音的分幀。

　　分幀后幀之間重新拼接處語音信號(hào)的頻譜特性和原來相比會(huì)有差異。為了使語音信號(hào)在幀之間重新拼接處的頻譜特性與原來更加接近，就要進(jìn)行加窗處理。在語音信號(hào)處理中常用的窗函數(shù)是矩形窗和漢明窗[5]。它們的表達(dá)式如下(其中N為幀長(zhǎng))：

　　矩形窗：

　　矩形窗的主瓣寬度較小，因而具有較高的頻率分辨率;但它的旁瓣峰值較大，因此其頻譜泄露比較嚴(yán)重。相比較而言，雖然漢明窗主瓣寬度較矩形窗大一倍，但是它的旁瓣衰減較大，因而具有更平滑的低通特性，能夠在較高程度上反映短時(shí)語音信號(hào)的頻譜特性，所以本文采用漢明窗。

　　加窗的FPGA實(shí)現(xiàn)。加窗就是用分幀后的數(shù)據(jù)乘以窗函數(shù)。在FPGA的實(shí)現(xiàn)上加漢明窗的過程難點(diǎn)是小數(shù)余弦乘法運(yùn)算，如果用算法來實(shí)現(xiàn)運(yùn)算會(huì)比較慢。這里考慮到N比較小，可以采用查表法實(shí)現(xiàn)加窗處理。查表法就是將窗函數(shù)的各個(gè)值存在ROM里面，依次查找。這里用DSP Builder工具生成窗函數(shù)的各個(gè)值，因?yàn)锳ltera公司開發(fā)的DSP Builder工具有很強(qiáng)的數(shù)字信號(hào)處理功能，能很好地完成窗函數(shù)的運(yùn)算。具體操作步驟為：在Matlab中打開simulink工具并打開Altera DSP Builder Blockset工具箱，然后新建“.mdl”文件，在工具箱中找到相應(yīng)的模塊并連接。在“hamming_table”模塊的“Matlab Array”中輸入“0.54-0.56*cos([0:2*pi/255:2*pi])”。然后編譯、綜合，系統(tǒng)就會(huì)自動(dòng)生成查表法要用到的“.hex”文件。

　　1.3 端點(diǎn)判斷

　　端點(diǎn)判斷是整個(gè)端點(diǎn)檢測(cè)中最重要的部分，也是計(jì)算量最大的部分。所以算法的選擇非常重要，本文用算法是根據(jù)Lawrence Rabiner端點(diǎn)檢測(cè)法改進(jìn)而來的。先介紹下Lawrence Rabiner端點(diǎn)檢測(cè)法，這種方法以過零率ZRC和能量E為特征來檢測(cè)起止點(diǎn)，具體方法為：

　　該算法是以基于能量的起止點(diǎn)算法。根據(jù)發(fā)音剛開始前已知為“靜”態(tài)的的連續(xù)10幀內(nèi)的數(shù)據(jù)，計(jì)算能量閾值T1(低能量閾值)及T2(高能量閾值)。開始計(jì)算前10幀每幀的能量，設(shè)其最大值稱之為MX，最小值為MN，過零率閾值為ZCT，則有：

　　其中，F(xiàn)為固定值，一般為25，ZC和c分別為最初10幀過零率的均值和標(biāo)準(zhǔn)差。先根據(jù)T1、T2算得初始起點(diǎn)BN(起點(diǎn)幀號(hào))。方法為：從第11幀開始，逐次比較每幀的平均幅度，BN為能量超過T1的第一幀的幀號(hào)。但若后續(xù)幀的能量在尚未超過T2之前又降到T1之下，則原BN不作為初始起點(diǎn)，改記下一個(gè)能量超過了T1的幀的幀號(hào)為BN，依此類推，在找到第一個(gè)能量超過T2的幀時(shí)停止比較。當(dāng)BN確定后，從BN幀向(BN-25)幀搜索，依次比較各幀的過零率，若有3幀以上的ZCR>ZCT，則將起點(diǎn)BN定為滿足ZCR>ZCT的最前幀的幀號(hào)，否則即以BN為起點(diǎn)。這種起點(diǎn)檢測(cè)法也稱雙門限前端檢測(cè)算法。語音結(jié)束點(diǎn)EN(結(jié)束點(diǎn)幀號(hào))的檢測(cè)方法與檢測(cè)起點(diǎn)相同，從后向前搜索，找第一個(gè)能量低于T1且其前向幀的能量在超出T2前沒有下降到T1以下的幀的幀號(hào)，記為EN，隨后根據(jù)過零率向(EN=25)幀搜索，若有3幀以上的ZCR≥ZCT，則將結(jié)束點(diǎn)EN定為滿足ZCR≥ZCT的最后幀的幀號(hào)，否則即以EN作為結(jié)束點(diǎn)。

　　這種算法硬件實(shí)現(xiàn)起來比較復(fù)雜，而且速度慢，所以要對(duì)算法進(jìn)行改進(jìn)。改進(jìn)后的算法為：超過高門限可以用于確定語音的開始，低門限用于確定語音的終點(diǎn)。超過高門限未必就是語音的開始，有時(shí)候噪聲的能量也可能相當(dāng)大從而超過高門限，但是噪聲一般持續(xù)時(shí)間比較短，可以用超過高門限持續(xù)時(shí)間來決定是噪聲還是語音開始。當(dāng)高門限已經(jīng)確定語音開始后，再利用低門限來確定語音的結(jié)束點(diǎn)。低于低門限未必就是語音的結(jié)束，有時(shí)候語音信號(hào)的能量也可能低于低門限，但是語音信號(hào)低于低門限的時(shí)間不可能很長(zhǎng)，可以用低過低門限的時(shí)間來判斷語音的結(jié)束點(diǎn)。這樣起止點(diǎn)的檢查，就減少了過零率的判斷和前10幀過零率均值和標(biāo)準(zhǔn)差的計(jì)算。所以這個(gè)算法門限值的選擇對(duì)語音端點(diǎn)檢測(cè)的影響比較大，本設(shè)計(jì)的門限值是根據(jù)Lawrence Rabiner端點(diǎn)檢測(cè)法并通過大量實(shí)驗(yàn)得來，計(jì)算式如式(10)和式(11)。其中，AE為前14幀的平均能量、T1是低門限、T2是高門限。

　　T1=1.5AE(10)

　　T2=2T1(11)