基于MFCC 特征提取的全新節(jié)能機(jī)器人設(shè)計(jì)與實(shí)現(xiàn)

江躍龍，龔儉龍，鐘宇軒，楊世杰，黃震

（1.廣州鐵路職業(yè)技術(shù)學(xué)院，廣州 510610；2.廣東交通職業(yè)技術(shù)學(xué)院，廣州 510650）

0 引言

人的自生以來(lái)的聽(tīng)覺(jué)系統(tǒng)是非常特殊的一個(gè)非線性系統(tǒng)，人類的耳朵能夠響應(yīng)不同頻率信號(hào)[2]。因此，在語(yǔ)音特征提取方面，借助人類與生俱來(lái)的聽(tīng)覺(jué)系統(tǒng)，它不僅能夠提取語(yǔ)義的信息，同時(shí)還可以提取說(shuō)話人的特征，這些人類的特性在現(xiàn)有的語(yǔ)音識(shí)別系統(tǒng)所望洋興嘆。本文設(shè)計(jì)秉承“綠色環(huán)保、節(jié)能減排”與“深度學(xué)習(xí)人工智能”的設(shè)計(jì)理念，將以MFCC 特征提取技術(shù)與全新節(jié)能技術(shù)融入人工智能應(yīng)用領(lǐng)域中。

1 系統(tǒng)設(shè)計(jì)思路與實(shí)現(xiàn)

本文將基于MFCC 特征提取的全新節(jié)能機(jī)器人進(jìn)行了研究，并將面向服務(wù)的深度學(xué)習(xí)技術(shù)應(yīng)用，其中構(gòu)建了原始語(yǔ)音信號(hào)頻譜和預(yù)加重后語(yǔ)音信號(hào)頻譜分析和特征提取。本文實(shí)現(xiàn)的功能：基于MFCC 特征提取的智能語(yǔ)音識(shí)別交互控制的機(jī)器人與無(wú)線Wi-Fi 通信技術(shù)及紅外控制技術(shù)相結(jié)合，實(shí)現(xiàn)與人進(jìn)行交流對(duì)話、查詢天氣、查詢時(shí)間、語(yǔ)音控制等功能。硬件模塊由太陽(yáng)能光伏供電模塊、ARM 處理器主控模塊、無(wú)線Wi-Fi通信模塊、LCD 顯示模塊、檢測(cè)室內(nèi)環(huán)境傳感器模塊、MIC 輸入模塊、語(yǔ)音處理模塊以及人工智能處理模塊等組成，其系統(tǒng)總體設(shè)計(jì)框圖如圖1所示。

2 語(yǔ)音信號(hào)提取預(yù)處理

全新節(jié)能機(jī)器人在復(fù)雜的應(yīng)用環(huán)境下，作為語(yǔ)音類應(yīng)用的前端接口，語(yǔ)音信號(hào)預(yù)處理顯得尤為重要，其可以細(xì)分出處理噪聲干擾的語(yǔ)音增強(qiáng)和處理人聲干擾的語(yǔ)音分離[1]。語(yǔ)音在實(shí)際的傳輸過(guò)程中，環(huán)境噪聲和人的聲音干擾都會(huì)對(duì)全新節(jié)能機(jī)器人語(yǔ)音識(shí)別產(chǎn)生一定的影響，使得語(yǔ)音的質(zhì)量和可懂性能大大地下降，同時(shí)也給后續(xù)全新節(jié)能機(jī)器人語(yǔ)音識(shí)別方面的應(yīng)用帶來(lái)挑戰(zhàn)，例如語(yǔ)音識(shí)別、說(shuō)話人的語(yǔ)音識(shí)別等。

