語(yǔ)音控制的基礎(chǔ)就是語(yǔ)音識(shí)別技術(shù)，可以是特定人或者非特定人的。非特定人的應(yīng)用更為廣泛，對(duì)于用戶而言不用訓(xùn)練，因此也更加方便。語(yǔ)音識(shí)別可以分為孤立詞識(shí)別，連接詞識(shí)別，以及大詞匯量的連續(xù)詞識(shí)別。對(duì)于智能機(jī)器人這類嵌入式應(yīng)用而言，語(yǔ)音可以提供直接可靠的交互方式，語(yǔ)音識(shí)別技術(shù)的應(yīng)用價(jià)值也就不言而喻。

一、 語(yǔ)音識(shí)別概述
語(yǔ)音識(shí)別技術(shù)最早可以追溯到20世紀(jì)50年代，是試圖使機(jī)器能“聽(tīng)懂”人類語(yǔ)音的技術(shù)。按照目前主流的研究方法，連續(xù)語(yǔ)音識(shí)別和孤立詞語(yǔ)音識(shí)別采用的聲學(xué)模型一般不同。孤立詞語(yǔ)音識(shí)別一般采用DTW動(dòng)態(tài)時(shí)間規(guī)整算法。連續(xù)語(yǔ)音識(shí)別一般采用HMM模型或者HMM與人工神經(jīng)網(wǎng)絡(luò)ANN相結(jié)合。

語(yǔ)音的能量來(lái)源于正常呼氣時(shí)肺部呼出的穩(wěn)定氣流，喉部的聲帶既是閥門(mén)，又是振動(dòng)部件。語(yǔ)音信號(hào)可以看作是一個(gè)時(shí)間序列，可以由隱馬爾可夫模型（HMM）進(jìn)行表征。語(yǔ)音信號(hào)經(jīng)過(guò)數(shù)字化及濾噪處理之后，進(jìn)行端點(diǎn)檢測(cè)得到語(yǔ)音段。對(duì)語(yǔ)音段數(shù)據(jù)進(jìn)行特征提取，語(yǔ)音信號(hào)就被轉(zhuǎn)換成為了一個(gè)向量序列，作為觀察值。在訓(xùn)練過(guò)程中，觀察值用于估計(jì)HMM的參數(shù)。這些參數(shù)包括觀察值的概率密度函數(shù)，及其對(duì)應(yīng)的狀態(tài)，狀態(tài)轉(zhuǎn)移概率等。當(dāng)參數(shù)估計(jì)完成后，估計(jì)出的參數(shù)即用于識(shí)別。此時(shí)經(jīng)過(guò)特征提取后的觀察值作為測(cè)試數(shù)據(jù)進(jìn)行識(shí)別，由此進(jìn)行識(shí)別準(zhǔn)確率的結(jié)果統(tǒng)計(jì)。訓(xùn)練及識(shí)別的結(jié)構(gòu)框圖如圖1所示。

圖1 語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)框圖
1、 端點(diǎn)檢測(cè)
找到語(yǔ)音信號(hào)的起止點(diǎn)，從而減小語(yǔ)音信號(hào)處理過(guò)程中的計(jì)算量，是語(yǔ)音識(shí)別過(guò)程中一個(gè)基本而且重要的問(wèn)題。端點(diǎn)作為語(yǔ)音分割的重要特征，其準(zhǔn)確性在很大程度上影響系統(tǒng)識(shí)別的性能。

能零積定義：一幀時(shí)間范圍內(nèi)的信號(hào)能量與該段時(shí)間內(nèi)信號(hào)過(guò)零率的乘積。
能零積門(mén)限檢測(cè)算法可以在不丟失語(yǔ)音信息的情況下，對(duì)語(yǔ)音進(jìn)行準(zhǔn)確的端點(diǎn)檢測(cè)，經(jīng)過(guò)450個(gè)孤立詞（數(shù)字“0～9”）測(cè)試準(zhǔn)確率為98％以上，經(jīng)該方法進(jìn)行語(yǔ)音分割后的語(yǔ)音，在進(jìn)入識(shí)別模塊時(shí)識(shí)別正確率達(dá)95％。

