0 引 言

第一次工業(yè)時代后，生活方式大不同前，越來越多的機器設備開始代替手工作業(yè)，而在家居行業(yè)也出現(xiàn)了類似的機器人幫人們處理家居生活中的簡單工作，不僅解放了人們的雙手，又節(jié)省了大量時間。智能家居的發(fā)展與人機交互技術有著密不可分的關聯(lián)，在長期探索中，語音識別技術脫穎而出。本文詳細分析了語音識別過程，并設計了一套基于Arduino平臺的智能家居系統(tǒng)實現(xiàn)對家居燈光、環(huán)境（溫度和濕度）、光線、安防監(jiān)督的語音化控制。

1 語音識別系統(tǒng)相關理論技術

語音識別的信號處理流程如圖 1 所示。語音識別系統(tǒng)由語音前期預處理、語音信號特征參數(shù)提取、參考模型庫建模、模式匹配以及語音后處理五個部分組成 [1]。語音識別可分為如下四大階段 ：

(1) 第一個階段先通過性能優(yōu)良的語音采集設備采集語音信號，然后進行相關預加重、分幀、加窗、端點檢測等預處理操作。

(2) 第二階段是聲學模型訓練階段。提取語音庫中已知語義的語音信號特征參數(shù)，將其作為模板存入?yún)⒖寄Ｐ蛶熘?。使用訓練算法建立聲學模型，而聲學模型的訓練過程也是建模過程，通過訓練語音庫的特征參數(shù)訓練聲學模型參數(shù) [2]， 因此要設置合理的模型初始值。

(3) 第三階段是識別階段，將輸入語音的特征參數(shù)經(jīng)過一定的識別算法與訓練好的參考模型庫中的特征參數(shù)進行相似度對比，匹配相似度概率最高的即為輸入語音最終識別結果 [3]。

(4) 第四階段是語音后處理階段，確定當前哪個詞語可以跟隨上一個已經(jīng)識別的詞，排除不可能的單詞，將最佳匹配結果語音信號進行語言建模，匹配出文本語義。

2 語音信號的時域處理

在對語音信號分析前，要先對語音信號進行預處理，包括端點檢測、預加重、加窗和分幀等技術 [4]。

預加重采用一個 6 dB/ 倍頻的一階高通數(shù)字濾波器實現(xiàn)， 其傳遞函數(shù)為 H（z）=1-μz-1，加窗可以讓一幀信號的幅度在兩端平滑的衰減漸變到零，以避免短時語音段邊緣的影響。但由于加窗削弱了語音邊緣的信號，為了使相鄰幀連續(xù)不中斷，一般采用重疊分幀方法 [5]。

端點檢測技術的目的是檢測出有效語音信號的起始點和終止點 [6]，從而減少需要處理的數(shù)據(jù)量和運算量，同時還能降低噪聲對語音識別系統(tǒng)的影響，一般采用雙門限端點檢測法。

3 語音信號的特征提取

語音信號提取的特征值應該準確、完全地包含語音信號的全部信息。同時提取能有效反映語音特性、減少語音信號中與識別無關的信息，減少識別數(shù)據(jù)量。本文分析了語音信號的三種特征參數(shù)，即線性預測系數(shù)（LPC）、線性預測倒譜系數(shù)（LPCC）、梅爾頻率倒譜系數(shù)（MFCC）[7]。

3.1 線性預測系數(shù)（LPC）

線性預測的原理 ：語音信號 S（n）的值可由過去若干時刻的采樣值或其線性組合來逼近 [8]。在逼近過程中，逼近值與原始值之間的差值稱為預測誤差，當預測誤差達到最小時， 即預測效果最接近，也是模型建立最完美的值?？梢酝频?， 線性預測系數(shù) ai 的值達到了收斂。線性預測方法得到的參數(shù)可以很好地反映語音信號的頻譜幅度。

3.2 線性預測倒譜系數(shù)（LPCC）

LPCC 可以將語音模型中的聲門激勵信號與聲道沖激響應信號進行分離，計算量小，實現(xiàn)相對簡單，提高了特征參數(shù)的穩(wěn)定性 [9]。該值是對語音信號進行 FFT 后再取對數(shù)，求IFFT 后得到的。

