用MATLAB實現簡單的語音識別功能；

具體設計要求如下：

  用MATLAB實現簡單的數字1~9的語音識別功能。

基于VQ的說話人識別系統，矢量量化起著雙重作用。在訓練階段，把每一個說話者所提取的特征參數進行分類，產生不同碼字所組成的碼本。在識別(匹配)階段，我們用VQ方法計算平均失真測度(本系統在計算距離d時，采用歐氏距離測度)，從而判斷說話人是誰。

語音識別系統結構框圖如圖1所示。

圖1 語音識別系統結構框圖

語者識別就是根據說話人的語音信號來判別說話人的身份。語音是人的自然屬性之一，由于說話人發音器官的生理差異以及后天形成的行為差異，每個人的語音都帶有強烈的個人色彩，這就使得通過分析語音信號來識別說話人成為可能。用語音來鑒別說話人的身份有著許多獨特的優點，如語音是人的固有的特征，不會丟失或遺忘；語音信號的采集方便，系統設備成本低；利用電話網絡還可實現遠程客戶服務等。因此，近幾年來，說話人識別越來越多的受到人們的重視。與其他生物識別技術如指紋識別、手形識別等相比較，說話人識別不僅使用方便，而且屬于非接觸性，容易被用戶接受，并且在已有的各種生物特征識別技術中，是唯一可以用作遠程驗證的識別技術。因此，說話人識別的應用前景非常廣泛：今天，說話人識別技術已經關系到多學科的研究領域，不同領域中的進步都對說話人識別的發展做出了貢獻。說話人識別技術是集聲學、語言學、計算機、信息處理和人工智能等諸多領域的一項綜合技術，應用需求將十分廣闊。在吃力語音信號的時候如何提取信號中關鍵的成分尤為重要。語音信號的特征參數的好壞直接導致了辨別的準確性。

對于特征參數的選取，我們使用mfcc的方法來提取。MFCC參數是基于人的聽覺特性利用人聽覺的屏蔽效應，在Mel標度頻率域提取出來的倒譜特征參數。

MFCC參數的提取過程如下：

設語音信號的DFT為：

（1）

其中式中x(n)為輸入的語音信號，N表示傅立葉變換的點數。

我們定義一個有M個濾波器的濾波器組（濾波器的個數和臨界帶的個數相近），采用的濾波器為三角濾波器，中心頻率為f(m),m=1,2,3,···，M

本系統取M=100。

其中為三角濾波器的頻率響應。

MFCC系數個數通常取20—30，常常不用0階倒譜系數，因為它反映的是頻譜能量，故在一般識別系統中，將稱為能量系數，并不作為倒譜系數，本系統選取20階倒譜系數。

我們將每個待識的說話人看作是一個信源，用一個碼本來表征。碼本是從該說話人的訓練序列中提取的MFCC特征矢量聚類而生成。只要訓練的序列足夠長，可認為這個碼本有效地包含了說話人的個人特征，而與講話的內容無關。

本系統采用基于分裂的LBG的算法設計VQ碼本，為訓練序列，B為碼本。

具體實現過程如下：

其中m從1變化到當前的碼本的碼字數，ε是分裂時的參數，本文ε=0.01。

量化失真量和：

     （5）

相對失真：

              （6）

    4. 重新計算各個區域的新型心，得到新的碼書，轉3。

5. 重復２ ，３ 和４步，直到形成有M個碼字的碼書(M是所要求的碼字數)，其中D0=10000。

設是未知的說話人的特征矢量，共有T幀是訓練階段形成的碼書，表示碼書第m個碼字，每一個碼書有M個碼字。再計算測試者的平均量化失真D，并設置一個閾值，若D小于此閾值，則是原訓練者，反之則認為不是原訓練者。

（7）

在具體的實現過程當中，采用了matlab軟件來幫助完成這個項目。在matlab中主要由采集，分析，特征提取，比對幾個重要部分。以下為在實際的操作中，具體用到得函數關系和作用一一列舉在下面。

主要有兩類函數文件Train.m和Test.m

在Train.m調用Vqlbg.m獲取訓練錄音的vq碼本，而[url=]Vqlbg.m調用mfcc.m獲取單個錄音的mel倒譜系數[/url]，接著mfcc.m調用Melfb.m---將能量譜通過一組Mel尺度的三角形濾波器組。