圖2 檢測(cè)結(jié)果的效果示意圖
當(dāng)話者帶有呼吸噪聲，或周圍環(huán)境出現(xiàn)持續(xù)時(shí)間較短能量較高的噪聲，或者持續(xù)時(shí)間長(zhǎng)而能量較弱的噪聲時(shí)，能零積門(mén)限檢測(cè)算法就不能對(duì)這些噪聲進(jìn)行濾除，進(jìn)而被判作語(yǔ)音進(jìn)入識(shí)別模塊，導(dǎo)致誤識(shí)。圖2（a）所示為室內(nèi)環(huán)境，正常情況下采集到的帶有呼氣噪聲的數(shù)字“0～9”的語(yǔ)音信號(hào)，利用能零積門(mén)限檢測(cè)算法得到的效果示意圖。最前面一段信號(hào)為呼氣噪聲，之后為數(shù)字“0～9”的語(yǔ)音。

從圖2（a）直觀的顯示出能零積算法在對(duì)付能量較弱，但持續(xù)時(shí)間長(zhǎng)的噪音無(wú)能為力。由此引出了雙門(mén)限能零積檢測(cè)算法。
所謂的雙門(mén)限能零積算法指的是進(jìn)行兩次門(mén)限判斷。第一門(mén)限采用能零積，第二門(mén)限為單詞能零積平均值。也即在前面介紹的能零積檢測(cè)算法的基礎(chǔ)上再進(jìn)行一次能零積平均值的判決。其中，第二門(mén)限的設(shè)定依據(jù)取決于所有實(shí)驗(yàn)樣本中呼氣噪聲的平均能零積及最小的語(yǔ)音單詞能零積之間的一個(gè)常數(shù)。如圖2（b）所示，即為圖2（a）中所示的語(yǔ)音文件經(jīng)過(guò)雙門(mén)限能零積檢測(cè)算法得到的檢測(cè)結(jié)果?？梢悦黠@看到，最前一段信號(hào)，即呼氣噪聲已經(jīng)被視為噪音濾除。

圖3　機(jī)器人識(shí)別軟件框圖
機(jī)器人由自然條件下的語(yǔ)句進(jìn)行控制。這些語(yǔ)句描述了動(dòng)作的方向，以及動(dòng)作的幅度。為了簡(jiǎn)單起見(jiàn)，讓機(jī)器人只執(zhí)行簡(jiǎn)單命令。由手機(jī)進(jìn)行遙控，DSP模塊識(shí)別出語(yǔ)音命令，送控制命令到ARM模塊，驅(qū)動(dòng)左右機(jī)械輪執(zhí)行相應(yīng)動(dòng)作。

圖4　機(jī)器人硬件結(jié)構(gòu)
機(jī)器人主要有2大模塊，一個(gè)是基于DSP的語(yǔ)音識(shí)別模塊；另一個(gè)是基于ARM的控制模塊，其機(jī)械足為兩滑輪。由語(yǔ)音識(shí)別模塊識(shí)別語(yǔ)音，由控制模塊控制機(jī)器人動(dòng)作。

2、 語(yǔ)音控制
首先根據(jù)需要，設(shè)置了如下幾個(gè)簡(jiǎn)單命令：前、后、左、右。機(jī)器人各狀態(tài)之間的轉(zhuǎn)移關(guān)系如圖5所示。其中，等待狀態(tài)為默認(rèn)狀態(tài)，當(dāng)每次執(zhí)行前后或左右轉(zhuǎn)命令后停止，即回到等待狀態(tài)，此時(shí)為靜止?fàn)顟B(tài)。

圖5　機(jī)器人狀態(tài)
命令代表動(dòng)作的方向，數(shù)字代表動(dòng)作的幅度。當(dāng)執(zhí)行前后命令時(shí)，數(shù)字的單位為dm，執(zhí)行左右轉(zhuǎn)彎命令時(shí)，數(shù)字的單位為角度單位的20°。每句命令句法為命令+數(shù)字。例如，語(yǔ)音“左2”表示的含義為向左轉(zhuǎn)彎40，“前4”表示向前直行4dm。

機(jī)器人小智利用語(yǔ)音識(shí)別技術(shù)，采用4mic陣列精準(zhǔn)識(shí)別語(yǔ)音，實(shí)現(xiàn)了語(yǔ)音交互、天氣播報(bào)、語(yǔ)音記事等功能，讓您出行無(wú)憂，時(shí)刻體驗(yàn)生活的樂(lè)趣。