基于盲源分離的語音識別前端語音凈化處理研究

作者：時間：2008-11-21 來源：網(wǎng)絡(luò)

加入技術(shù)交流群
- 掃碼加入
  和技術(shù)大咖面對面交流
  海量資料庫查詢

　　目前針對語音識別提出了很多算法,但是這些研究基本上都是基于較為純凈的語音環(huán)境,一旦待識別的環(huán)境中有噪聲和干擾,語音識別就會受到嚴(yán)重影響.因為大多數(shù)語音識別的語音模板基本上是在無噪聲和無混響的“純凈”環(huán)境中采集、轉(zhuǎn)換而成.而實現(xiàn)環(huán)境中不可避免地存在干擾和噪聲,包括其他人的聲音和回聲等,這些噪聲有時很強(qiáng),使語音識別系統(tǒng)的性能大大降低甚至癱瘓.已有的信號去噪、參數(shù)去噪和抗噪識別等方法都有一定的局限.如果能實現(xiàn)噪聲和語音的自動分離,即在識別前就獲得較為純凈的語音,可以徹底解決噪聲環(huán)境下的識別問題.近年來取得很大進(jìn)展的盲源分離為噪聲和語音的分離提供了可能.盲源分離(Blind Source Separation)的算法眾多且運(yùn)算復(fù)雜,經(jīng)比較,其中T.Nishikawa等人提出的分階段ICA方法(MSICA)適合有混響的噪聲環(huán)境中的語音分離問題.經(jīng)過計算機(jī)仿真,MSICA算法分離一段7s的語音要用時10ms以上,計算機(jī)和低速的DSPs很難滿足實時要求.針對這一算法,設(shè)計了一套以TI的TMS320C6416 DSP(簡稱6416)芯片為內(nèi)核的語音凈化系統(tǒng).6416的時鐘速度高達(dá)720MHz,經(jīng)過使用MSICA算法的測試,該系統(tǒng)可以實時地對語音識別的信號進(jìn)行凈化處理,有效地提高語音識別系統(tǒng)的抗噪性和魯棒性.

　　1 算法描述

　　1.1 語音識別信號的混合模型

　　1.1.1 卷積混合一般模型

　　語音信號的混合模型已從瞬時模型發(fā)展到卷積模型,相比瞬時模型而言卷積模型更接近真實環(huán)境.麥克風(fēng)所測是卷積混迭信號,即源信號及其濾波與延遲的混迭信號的線性組合再加上其它噪聲,如(1)式所示.

　　式(1)中,sj(t),j=1,…,N為信號源,且各源信號相互獨立;xi(t),i=1,…,N為N個觀測數(shù)據(jù)向量,其元素是各個麥克鳳得到的輸入.所以觀測信號xi(t)是每個源信號sj(t)經(jīng)過延時tij,并乘以因子aij(t)(沖擊響應(yīng))后疊加,最后加上噪聲ni(t).

　　1.1.2 針對語音識別的簡化混合模型

　　一般的語音識別只有一個麥克風(fēng),根據(jù)盲源分離理論,麥克鳳數(shù)應(yīng)不少于信源數(shù),所以采用主副兩個麥克風(fēng)輸入待識別語音,為簡化處理假定只有主講話者聲音s1和背景噪聲s2(此背景噪聲包括經(jīng)過延遲的回聲)兩個聲源.可得如圖1的混合模型.

　　信號源s1到達(dá)兩個麥克風(fēng)的時間間隔為t21,且幅度值不同;s2到達(dá)兩個麥克風(fēng)的時間間隔為t12,幅度值也不同.又因為主信號源s1非常靠近兩個麥克風(fēng),所以認(rèn)為T21比T12小很多,且趨于零.于是得到相應(yīng)的模型表達(dá)式的簡化形式:

　　x1(t)=s1(t)+a12s2(t-t12)+n1(t)　　 (2)

　　x2(t)=a21s1(t-t21)+s2(t)+n2(t)

　　1.2 MSICA算法及其實現(xiàn)步驟

　　傳統(tǒng)采用頻域ICA(FDICA)或者時域ICA(TDICA)方法,單一的方法在真實環(huán)境中缺點很明顯,分離效果在混響環(huán)境中受到很大影響.然而一種時頻域結(jié)合多級分離的混合型ICA算法——MSICA算法可以有效解決這一問題.

　　該算法主要由三個步驟組成:首先,利用FDICA的高穩(wěn)態(tài)性的優(yōu)點在一定程度上分離源信號;為了簡化后續(xù)計算,白化FDICA分離出來的信號;接著,把白化后的FDICA輸出信號當(dāng)作TDICA的輸入信號,并用TDICA分離線留的交叉干擾分量;最后,TDICA的輸出信號即為分離信號.算法框圖如圖2所示.