圖1 系統(tǒng)總體設(shè)計(jì)框圖

2.1 語(yǔ)音輸入

利用麥克風(fēng)陣列的語(yǔ)音輸入設(shè)備進(jìn)行語(yǔ)音原始未經(jīng)處理信號(hào)進(jìn)行錄制。由本人錄音，在無(wú)噪音環(huán)境下錄制“小云”語(yǔ)音為實(shí)驗(yàn)的對(duì)象，經(jīng)過(guò)格式轉(zhuǎn)換后，實(shí)驗(yàn)語(yǔ)音數(shù)據(jù)分別命名為xiaoyun.wav。該關(guān)鍵詞的“小云”語(yǔ)音信號(hào)是在較為安靜的環(huán)境下錄制而成的。在釆集的該語(yǔ)音輸入信號(hào)過(guò)程當(dāng)中，將會(huì)直接消除或減少語(yǔ)音輸入時(shí)間序列數(shù)據(jù)受偶然性因素干擾而產(chǎn)生不規(guī)則樣本或說(shuō)話人自己造成的不規(guī)則樣本。

2.2 語(yǔ)音預(yù)處理

預(yù)處理的常用方法有預(yù)加重、端點(diǎn)檢測(cè)、分幀、聲道轉(zhuǎn)換、去加重、加窗、重采樣等，不同的語(yǔ)音識(shí)別在預(yù)處理方法和處理順序上有一定差別。在進(jìn)行關(guān)鍵詞“小云”語(yǔ)音信號(hào)特征提取之前，都要對(duì)原始序列做一系列的預(yù)處理，目的是盡可能保證后續(xù)語(yǔ)音處理得到的信號(hào)更均勻、平滑，為信號(hào)參數(shù)提取提供優(yōu)質(zhì)的參數(shù)，提高語(yǔ)音處理質(zhì)量，同時(shí)，消除采集語(yǔ)音信號(hào)的設(shè)備所帶來(lái)的混疊、高次諧波失真、高頻等因素，以免對(duì)關(guān)鍵詞的“小云”語(yǔ)音信號(hào)質(zhì)量的影響。

2.3 語(yǔ)音信號(hào)預(yù)加重

語(yǔ)音信號(hào)預(yù)加重（Pre-emphasis）是一種將低頻段關(guān)鍵詞“小云”語(yǔ)音信號(hào)能量放大，在高頻段的信號(hào)能量變小。因此，在傳輸之前把關(guān)鍵詞“小云”語(yǔ)音信號(hào)的高頻部分進(jìn)行處理（如加重處理），然后接收端再去重處理，以此來(lái)提高信號(hào)的傳輸質(zhì)量，要在對(duì)關(guān)鍵詞“小云”語(yǔ)音信號(hào)進(jìn)行分析之前對(duì)其高頻部分加以提升，以便于關(guān)鍵詞“小云”信號(hào)的頻譜分析或者聲道參數(shù)分析。

設(shè)關(guān)鍵詞“小云”語(yǔ)音信號(hào)t 時(shí)刻的語(yǔ)音采樣為S（t），經(jīng)預(yù)加重處理后結(jié)果為 Y（t）=S（t）-μ*S（t-1），其中μ根據(jù)經(jīng)驗(yàn)值取μ取值為0.97。通常設(shè)置一階數(shù)字濾波器：