3.3 梅爾頻率倒譜系數(shù)（MFCC）

Mel 頻率倒譜系數(shù)（MFCC）充分考慮了人耳聽覺的感知特性后進行語音信號處理。MFCC 具有更好的識別性能[10]， 語音信號中的能量主要集中在低頻部分，對人耳的聽覺特性模擬地更好，而人耳對低頻分量也更敏感。語音信號低頻部分的一個參數(shù)淡化了易受環(huán)境噪聲干擾的高頻部分，提高了語音識別系統(tǒng)的抗噪聲能力。

4 隱馬爾科夫模型 HMM

隱馬爾科夫過程是一個雙重隨機過程 ：其一用于描述每幀語音信號的統(tǒng)計特性（可直接觀測到）；其二用于描述每幀語音信號如何轉(zhuǎn)變到寫一個語音幀信號（隱含在觀察序列中）。隱馬爾可夫模型就像一個黑箱子，內(nèi)部狀態(tài)外部不可見，外界只能看到各個時刻的輸出值 [11]?？捎^測部分是人的語音，而隱含部分則是人組織語言的大腦激勵信號。隱馬爾可夫模型可用 λ=（π，A，B）表示 [12]。

本文詳細分析了 HMM 模型三個基本問題的解決算法。假設已知可觀察狀態(tài)值序列 O=（O1，O2，…，OT）（T是語音信號的幀數(shù)）和馬爾科夫模型參數(shù) λ=（π，A，B），計算可觀察序列的概率 P（O|λ）時一般使用向前 - 向后算法 [13]。

已知可觀察狀態(tài)值序列 O=（O1，O2，…，OT) 和模型 λ=（π， A，B），計算最有可能生成該可觀察序列的隱含狀態(tài)序列，通常使用 Viterbi 算法 [14]。

在已知可觀察狀態(tài)的序列 O=（O1，O2，…，OT) 的前提下，確定 HMM 的模型參數(shù) λ=（π，A，B)，使得可觀察序列的概率 P（O|λ）最大，通常使用 Baum-Welch 算法 [15]。

5 智能家居系統(tǒng)實現(xiàn)

結合 Arduino 開發(fā)平臺實現(xiàn)智能家居模塊的交互系統(tǒng)，對家居系統(tǒng)整體以及軟硬件需求進行分析與總體設計，實現(xiàn)通過語音控制家居設備的目標。該系統(tǒng)具有燈光控制，光線以及溫度濕度檢測和危險氣體警報功能。為了擁有更好的人機交互環(huán)境，本文系統(tǒng)還添加了語音播報功能。

調(diào)試并連接智能家居的軟硬件系統(tǒng)，分別測試智能家居系統(tǒng)的語音識別率，以及相應的語音命令能否實現(xiàn)對應功能。在安靜的環(huán)境下，系統(tǒng)功能能夠全部實現(xiàn)，測試非特定人 100 次的語音識別率均在 90% 以上。在有噪聲的環(huán)境下，系統(tǒng)功能均未實現(xiàn)，測試非特定人 100 次的語音識別率均在50% 以下甚至更低。由實驗結果可知，與安靜環(huán)境對比，噪聲環(huán)境下的語音識別效果大大降低，且長語音命令的識別率同之前一樣低于安靜環(huán)境下的語音識別率。

智能家居系統(tǒng)框圖如圖 2 所示，系統(tǒng)測試實驗見表 1所列。

6 結 語

本文主要對語音識別技術做了大致分析，比較了特征提取線性預測技術、線性預測倒譜系數(shù)以及梅爾頻率倒譜系數(shù)之間的優(yōu)缺點。詳細分析了隱馬爾科夫的建模過程以及相應算法，結合 Arduino 開發(fā)平臺，對智能家居系統(tǒng)做出簡單設計，實現(xiàn)了語音命令“開燈”“關燈”“溫度濕度檢測”“環(huán)境光線檢測”等操作，同時還采用危險氣體警報對家居安防進行布施。語音播報提供了良好的人機交互環(huán)境，通過智能家居各模塊功能語音識別測試可知，提高語音識別率不僅需要安靜的環(huán)境，還需要說標準的普通話。語音識別如何在有較大噪音的環(huán)境中進行準確識別是一道難關，也是未來科研人的努力方向。