　　2 DSP硬件系統(tǒng)設(shè)計

　　2.1 硬件結(jié)構(gòu)

　　為實現(xiàn)上述算法設(shè)計了DSP語音分離系統(tǒng),該系統(tǒng)主要參數(shù)如下:

　　·TMS320C6416 DSP;

　　·16M words FLASH ROM;

　　·兩個EMIF:64-Bit EMIFA和16-Bit EMIFB;

　　·133MHz的16MB SDRAM;

　　·兩個16-bit立體聲CODEC:TLV320AD50.

基于盲源分離的語音識別前端語音凈化處理研究

　　TMS320C6416有很高的信號處理能力以及豐富的片內(nèi)存儲咕嘟和片內(nèi)外設(shè),且有兩級內(nèi)部存儲結(jié)構(gòu).第一級L1緩存包含各為16KB的程序和數(shù)據(jù)存儲器,第二級L2包含1024KB的存儲空間.第一級只能作為緩存而第二級可以被設(shè)置為部分靜態(tài)RAM和部分緩存.在語音凈化系統(tǒng)中,設(shè)置L2為4通道256KB緩存和768KB靜態(tài)RAM.這種配置使用了最大允許的緩存,是因為MSICA算法將處理大量的數(shù)據(jù),訪問外部存儲器會有瓶頸,而大緩存可以將諸如中斷服務(wù)程序、常用函數(shù)的代碼、軟件堆棧等關(guān)鍵數(shù)據(jù)段和反復(fù)使用的系數(shù)存儲于片內(nèi)存儲器中,從而大大提高內(nèi)部存儲空間的使用效率.6416的兩個多通道緩沖串口(McBSP)用作數(shù)據(jù)的輸入輸出端口.模擬接口芯片TLV320AD50可以提供16bit的數(shù)/模、模/數(shù)轉(zhuǎn)換,最大轉(zhuǎn)換率是22.5kHz.采樣率為8kHz,兩個TLV320AD50分別通過McBSP與TMS320C6416相連.兩路混合語音信號通過模擬接口電路轉(zhuǎn)化為數(shù)字信號,兩路數(shù)字信號通過TMS320C6416的兩個McBSP輸入,根據(jù)語音特征存儲中存儲的語音特征進(jìn)行語音分離,分離出純凈的特識別語音,進(jìn)行語音識別,最后輸出識別結(jié)果.系統(tǒng)框圖見圖3.

　　2.2 軟件流程

　　系統(tǒng)上電后,存儲在FLASH ROM中的程序?qū)⒀b入TMS320C6416的片內(nèi)RAM中,程序?qū)拇嫫鳌⒅袛嘞蛄勘砗途幋a進(jìn)行初始化并對片內(nèi)McBSP進(jìn)行配置,完成這些初始化的任務(wù)后系統(tǒng)采集并處理語音信號.系統(tǒng)首先對目前狀態(tài)進(jìn)行辨識.開機(jī)后的狀態(tài)分為非識別狀態(tài)和識別狀態(tài),非識別狀態(tài) 下系統(tǒng)將采集純正語音信號,提取出語音特征送入存儲器中作為模板;識別狀態(tài)下首先參數(shù)考純凈語音的特征對采集的雙路混合信號進(jìn)行分離,獲得純凈的待別語音,最后送入識別系統(tǒng)完成語音識別.整個流程見圖4.

　　具體分離步驟在初始化之后,主函數(shù)程序進(jìn)入一個等待循環(huán),在一個新的采樣輸入被獲取之后與中斷服務(wù)程序(ISR)一起工作并調(diào)用分離程序.第一步,信號首先通過TI的DFT程序變換到頻域.系統(tǒng)使用最前面的幾個塊(例如取5塊)來估計輸入信號x1和x2每個頻率分量的功率矩陣.流程圖(見圖5)中的變量P表示正在處理的塊數(shù).對于接下來的每一塊(P≥5),系統(tǒng)通過指數(shù)平均來更新輸入信號的功率矩陣,以計算出梯度.然后計算步長u12、u21和差分脈沖響應(yīng)濾波器ΔH12、ΔH21的更新系數(shù).最后確定更新系統(tǒng)和DRIR濾波器系數(shù),在頻域?qū)斎胄盘栠M(jìn)行初步分離.第二步,白化程序?qū)DICA輸出信號進(jìn)行白化處理,以去除信號的相關(guān)性.第三步,首先通過最小化非負(fù)代價函數(shù)計算分離濾波器矩陣和分離濾波器系數(shù),然后帶入白化后的信號求得TDICA輸出信號.

