banner.jpg)
語音端點檢測就是從背景噪聲中找到語音的起點和終點，其目標(biāo)是要在一段輸入信號中將語音信號同其他信號(如背景噪聲)分離并且準(zhǔn)確地判斷出語音的端點。研究表明，即使在安靜的環(huán)境中，一半以上的語音識別系統(tǒng)識別錯誤來自端點檢測。因此，端點檢測的重要性不容忽視，尤其在噪聲環(huán)境下語音的端點檢測，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)前語音識別系統(tǒng)大多以ARM、DSP為設(shè)計核心，其設(shè)計費用高、缺乏靈活性、開發(fā)周期長，而且很難滿足高速的系統(tǒng)要求。在對語音端點檢測算法的研究中，提出了諸如基于能量、過零率、LPC預(yù)測殘差等多種算法[2]，但這些方法大部分都是基于計算機軟件的，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，可以滿足語音識別系統(tǒng)的實時性要求。本文嘗試用FPGA實現(xiàn)語音端點檢測，對常用的Lawrence Rabiner端點檢測法進(jìn)行改進(jìn)，用純硬件的方法實現(xiàn)語音端點檢測，并以“長沙”等詞和短語為例，驗證其準(zhǔn)確性和可行性。
1 FPGA實現(xiàn)語音端點檢測基本原理
主要由四個部分完成：預(yù)加重、分幀、加窗和端點判斷，F(xiàn)PGA實現(xiàn)方法同樣要經(jīng)過這四個步驟。
1.1 預(yù)加重
語音信號的平均功率譜由于受聲門激勵和口鼻輻射的影響，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，對語音信號進(jìn)行分析之前，要對語音信號加以提升，使語音信號的短時頻譜變得更為平坦，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)字濾波器來實現(xiàn)：
式(2)只有移位和加減運算，即用簡單的移位來取代復(fù)雜的小數(shù)乘法運算，從而可以方便地用FPGA實現(xiàn)。
1.2 分幀加窗
分幀處理即將預(yù)加重后的語音信號分成多段進(jìn)行分析，即從原始語音序列中分解出一個新的依賴于時間的序列，便于描述語音信號特征。語音信號具有時變特性，但在相當(dāng)短的時間范圍內(nèi)，其特性基本保持不變，從而可以進(jìn)行分段分析。假設(shè)語音信號在10 ms～30 ms內(nèi)平穩(wěn)，就可以以此時間段為單位將語音信號分ms段進(jìn)行分析，其中每一段稱為一“幀”，每一幀的長度叫幀長。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。幀移與幀長的比值一般取為0～1/2。為便于語音識別系統(tǒng)中特征的提取，取2n為幀長。本文語音信號的采樣頻率為16 kHz，取幀長為256(16 ms)，幀移為128。
分幀的FPGA實現(xiàn)。其關(guān)鍵就是解決幀移的疊加問題�？梢杂脙蓚�FIFO(F1和F2)來實現(xiàn)，具體過程為：先向F1寫入128個數(shù);讀取F1中的數(shù)得到這幀前128個數(shù)，同時將F1中的數(shù)寫入F2中;F1的數(shù)讀完時F2也已寫完，此時再讀取F2中的數(shù)得到這幀的后128個數(shù)(這時就得到了一幀的語音信號)，在讀取F2中數(shù)據(jù)的同時向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的頻譜特性和原來相比會有差異。為了使語音信號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)：
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語音信號的頻譜特性，所以本文采用漢明窗。
加窗的FPGA實現(xiàn)。加窗就是用分幀后的數(shù)據(jù)乘以窗函數(shù)。在FPGA的實現(xiàn)上加漢明窗的過程難點是小數(shù)余弦乘法運算，如果用算法來實現(xiàn)運算會比較慢。這里考慮到N比較小，可以采用查表法實現(xiàn)加窗處理。查表法就是將窗函數(shù)的各個值存在ROM里面，依次查找。這里用DSP Builder工具生成窗函數(shù)的各個值，因為Altera公司開發(fā)的DSP Builder工具有很強的數(shù)字信號處理功能，能很好地完成窗函數(shù)的運算。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)就會自動生成查表法要用到的“.hex”文件。
1.3 端點判斷
端點判斷是整個端點檢測中最重要的部分，也是計算量最大的部分。所以算法的選擇非常重要，本文用算法是根據(jù)Lawrence Rabiner端點檢測法改進(jìn)而來的。先介紹下Lawrence Rabiner端點檢測法，這種方法以過零率ZRC和能量E為特征來檢測起止點，具體方法為：