上式中，μ值=預(yù)加重系數(shù)，其范圍為：0.9＜μ＜1.0。

圖2 原始小云語(yǔ)音信號(hào)頻譜及預(yù)加重后頻譜

2.4 語(yǔ)音分幀與加窗

語(yǔ)音處理過(guò)程需要我們理解語(yǔ)音信號(hào)各個(gè)頻率成分具體分布情況，這時(shí)就需要利用傅里葉變換分析頻率成分。傅里葉變換要求輸入語(yǔ)音信號(hào)是平穩(wěn)的，在宏觀上來(lái)看語(yǔ)音信號(hào)是不平穩(wěn)的，從微觀上來(lái)看，語(yǔ)音信號(hào)在非常短時(shí)間內(nèi)可以看作是具有平穩(wěn)的。由此可見(jiàn)，從宏觀角度來(lái)看語(yǔ)音信號(hào)的特性和表征，它的本質(zhì)特征和相關(guān)參數(shù)都是隨時(shí)間而變化的，所以語(yǔ)音信號(hào)是一個(gè)不平穩(wěn)態(tài)的信號(hào)，不能用處理數(shù)字信號(hào)處理技術(shù)（如傅里葉變換）的對(duì)其進(jìn)行平穩(wěn)信號(hào)分析處理。但是，微觀角度來(lái)看，雖然語(yǔ)音信號(hào)具有時(shí)變特性，但是在一個(gè)非常短的時(shí)間（在10～30ms 時(shí)間內(nèi)）范圍內(nèi)，語(yǔ)音信號(hào)特性和參數(shù)基本保持不變，即語(yǔ)音信號(hào)保持相對(duì)穩(wěn)定的狀態(tài)，所以我們可將語(yǔ)音信號(hào)看作其具有短時(shí)間內(nèi)平穩(wěn)性準(zhǔn)穩(wěn)態(tài)過(guò)程。

圖3 語(yǔ)音分幀

圖4 漢明窗（hamming window）

將語(yǔ)音信號(hào)分幀處理（如圖3 所示）后，我們將每一幀代入漢明窗（hamming window）窗函數(shù)如圖4 所示，窗外的值通常設(shè)為0，是為了消除每一個(gè)幀的兩端信號(hào)可能會(huì)造成的頻譜泄露spectral leakage（即不連續(xù)性）現(xiàn)象。理論上窗函數(shù)越寬，產(chǎn)生的平滑效果就會(huì)越好，同時(shí)也會(huì)使窗函數(shù)的坡度不斷增大，導(dǎo)致頻譜泄露現(xiàn)象比較嚴(yán)重，截?cái)嘈?yīng)也會(huì)很嚴(yán)重。所以綜合分析與考慮，我們將漢明窗的主瓣設(shè)為較寬而旁瓣設(shè)為較低，對(duì)語(yǔ)音信號(hào)處理的平滑效果更明顯，根據(jù)窗函數(shù)的頻域特性，漢明窗的主瓣比較寬而旁瓣比較低，對(duì)處理語(yǔ)音信號(hào)的平滑性效果比較好。常采用漢明窗，公式如下：

2.5 語(yǔ)音信號(hào)的特征提取

梅爾（Mel）頻率分析是基于人類的聽(tīng)覺(jué)感知系統(tǒng)實(shí)驗(yàn)的，經(jīng)實(shí)驗(yàn)觀測(cè)發(fā)現(xiàn)人的聽(tīng)覺(jué)系統(tǒng)對(duì)不同的頻率是有一定地選擇性的，人耳類似一個(gè)濾波器組一樣，它只關(guān)注個(gè)別特殊頻率的分量。換句話說(shuō)，它只讓某些特定的頻率信號(hào)通過(guò)，同時(shí)可以對(duì)不想感知的頻率信號(hào)過(guò)濾掉。這些濾波器在頻率的坐標(biāo)軸上不是成統(tǒng)一分布，在低頻信號(hào)區(qū)域有很多的濾波器，它們分布較為密集，而在高頻區(qū)域，濾波器的個(gè)數(shù)就變得較少，分布也較為稀疏。若我們利用語(yǔ)音處理技術(shù)在語(yǔ)音識(shí)別系統(tǒng)中能夠模擬類似人類的聽(tīng)覺(jué)感知，那么就極有可能提高和改善語(yǔ)音識(shí)別率。

通常語(yǔ)音信號(hào)的特征參數(shù)MFCC 提取過(guò)程，具體如圖5 所示步驟。

圖5 MFCC提取流程圖

圖6 Mel濾波器組

由于人耳對(duì)應(yīng)外界不同頻率的敏感程度是不同的，而且成為一種非線性關(guān)系，為此將語(yǔ)音信號(hào)頻譜按人耳敏感程度劃分多個(gè)梅爾（Mel）濾波器組如圖6 所示，在梅爾（Mel）刻度范圍內(nèi)將各個(gè)濾波器的中心頻率f（m）等間隔的線性分布和頻率范圍形成非相等間隔，然后將線性分布的頻譜映射到類似人的聽(tīng)覺(jué)感知梅爾（Mel）非線性頻譜中，最后轉(zhuǎn)換到梅爾（Mel）倒譜上。將普通頻率轉(zhuǎn)化到梅爾（Mel）頻率的公式如下：