基于盲源分離的語音識別前端語音凈化處理研究

　　2.3 代碼優(yōu)化

　　為了進(jìn)行實時的混合語音分離并識別,分離算法必須在盡可能短的時間(如1～2s)內(nèi)完成.在本系統(tǒng)中,通過CCS對C源代碼進(jìn)行編譯,并對分離算法的一些關(guān)鍵模塊從內(nèi)聯(lián)函數(shù)替換、數(shù)據(jù)讀寫、循環(huán)體優(yōu)化、函數(shù)拆并、C級優(yōu)化等方面進(jìn)行優(yōu)化設(shè)計,以達(dá)到充分利用CPU、存儲器等資源,提高算法運(yùn)行速度,滿足實時性要求.

　　(1)內(nèi)聯(lián)函數(shù)優(yōu)化

　　通過內(nèi)聯(lián)函數(shù)替換提高代碼性能.內(nèi)聯(lián)函數(shù)直接與匯編指令相對應(yīng),通過使用它們,C編譯器能達(dá)到更好的編譯效果,并充分利用系統(tǒng)資源.C6416提供豐富的內(nèi)聯(lián)函數(shù),涵蓋了各種數(shù)據(jù)類型的乘、加、移位等操作.實驗結(jié)果表明,內(nèi)聯(lián)函數(shù)替換是提高代碼性能最簡單、直接有效的方法.

　　(2)數(shù)據(jù)讀寫優(yōu)化

　　充分利用C6416的雙字存儲指信和packing/unpacking方式提高代碼的運(yùn)行速度.

　　(3)循環(huán)體優(yōu)化

　　通過軟件流水工具(Software Pipeline)適當(dāng)安排循環(huán)指令,使多次迭代并行執(zhí)行,以達(dá)到優(yōu)化代碼的目的.

　　(4)函數(shù)拆并優(yōu)化

　　將某些大函數(shù)拆開成多個小函數(shù)或相反,以提高程序的運(yùn)行速度.對FDICA和TDICA等大程序中某些常用的分支,可將其拆分以減少判斷、跳轉(zhuǎn)操作.對于某些簡單的小函數(shù),將其合并成大函數(shù)有助于減少程序調(diào)用開銷.

　　(5)C級優(yōu)化

　　在定點DSP上進(jìn)行浮點運(yùn)算會影響C源代碼的性能.因此,第一個優(yōu)化任務(wù)就是將源碼中運(yùn)算比較密集的部分(如分離濾波器矩陣和分離濾波器系數(shù)的計算)轉(zhuǎn)換成定點的算法.此外,影響系統(tǒng)性能的一個重要原因是沒有有效利用DSP的并行計算能力,TMS320C6416為最優(yōu)化這些并行操作的打包數(shù)據(jù)處理提供了特殊的指令.系統(tǒng)另一個瓶頸是對外部存儲器的訪問.對混合語音的分離需要處理大量的數(shù)據(jù),存儲和訪問可能是DSP系統(tǒng)的最大瓶頸.通過使用緩存可以緩解瓶頸,優(yōu)化在外部和內(nèi)部存儲中的數(shù)據(jù)定位可以提高系統(tǒng)的性能.最后,使用C編譯器的最優(yōu)化選項編譯代碼.

　　上述的優(yōu)化并非已經(jīng)完全,在后續(xù)的研究中代碼可以進(jìn)一步優(yōu)化,如可改進(jìn)以下幾處:首先,使用DMA以提高存儲器訪問的性能并減少存儲器消耗;其次,為了避免浮點溢出可以將代碼全部轉(zhuǎn)換為定點,對代碼中的關(guān)鍵循環(huán)進(jìn)行更好的組織以實現(xiàn)軟件流水線;最后,為了最大程序提高性能可以使用線性匯編語言并對部分代碼進(jìn)行匯編層的優(yōu)化.

　　2.4 實驗結(jié)果

　　采用兩組混合語音來測試,即單獨錄制兩個純凈的信號源,圖1所示模型用MATLAB混合(忽略噪聲),通過凈化系統(tǒng)得到兩級分離信號并與原始語音進(jìn)行比對.x1(t)和x2(t)即為兩個麥克風(fēng)的輸入信號.使用以下兩組聲音信號作為測試信號,第一組為語音和音樂信號,第二組為兩個語音信號,都是16kHz采樣16bit單聲道文件,長度均為7s.圖6與圖7分別為上述兩組混合語音的分離結(jié)果,從中可以看出分離效果非常令人滿意,達(dá)到了帶噪語音的凈化效果.

　　在實驗室環(huán)境引入語音凈化系統(tǒng)后,語音識別的速度雖然略有下降,但是識別語音的信噪比有顯著提高,在有不同信噪比的音樂和混響噪聲的背景中,識別率平均提高30%以上.