基于樹莓派的電話錄音系統(tǒng)研究

摘要：電話錄音系統(tǒng)廣泛應(yīng)用于電力通信中，它在調(diào)度語音下達(dá)的過程中起著重要的作用。然而傳統(tǒng)的錄音系統(tǒng)存在占地面積過大、查詢錄音信息不方便等問題，鑒于此，運(yùn)用深度神經(jīng)網(wǎng)絡(luò)-隱馬爾可夫模型（DNN-HMM模型），基于樹莓派設(shè)計(jì)了一種電話錄音系統(tǒng)，通過特征提取等方式識別語音并進(jìn)行錄音，錄音完成后可以通過電腦、手機(jī)等終端方便快捷地查看錄音以及語音對應(yīng)的文字版文件。

關(guān)鍵詞：樹莓派；語音識別；深度神經(jīng)網(wǎng)絡(luò)

中圖分類號：TN912 " "文獻(xiàn)標(biāo)志碼：A " "文章編號：1671-0797（2023）02-0046-03

DOI：10.19514/j.cnki.cn32-1628/tm.2023.02.013

0 " "引言

根據(jù)南方電網(wǎng)調(diào)度規(guī)范的要求，500 kV變電站應(yīng)配置錄音系統(tǒng)，調(diào)度機(jī)構(gòu)應(yīng)實(shí)現(xiàn)錄音系統(tǒng)的雙重化配置。準(zhǔn)確可靠的原始錄音能為事件處理提供可靠的證據(jù)，防止出現(xiàn)糾紛。

目前局內(nèi)變電站通信室空間狹小，機(jī)柜位置緊張，然而站內(nèi)的電話錄音系統(tǒng)設(shè)備體積龐大，占據(jù)了大量的空間。同時，目前電話錄音系統(tǒng)普遍存在錄音音質(zhì)較差，查詢和檢索煩瑣復(fù)雜的問題，不利于長期存儲和管理，難以對分布于不同區(qū)域的電話進(jìn)行遠(yuǎn)程錄音監(jiān)聽。按規(guī)范要求，調(diào)度錄音應(yīng)保存至少6個月，電話錄音內(nèi)容可用于安全監(jiān)管，是判定責(zé)任糾紛的重要依據(jù)，對提高公司服務(wù)質(zhì)量、增強(qiáng)競爭實(shí)力等具有重要意義。但現(xiàn)有的錄音方式相對落后，無法滿足以上要求。樹莓派相對于其他的載體價(jià)格更低，但計(jì)算能力強(qiáng)大，具有很高的性價(jià)比。搭建基于樹莓派的電話錄音系統(tǒng)，可以解決傳統(tǒng)錄音系統(tǒng)體積龐大的缺陷，節(jié)約機(jī)房內(nèi)部可利用空間，實(shí)現(xiàn)語音文字高識別轉(zhuǎn)化，保存?zhèn)鬏敺奖悖煌瑫r，該系統(tǒng)支持多端口輸入，具備強(qiáng)大的兼容性與可拓展性。

1 " "基于樹莓派的電話錄音系統(tǒng)簡介及優(yōu)勢

使用基于樹莓派的電話錄音系統(tǒng)，可解決傳統(tǒng)錄音系統(tǒng)體積龐大的缺陷，充分利用機(jī)房空間，滿足多通道錄音的要求，具備強(qiáng)大的兼容性與可拓展性，同時能改善錄音質(zhì)量，提高自動化程度，降低操作的復(fù)雜度，方便用戶運(yùn)維系統(tǒng)。

1.1 " "設(shè)備小型化

最初，樹莓派是由基于Atmel的ATmega644單片機(jī)制成的，它采用ARM處理器，與傳統(tǒng)芯片相比具有更高的性能。它的外形只有信用卡大小，以SD/MicroSD卡為內(nèi)存硬盤，具有HDMI等多種接口，具備個人計(jì)算機(jī)的基本功能，可以實(shí)現(xiàn)錄音設(shè)備的小型化[1]。樹莓派采用Linux操作系統(tǒng)，代碼采用Linux系統(tǒng)下的Python語言，功能強(qiáng)大，操作方便。基于樹莓派的新型錄音系統(tǒng)可以節(jié)省機(jī)房空間，提高機(jī)房空間的利用效率。

1.2 " "系統(tǒng)安全性高

系統(tǒng)權(quán)限管理制度嚴(yán)格，根據(jù)用戶權(quán)限不同劃分不同的操作權(quán)限，系統(tǒng)通過加密的并網(wǎng)權(quán)限，滿足錄音電話的保密要求，保障了網(wǎng)絡(luò)安全。

