[發(fā)明專利]一種基于soc芯片的語(yǔ)音喚醒方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611003861.0
• 申請(qǐng)日: 2016-11-15
• 公開（公告）號(hào): CN106601229A
• 公開（公告）日: 2017-04-26
• 發(fā)明（設(shè)計(jì)）人: 陳曉鵬;殷瑞祥;徐向民;張偉彬;邢曉芬
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G10L15/02
• 分類號(hào): G10L15/02;G10L15/14;G10L19/26;G10L25/18;G10L25/24;G10L25/78
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司44245
• 代理人: 李斌

技術(shù)領(lǐng)域

本發(fā)明涉及語(yǔ)音識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于soc芯片的語(yǔ)音喚醒方法。

背景技術(shù)

隨著時(shí)代的發(fā)展，越來(lái)越多的電子設(shè)備進(jìn)入人們的日常生活中，人們?cè)谙硎茈娮釉O(shè)備帶來(lái)便利的同時(shí)，希望電子設(shè)備能更加智能，實(shí)現(xiàn)無(wú)觸控的交互方式。

語(yǔ)音喚醒，即用戶說(shuō)出設(shè)定的語(yǔ)音指令，讓處于休眠狀態(tài)下的設(shè)備直接進(jìn)入到等待指令狀態(tài)。通過(guò)該技術(shù)，任何人在任何環(huán)境、任何時(shí)間對(duì)設(shè)備直接說(shuō)出預(yù)設(shè)的喚醒詞，就能激活設(shè)備，從而實(shí)現(xiàn)低功耗和無(wú)觸控的交互。

然而目前出現(xiàn)的語(yǔ)音喚醒技術(shù)大部分是基于計(jì)算機(jī)和手機(jī)終端實(shí)現(xiàn)的，需要強(qiáng)大的處理器進(jìn)行支撐，不適合用于工業(yè)應(yīng)用。而基于mcu實(shí)現(xiàn)的語(yǔ)音喚醒技術(shù)雖然成本低廉，但是由于處理器性能的限制無(wú)法達(dá)到理想的效果。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于，提供一種基于soc芯片的語(yǔ)音喚醒方法，通過(guò)采用魯棒性高的算法實(shí)現(xiàn)的實(shí)時(shí)系統(tǒng)具有較高的識(shí)別率，達(dá)到低功耗和高性能的要求。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于soc芯片的語(yǔ)音喚醒方法，包括以下步驟：

S1、芯片采集語(yǔ)音數(shù)據(jù)，并對(duì)其進(jìn)行采樣，將模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)；

S2、將數(shù)字信號(hào)的語(yǔ)音數(shù)據(jù)進(jìn)行MFCC特征提?。?/p>

S3、對(duì)MFCC特征值進(jìn)行語(yǔ)音活動(dòng)檢測(cè)，判斷當(dāng)前MFCC特征值的新一幀MFCC數(shù)據(jù)是否為語(yǔ)音幀，若否則返回步驟S2并釋放數(shù)據(jù)，若是則將MFCC特征值進(jìn)入下一步驟處理；

S4、通過(guò)基于HMM模型的語(yǔ)音識(shí)別算法對(duì)MFCC特征值進(jìn)行識(shí)別，若識(shí)別結(jié)果為有效指令，則喚醒控制設(shè)備；反之則返回步驟S2。

進(jìn)一步地，所述步驟S2中MFCC特征提取，其具體為：

1)、數(shù)字信號(hào)的預(yù)處理，包括預(yù)加重、分幀和加窗；

2)、對(duì)每一幀信號(hào)進(jìn)行FFT變換，求頻譜，進(jìn)而求得幅度譜|X_n(k)|；

3)、對(duì)幅度譜|X_n(k)|加Mel濾波器組W_l(k)，公式如下：

其中k指FFT的第k個(gè)點(diǎn)；o(l)、c(l)、h(l)分別為第l個(gè)三角濾波器的下限頻率、中心頻率和上限頻率；

4)、對(duì)所有的濾波器輸出做對(duì)數(shù)運(yùn)算，再進(jìn)一步做離散余弦變換DCT得MFCC特征值，公式如下：

其中N、L為26，指濾波器個(gè)數(shù)；i指MFCC系數(shù)階數(shù)，i取12，即為得到了12個(gè)倒譜特征；此外，再加上一幀的對(duì)數(shù)能量作為第13個(gè)特征參數(shù)，定義如下：

其中，X_n(k)為幅度，由此可得到13個(gè)特征參數(shù)，包括12個(gè)倒譜特征加1個(gè)對(duì)數(shù)能量；

5)、所求的13個(gè)標(biāo)準(zhǔn)的倒譜參數(shù)MFCC只反映了語(yǔ)音參數(shù)的靜態(tài)特性，語(yǔ)音的動(dòng)態(tài)特性根據(jù)所述靜態(tài)特征的差分譜來(lái)描述；計(jì)算13個(gè)MFCC特征的一階差分dtm(i)和二階差分dtmm(i)：

13個(gè)標(biāo)準(zhǔn)MFCC特征和它的13個(gè)一階差分、13個(gè)二階差分組成39維的MFCC特征參數(shù)，至此MFCC特征提取完畢。

進(jìn)一步地，所述步驟S3中對(duì)特征值進(jìn)行語(yǔ)音活動(dòng)檢測(cè)，采用基于GMM模型的語(yǔ)音活動(dòng)檢測(cè)方法，其假設(shè)語(yǔ)音和背景噪音在特定的特征空間中符合高斯混合分布，在特征空間中分別構(gòu)建靜音模型、非靜音模型；接著對(duì)MFCC特征的新一幀MFCC數(shù)據(jù)進(jìn)行計(jì)算，分別算出靜音模型的似然值P1、非靜音模型的似然值P2；比較似然值P1、似然值P2的大小，若P1大于P2則當(dāng)前MFCC數(shù)據(jù)幀為語(yǔ)音幀，否則靜音幀。

進(jìn)一步地，若所述當(dāng)前MFCC數(shù)據(jù)幀被判斷為語(yǔ)音幀后，判斷下一幀MFCC數(shù)據(jù)幀時(shí)，似然值P1和似然值P2分別乘以對(duì)應(yīng)的轉(zhuǎn)移概率，比較兩個(gè)乘積結(jié)果，若似然值P1的乘積結(jié)果大于似然值P2的乘積結(jié)果，則當(dāng)前MFCC數(shù)據(jù)幀為語(yǔ)音幀，否則為靜音幀；

若所述當(dāng)前MFCC數(shù)據(jù)幀被判斷為靜音幀后，判斷下一幀MFCC數(shù)據(jù)幀時(shí)，似然值P1和似然值P2分別乘以對(duì)應(yīng)的轉(zhuǎn)移概率，比較兩個(gè)乘積結(jié)果，若似然值P1的乘積結(jié)果大于似然值P2的乘積結(jié)果，則當(dāng)前MFCC數(shù)據(jù)幀為語(yǔ)音幀，否則為靜音幀；

所述對(duì)應(yīng)的轉(zhuǎn)移概率為預(yù)先設(shè)置好的模型數(shù)據(jù)。

進(jìn)一步地，所述靜音模型的似然值P1、非靜音模型的似然值P2的計(jì)算方法，具體為：

其中靜音模型、非靜音模型均由13個(gè)39維高斯模型構(gòu)成；一個(gè)M階高斯模型的概率密度函數(shù)是由M個(gè)高斯概率密度函數(shù)加權(quán)求和得到的，如下式3.1：