上式中f 為頻率，Mel（f）為梅爾（Mel）頻率，單位為Hz。

將該信號(hào)的能量譜通過(guò)一組Mel 三角形濾波器組（Mel-Filter banks），定義一個(gè)用 24 個(gè)濾波器（0-4000Hz）總點(diǎn)數(shù)，每個(gè)濾波在中心頻率f（m）的響應(yīng)都是1，然后左右兩邊線性下降到相鄰的三角形濾波器的中心頻率f（m）處為0，如圖6 所示。

3 語(yǔ)音識(shí)別實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)是在基于MATLAB 2017b 軟件平臺(tái)，語(yǔ)音樣本由作者規(guī)定為普通話“小云”錄音組成，并在安靜環(huán)境內(nèi)完成的。選用Windows 10 自帶錄音軟件進(jìn)行錄制，CompressionMethod：'Uncompressed'，NumChannels： 2，SampleRate： 48000，TotalSamples： 354304，Duration： 7.3813，BitsPerSample： 16 保存文件為 xiaoyun.wav格式。音頻數(shù)據(jù)x=xiaoyun.wav，采樣率fs=8000Hz，采用端點(diǎn)檢測(cè)，最后提取MFCC 特征參數(shù)，實(shí)驗(yàn)輸出數(shù)據(jù)：（N=分幀個(gè)數(shù)，M=特征維度）大小的特征參數(shù)矩陣，特征參數(shù)為M=24 倒譜系數(shù)為12 維，一階差分為12維。通過(guò)實(shí)現(xiàn)分幀、加窗、快速傅里葉變換（FFT）、梅爾濾波器組（Mel-bank）、離散余弦變換（DCT）等過(guò)程來(lái)計(jì)算得到語(yǔ)音信號(hào)MFCC 特征提取如7 圖所示。

圖7 MFCC特征提取

4 結(jié)語(yǔ)

本文梅爾頻率倒譜系數(shù)（MFCC）方法應(yīng)用于全新節(jié)能機(jī)器人設(shè)計(jì)與實(shí)現(xiàn)進(jìn)行了研究與實(shí)驗(yàn)，并將面向服務(wù)的深度學(xué)習(xí)技術(shù)應(yīng)用。在梅爾濾波（Mel filter）實(shí)驗(yàn)過(guò)程中，對(duì)原始小云語(yǔ)音信號(hào)時(shí)域波形、語(yǔ)譜圖繪制，然后對(duì)該信號(hào)進(jìn)行預(yù)加重，并分析其分幀的語(yǔ)音信號(hào)在短時(shí)間（通常10-30ms）內(nèi)具有平穩(wěn)性。通過(guò)錄入小云語(yǔ)音信號(hào)進(jìn)行實(shí)驗(yàn)加入短時(shí)能量特征，并引入梅爾頻率倒譜系數(shù)（MFCC）的一階差分和二階差分，對(duì)語(yǔ)音數(shù)據(jù)特征提取和降低運(yùn)算維度感知敏感度，從而提高了特征提取的有效性。在此基礎(chǔ)上，能夠更好地反映全新節(jié)能機(jī)器人在復(fù)雜環(huán)境下，它能夠較好地表述語(yǔ)音信號(hào)特征并且能準(zhǔn)確提取語(yǔ)音信號(hào)特征，為后期語(yǔ)音匹配時(shí)對(duì)輸入語(yǔ)音的采集及識(shí)別做出一定積累經(jīng)驗(yàn)。