該算法是以基于能量的起止點算法。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)，計算能量閾值T1(低能量閾值)及T2(高能量閾值)。開始計算前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BN(起點幀號)。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。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，改記下一個能量超過了T1的幀的幀號為BN，依此類推，在找到第一個能量超過T2的幀時停止比較。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BN定為滿足ZCR>ZCT的最前幀的幀號，否則即以BN為起點。這種起點檢測法也稱雙門限前端檢測算法。語音結(jié)束點EN(結(jié)束點幀號)的檢測方法與檢測起點相同，從后向前搜索，找第一個能量低于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，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EN定為滿足ZCR≥ZCT的最后幀的幀號，否則即以EN作為結(jié)束點。
這種算法硬件實現(xiàn)起來比較復(fù)雜，而且速度慢，所以要對算法進(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。超過高門限未必就是語音的開始，有時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)時間比較短，可以用超過高門限持續(xù)時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。低于低門限未必就是語音的結(jié)束，有時候語音信號的能量也可能低于低門限，但是語音信號低于低門限的時間不可能很長，可以用低過低門限的時間來判斷語音的結(jié)束點。這樣起止點的檢查，就減少了過零率的判斷和前10幀過零率均值和標(biāo)準(zhǔn)差的計算。所以這個算法門限值的選擇對語音端點檢測的影響比較大，本設(shè)計的門限值是根據(jù)Lawrence Rabiner端點檢測法并通過大量實驗得來，計算式如式(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)
在FPGA設(shè)計中，狀態(tài)機的設(shè)計方法是最廣泛的設(shè)計方法之一，F(xiàn)SM(有限狀態(tài)機)及其設(shè)計技術(shù)是實用數(shù)字系統(tǒng)設(shè)計的重要組成部分，是高效率、高可靠邏輯控制的重要途徑。而改進(jìn)后的算法可以把整個端點判斷過程分為三個狀態(tài)，可以利用狀態(tài)機來完成FPGA的設(shè)計。狀態(tài)轉(zhuǎn)換圖如圖1所示。S0、S1、S2是三個狀態(tài);E為幀能量;T1、T2分別是低門限和高門限;C1是在狀態(tài)S1中T2>E≥T1的幀數(shù);C2是在狀態(tài)S1中T2≤E的幀數(shù);C3是在狀態(tài)S2中T1>E的幀數(shù)。
具體判斷過程為：(1)在S0狀態(tài)下，E
2 實驗結(jié)果
實驗時的聲音樣本采用電腦聲卡采集(16 kHz,8 bit)的“wav“文件, 并對常用的詞語進(jìn)行實驗。圖2是詞“長沙”在Matlab上的端點檢測仿真結(jié)果圖，其中橫坐標(biāo)代表幀號、縱坐標(biāo)代表幀能量。兩個字的語音段分別是64～82幀和95～120幀。圖3是詞“長沙”在QuartusⅡ上仿真的結(jié)果圖，其中num代表每幀的幀號，start代表語音開始的幀號，end代表語音結(jié)束的幀號。從圖1、圖2可以看出詞“長沙”的端點檢查仿真結(jié)果在Quartus Ⅱ上的和Matlab上是一致的，從圖中可以看出改進(jìn)后的端點檢測方法檢測效果非常好。
本文在加窗的過程中合理地運用了DSP Builder工具，簡化了硬件的設(shè)計，同時也加快了處理速度，是一種很值得借鑒的FPGA加窗方法。在端點判斷的算法上，用改進(jìn)的Lawrence Rabiner端點檢測法，對算法門限的計算和起止點判斷做了改進(jìn)，并用有限狀態(tài)機實現(xiàn)了FPGA的設(shè)計，實驗證明該算法在低信噪比的情況下能準(zhǔn)確地找到語音信號的起止點。與其他一些端點檢測方法相比，該算法更加簡單、穩(wěn)定，所需的存儲空間小，是一種理想的硬件端點檢查方法，對語音識別系統(tǒng)的開發(fā)和設(shè)計有一定的參考價值。
來源：電子技術(shù)應(yīng)用