1.3 " "用戶界面更友好

基于樹莓派的電話錄音系統(tǒng)用戶界面友好，采用圖形化操作界面，可以查看錄音記錄及語音對應(yīng)的文字記錄，可以實(shí)時顯示不同錄音通道所處的工作狀態(tài)，可以方便快捷地查找信息，界面具有提示和在線幫助機(jī)制，可以幫助用戶快速了解系統(tǒng)的使用方法，降低操作難度。本系統(tǒng)是基于Web開發(fā)的操作系統(tǒng)，不需要PC也可以登錄，操作更加便捷。

2 " "基于樹莓派的電話錄音系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

2.1 " "體系結(jié)構(gòu)

本系統(tǒng)是基于Web開發(fā)的操作系統(tǒng)，其中采用B/S架構(gòu)開發(fā)的Web操作層為用戶交互層，用戶通過瀏覽器直接訪問系統(tǒng)進(jìn)行相關(guān)操作；設(shè)備交互層通過串口連接UWB定位設(shè)備，根據(jù)電子圍欄的位置關(guān)系進(jìn)行數(shù)據(jù)處理入庫。

系統(tǒng)總體架構(gòu)如表1所示。

語音識別模塊可以將完成特征提取的原始語音信號轉(zhuǎn)化為相應(yīng)的特征向量，配合聲學(xué)模型、語音字典和語音模型得到識別結(jié)果[2]。語音特征提取模塊可以識別語音上有用的特征，排除說話人性別、年齡、說話習(xí)慣和錄音條件等不同引起的變化的影響，避免噪聲干擾。語音識別系統(tǒng)如圖1所示。

語音識別系統(tǒng)由特征提取、聲學(xué)模型、發(fā)音字典、語言模型和解碼器5個部分組成[1]，語言識別通常使用隱馬爾可夫模型，根據(jù)語音信號推斷對應(yīng)的文字，語音的特征序列為O1T={o1，o2，…，oT}；語言模型P（W）代表特定詞序出現(xiàn)的先驗(yàn)概率；聲學(xué)模型P（O1T|W）代表當(dāng)給定詞序?yàn)閃時，輸出聲學(xué)特征O1T的概率，根據(jù)最大后驗(yàn)概率，詞序列如下：

聲學(xué)特征O1T的概率P（O1T）與詞序W無關(guān)，可以忽略不計(jì)，所以式（1）可表示為：

馬爾可夫性表示現(xiàn)在決定未來狀態(tài)。馬爾可夫鏈描述了時刻（t-1）決定當(dāng)前時刻t的狀態(tài)概率分布。隱馬爾可夫模型在此基礎(chǔ)上引入了隱狀態(tài)的概念，它只與當(dāng)前的狀態(tài)有關(guān)。

確定馬爾可夫狀態(tài)，需要確定以下5個參數(shù)：狀態(tài)空間Ω={si}，i=1，2，k，N；初始狀態(tài)的概率分布π=πi；狀態(tài)轉(zhuǎn)移概率矩陣A=[aij]，i=1，2，k，N；觀測序列O={oi}；狀態(tài)輸出概率B={bi（ok）}。其中，bi（ok）表示狀態(tài)i發(fā)生觀測到輸出語音特征ok的概率；aij表示從狀態(tài)si到sj的轉(zhuǎn)移概率；πi表示狀態(tài)si的初始概率分布。

特征提取模塊將輸入語音轉(zhuǎn)換為可用于模型訓(xùn)練的特征矢量，梅爾頻率倒譜系數(shù)MFCC是語音識別中常用的特征。首先對語音信號進(jìn)行分幀、加窗，把語音信號切分為語音片段，一幀語音片段的長度為10～30 ms。由于直接截?cái)嗾Z音信號會造成頻譜泄漏，因此需對每幀數(shù)據(jù)做加窗處理，選擇漢寧窗、漢明窗等合適的窗函數(shù)減輕影響。之后通過傅里葉變換將幀信號從時域轉(zhuǎn)換到頻域分析，傅里葉變換公式如下：

式中：Sa為加窗后第a幀語音信號；Sa（k）為對應(yīng)的傅里葉變換后的語音信號；n為時間變量；k為常數(shù)；N為整數(shù)，表示幀長。

然后計(jì)算Mel子帶對數(shù)能量Em，通過離散余弦變換DCT轉(zhuǎn)換到DCT域，得到MFCC特征向量，DCT變換公式如下：

式中：C（n）為特征值；M為Mel濾波器中濾波器的數(shù)量；m為時間變量；L為整數(shù)，表示MFCC系數(shù)階數(shù)。

MFCC提取過程如圖2所示。

采用隱馬爾可夫模型進(jìn)行聲學(xué)建模，使用高斯混合模型-隱馬爾可夫模型（GMM-HMM）做模型訓(xùn)練，進(jìn)行數(shù)據(jù)對齊，狀態(tài)輸出概率bi（k）表示狀態(tài)si的條件下輸出語音特征ok的概率。之后以此作為訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)DNN模型的標(biāo)準(zhǔn)，用DNN模型替換GMM模型，計(jì)算觀察概率，保留轉(zhuǎn)移概率和初始概率等其他部分，估算HMM狀態(tài)的后驗(yàn)概率[3]。