在Test.m函數文件中調用Disteu.m計算訓練錄音（提供vq碼本）與測試錄音（提供mfcc）mel倒譜系數的距離，即判斷兩聲音是否為同一錄音者提供。[url=]Disteu.m調用mfcc.m獲取單個錄音的mel倒譜系數[/url]。mfcc.m調用Melfb.m---將能量譜通過一組Mel尺度的三角形濾波器組。

function r = mfcc(s, fs)

---

m = 100;

n = 256;

l = length(s);

nbFrame = floor((l - n) / m) + 1;   %沿-∞方向取整

for i = 1:n

for j = 1:nbFrame

M(i, j) = s(((j - 1) * m) + i);  %對矩陣M賦值

end

end

h = hamming(n);    %加 hamming 窗，以增加音框左端和右端的連續性

M2 = diag(h) * M;

for i = 1:nbFrame

frame(:,i) = fft(M2(:, i));  %對信號進行快速傅里葉變換FFT

end

t = n / 2;

tmax = l / fs;

m = melfb(20, n, fs); %將上述線性頻譜通過Mel 頻率濾波器組得到Mel 頻譜,下面在將其轉化成對數頻譜

n2 = 1 + floor(n / 2);

z = m * abs(frame(1:n2, :)).^2;

r = dct(log(z));  %將上述對數頻譜，經過離散余弦變換(DCT)變換到倒譜域，即可得到Mel 倒譜系數(MFCC參數)

---計算測試者和模板碼本的距離

function d = disteu(x, y)

[M, N] = size(x);  %音頻x賦值給【M，N】

[M2, P] = size(y); %音頻y賦值給【M2，P】

if (M ~= M2)

    error('不匹配！')  %兩個音頻時間長度不相等

end

d = zeros(N, P);

if (N < P)%在兩個音頻時間長度相等的前提下

    copies = zeros(1,P);

   for n = 1:N

        d(n,:) = sum((x(:, n+copies) - y) .^2, 1);

    end

else

    copies = zeros(1,N);

    for p = 1:P

        d(:,p) = sum((x - y(:, p+copies)) .^2, 1)';

    end%%成對歐氏距離的兩個矩陣的列之間的距離

end

d = d.^0.5;

---該函數利用矢量量化提取了音頻的vq碼本

function r = vqlbg(d,k)

e = .01;

r = mean(d, 2);

dpr = 10000;

for i = 1:log2(k)

    r = [r*(1+e), r*(1-e)];

    while (1 == 1)

        z = disteu(d, r);

        [m,ind] = min(z, [], 2);

        t = 0;

        for j = 1:2^i

            r(:, j) = mean(d(:, find(ind == j)), 2);

            x = disteu(d(:, find(ind == j)), r(:, j));

            for q = 1:length(x)

                t = t + x(q);

            end

        end

        if (((dpr - t)/t) < e)

            break;

        else

            dpr = t;

        end

    end

end

function finalmsg = test(testdir, n, code)

for k = 1:n                     % read test sound file of each speaker

    file = sprintf('%ss%d.wav', testdir, k);

    [s, fs] = wavread(file);     

    v = mfcc(s, fs);            % 得到測試人語音的mel倒譜系數

distmin = 4;              %閾值設置處

                        % 就判斷一次，因為模板里面只有一個文件

        d = disteu(v, code{1});    %計算得到模板和要判斷的聲音之間的“距離”

        dist = sum(min(d,[],2)) / size(d,1);  %變換得到一個距離的量

                                      %測試閾值數量級

        msgc = sprintf('與模板語音信號的差值為:%10f ', dist);

        disp(msgc);

        %此人匹配

        if dist <= distmin  %一個閾值，小于閾值，則就是這個人。

            msg = sprintf('第%d位說話者與模板語音信號匹配,符合要求!\n', k);         

            finalmsg = '此位說話者符合要求!'; %界面顯示語句，可隨意設定      

            disp(msg);      

        end               

        %此人不匹配

        if dist > distmin                        

            msg = sprintf('第%d位說話者與模板語音信號不匹配,不符合要求!\n', k);

             finalmsg = '此位說話者不符合要求!'; %界面顯示語句，可隨意設定

             disp(msg);     

        end      

end

這個函數實際上是對數據庫一個查詢,根據測試者的聲音,找相應的文件,并且給出是誰的提示

function testmsg = testDB(testdir, n, code)

nameList={'1','2','3','4','5','6','7','8','9' };                        %這個是我們要識別的9個數