基于DNN-HMM的聲學(xué)模型語音識別準(zhǔn)確率更高，可以自動學(xué)習(xí)聲學(xué)狀態(tài)和特征向量之間的分布關(guān)系，提升語音識別系統(tǒng)的性能。

2.2 " "系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

本文設(shè)計(jì)的基于樹莓派的電話錄音系統(tǒng)按功能可分為錄音、儲存和語音識別轉(zhuǎn)換幾個部分。錄音系統(tǒng)采用觸發(fā)式錄音，電話摘機(jī)應(yīng)答時自動開始錄音，形成語音數(shù)據(jù)隊(duì)列，通話結(jié)束后語音通話通過錄音文件寫入模塊存儲在電話錄音系統(tǒng)中，形成語音文件隊(duì)列，之后通過中文語音轉(zhuǎn)寫模塊將錄音文件轉(zhuǎn)成文字。日志記錄層中記錄了系統(tǒng)操作信息與操作錯誤信息，便于查詢出錯情況。錄音系統(tǒng)架構(gòu)圖如圖3所示。

電話錄音系統(tǒng)的界面如圖4所示。用戶可以通過展示界面查看錄音狀態(tài)，播放音頻文件，實(shí)現(xiàn)實(shí)時監(jiān)聽。用戶根據(jù)錄音時間查詢音頻文件，系統(tǒng)采用多線程技術(shù)，實(shí)現(xiàn)對同時錄音的多部電話的并行控制，統(tǒng)一管理位于不同空間的電話。該系統(tǒng)還可通過語音識別將語音數(shù)據(jù)轉(zhuǎn)換為文字，用戶可以將音頻文件和文字文件備份到U盤上，實(shí)現(xiàn)脫機(jī)查詢[4]。

3 " "測試結(jié)果

經(jīng)過測試，本系統(tǒng)的語音識別率相比其他系統(tǒng)提升了5%～10%，反應(yīng)時間也縮短了。與原有的錄音系統(tǒng)相比，本系統(tǒng)可以在手機(jī)上進(jìn)行操作，便攜程度提高，同時語音識別率較高，可以將語音轉(zhuǎn)化為對應(yīng)的文字，快速識別語音內(nèi)容是否合規(guī)，并結(jié)合南方電網(wǎng)的調(diào)度規(guī)范等規(guī)章制度進(jìn)行判斷。

錄音設(shè)備在輸入語音信號后進(jìn)行語音錄制與語音識別，之后將錄制的語音與語音識別轉(zhuǎn)換的文字上傳至系統(tǒng)，用戶可以通過人機(jī)交互終端查詢錄音結(jié)果。錄音流程如圖5所示。

基于樹莓派的電話錄音系統(tǒng)可以通過電腦、手機(jī)等終端訪問，將語音轉(zhuǎn)為對應(yīng)的文字，應(yīng)用在調(diào)度臺、變電站里可以保存錄音數(shù)據(jù)，更方便工作人員保留錄音證據(jù)，對用電話進(jìn)行的工作許可可以更好地進(jìn)行監(jiān)督，提升了工作效率。

該電話錄音系統(tǒng)占地面積小，終端設(shè)備的屏幕大小是7英寸，設(shè)備具有USB和RJ11等接口，可以連接電話、U盤等設(shè)備，以此記錄保存語音通話。

4 " "結(jié)語

本文設(shè)計(jì)的基于樹莓派的電話錄音系統(tǒng)使用了隱馬爾可夫模型和深度學(xué)習(xí)等技術(shù)，錄音效果好，語音識別準(zhǔn)確率高。另外，本系統(tǒng)解決了傳統(tǒng)錄音系統(tǒng)占地面積過大的問題，操作方式簡單，適用于變電站、調(diào)度臺等場合。除了電力行業(yè)以外，系統(tǒng)還適用于鐵路、石油、公安等行業(yè)的調(diào)度指揮中心和客戶服務(wù)中心。

[參考文獻(xiàn)]

[1] 安瑩，吳先梅，藍(lán)俊歡，等.基于樹莓派的智能語音控制系統(tǒng)的設(shè)計(jì)[J].電子世界，2018（16）：169.

[2] 梁靜.基于深度學(xué)習(xí)的語音識別研究[D].北京：北京郵電大學(xué)，2014.

[3] 李云紅，梁思程，賈凱莉，等.一種改進(jìn)的DNN-HMM的語音識別方法[J].應(yīng)用聲學(xué)，2019，38（3）：371-377.

[4] 趙華璞.電話錄音系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2010.

收稿日期：2022-09-26

作者簡介：陳健（1986—），男，廣東英德人，高級工程師，研究方向：電力通信。

劉清心（1998—），女，廣東潮州人，見習(xí)生，研究方向：電力通信。