for k = 1:n                     % 數據庫中每一個說話人的特征

    file = sprintf('%ss%d.wav', testdir, k);              %找出文件的路徑

    [s, fs] = wavread(file);     

    v = mfcc(s, fs);            % 對找到的文件取mfcc變換

    distmin = inf;

    k1 = 0;

    for l = 1:length(code)  

       d = disteu(v, code{l});

        dist = sum(min(d,[],2)) / size(d,1);

        if dist < distmin

            distmin = dist;%%這里和test函數里面一樣  但多了一個具體語者的識別

            k1 = l;

        end     

    end

    msg=nameList{k1}

    msgbox(msg);

end

---該函數就是對音頻進行訓練，也就是提取特征參數

function code = train(traindir, n)

k = 16;                        % number of centroids required

for i = 1:n                     % 對數據庫中的代碼形成碼本

    file = sprintf('%ss%d.wav', traindir, i);         

    disp(file);

    [s, fs] = wavread(file);

    v = mfcc(s, fs);            % 計算 MFCC's 提取特征特征，返回值是Mel倒譜系數，是一個log的dct得到的

    code{i} = vqlbg(v, k);      % 訓練VQ碼本  通過矢量量化，得到原說話人的VQ碼本

end

---確定矩陣的濾波器

function m = melfb(p, n, fs)

f0 = 700 / fs;

fn2 = floor(n/2);

lr = log(1 + 0.5/f0) / (p+1);

% convert to fft bin numbers with 0 for DC term

bl = n * (f0 * (exp([0 1 p p+1] * lr) - 1));

直接轉換為FFT的數字模型

b1 = floor(bl(1)) + 1;

b2 = ceil(bl(2));

b3 = floor(bl(3));

b4 = min(fn2, ceil(bl(4))) - 1;

pf = log(1 + (b1:b4)/n/f0) / lr;

fp = floor(pf);

pm = pf - fp;

r = [fp(b2:b4) 1+fp(1:b3)];

c = [b2:b4 1:b3] + 1;

v = 2 * [1-pm(b2:b4) pm(1:b3)];

m = sparse(r, c, v, p, 1+fn2)；

我們的功能分為兩部分:對已經保存的9個數字的語音進行辨別和實時的判斷說話人說的是否為一個數.在前者的實驗過程中,先把9個數字的聲音保存成wav的格式,放在一個文件夾中,作為一個檢測的數據庫.然后對檢測者實行識別,系統給出提示是哪個數字.

在第二個功能中,實時的錄取一段說話人的聲音作為模板,提取mfcc特征參數,隨后緊接著進行遇著識別,也就是讓其他人再說相同的話,看是否是原說話者.

實驗過程及具體功能如下：

先打開Matlab 使Current Directory為錄音及程序所所在的文件夾

再打開文件“enter.m”，點run運行，打開enter界面，點擊“進入”按鈕進入系統。（注：文件包未封裝完畢，目前只能通過此方式打開運行。）（如下圖figure1）

           figure1

選擇載入語音庫語音個數；

點擊語音庫錄制模版進行已存語音信息的提��；

點擊錄音-test進行現場錄音；

點擊語者判斷進行判斷數字，并顯示出來。

點擊實時錄制模板上的“錄音-train”按鈕,是把新語者的聲音以wav格式存放在”實時模板”文件夾中, 接著點擊“實時錄制模板”，把新的模板提取特征值。隨后點擊實時語者識別模板上的“錄音-train”按鈕,是把語者的聲音以wav格式存放在”測試”文件夾中,再點擊“實時語者識別”，在對測得的聲音提取特征值的同時，和實時模板進行比對，然后得出是否是實時模板中的語者。另外面板上的播放按鈕都是播放相對應左邊錄取的聲音。

想要測量多次，只要接著錄音，自動保存，然后程序比對音頻就可以。

退出只要點擊菜單File/Exit，退出程序。

實驗表明，該系統能較好地進行語音的識別，同時，基于矢量量化技術  （ＶＱ）的語音識別系統具有分類準確，存儲數據少，實時響應速度快等綜合性能好的特點．

矢量量化技術在語音識別的應用方面，尤其是在孤立詞語音識別系統中得到很好的應用，特別是有限狀態矢量量化技術，對于語音識別更為有效。

通過這次課程設計，我對語音識別有了更加形象化的認識，也強化了MATLAB的應用，對將來的學習奠定了基礎。