Matlab语音识别系统(源代码)

目录

• 设计任务及要求………………………………………………1
• 语音识别的简单介绍

语者识别的概念……………………………………………2

  特征参数的提取……………………………………………3

  用矢量量化聚类法生成码本………………………………3

  的说话人识别 …………………………………………4

• 算法程序分析

函数关系………………………………………………….4

    代码说明……………………………………………………5

    函数mfcc………………………………………………5

    函数disteu……………………………………………5

    函数vqlbg…………………………………………….6

函数test………………………………………………6

函数testDB……………………………………………7

     函数train……………………………………………8

 函数melfb………………………………………………8

• 演示分析…………………………………………………….9
• 心得体会…………………………………………………….11

附：GUI程序代码………………………………………………12

• 设计任务及要求

用MATLAB实现简单的语音识别功能；

具体设计要求如下：

  用MATLAB实现简单的数字1~9的语音识别功能。

• 语音识别的简单介绍

基于VQ的说话人识别系统，矢量量化起着双重作用。在训练阶段，把每一个说话者所提取的特征参数进行分类，产生不同码字所组成的码本。在识别(匹配)阶段，我们用VQ方法计算平均失真测度(本系统在计算距离d时，采用欧氏距离测度)，从而判断说话人是谁。

语音识别系统结构框图如图1所示。

图1 语音识别系统结构框图

语者识别的概念

语者识别就是根据说话人的语音信号来判别说话人的身份。语音是人的自然属性之一，由于说话人发音器官的生理差异以及后天形成的行为差异，每个人的语音都带有强烈的个人色彩，这就使得通过分析语音信号来识别说话人成为可能。用语音来鉴别说话人的身份有着许多独特的优点，如语音是人的固有的特征，不会丢失或遗忘；语音信号的采集方便，系统设备成本低；利用电话网络还可实现远程客户服务等。因此，近几年来，说话人识别越来越多的受到人们的重视。与其他生物识别技术如指纹识别、手形识别等相比较，说话人识别不仅使用方便，而且属于非接触性，容易被用户接受，并且在已有的各种生物特征识别技术中，是唯一可以用作远程验证的识别技术。因此，说话人识别的应用前景非常广泛：今天，说话人识别技术已经关系到多学科的研究领域，不同领域中的进步都对说话人识别的发展做出了贡献。说话人识别技术是集声学、语言学、计算机、信息处理和人工智能等诸多领域的一项综合技术，应用需求将十分广阔。在吃力语音信号的时候如何提取信号中关键的成分尤为重要。语音信号的特征参数的好坏直接导致了辨别的准确性。

特征参数的提取

对于特征参数的选取，我们使用mfcc的方法来提取。MFCC参数是基于人的听觉特性利用人听觉的屏蔽效应，在Mel标度频率域提取出来的倒谱特征参数。 

MFCC参数的提取过程如下： 

1. 对输入的语音信号进行分帧、加窗，然后作离散傅立叶变换，获得频谱分布信息。 

设语音信号的DFT为：

（1）

其中式中x(n)为输入的语音信号，N表示傅立叶变换的点数。 

1. 再求频谱幅度的平方，得到能量谱。 
2. 将能量谱通过一组Mel尺度的三角形滤波器组。 

我们定义一个有M个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为f(m),m=1,2,3,···，M

本系统取M=100。

1. 计算每个滤波器组输出的对数能量。 

        （2）

其中

为三角滤波器的频率响应。 

1. 经过离散弦变换（DCT）得到MFCC系数。

 MFCC系数个数通常取20—30，常常不用0阶倒谱系数，因为它反映的是频谱能量，故在一般识别系统中，将称为能量系数，并不作为倒谱系数，本系统选取20阶倒谱系数。

用矢量量化聚类法生成码本

我们将每个待识的说话人看作是一个信源，用一个码本来表征。码本是从该说话人的训练序列中提取的MFCC特征矢量聚类而生成。只要训练的序列足够长，可认为这个码本有效地包含了说话人的个人特征，而与讲话的内容无关。 

本系统采用基于分裂的LBG的算法设计VQ码本，

为训练序列，B为码本。 

具体实现过程如下： 

1. 取提取出来的所有帧的特征矢量的型心(均值)作为第一个码字矢量B1。
2. 将当前的码本Bm根据以下规则分裂，形成2m个码字。 

• 

              （4）

其中m从1变化到当前的码本的码字数，ε是分裂时的参数，本文ε=。 

1. 根据得到的码本把所有的训练序列(特征矢量)进行分类，然后按照下面两个公式计算训练矢量量化失真量的总和

   

   以及相对失真(n为迭代次数，初始n=0，

   

   =∞，B为当前的码书)，若相对失真小于某一阈值ε，迭代结束，当前的码书就是设计好的2m个码字的码书，转５。否则，转下一步。 

量化失真量和： 

     （5）

相对失真： 

              （6）

    4. 重新计算各个区域的新型心，得到新的码书，转3。 

5. 重复２ ，３ 和４步，直到形成有M个码字的码书(M是所要求的码字数)，其中D0=10000。

  VQ的说话人识别

设是未知的说话人的特征矢量

，共有T帧是训练阶段形成的码书，表示码书第m个码字，每一个码书有M个码字。再计算测试者的平均量化失真D，并设置一个阈值，若D小于此阈值，则是原训练者，反之则认为不是原训练者。

 （7）

• 算法程序分析

在具体的实现过程当中，采用了matlab软件来帮助完成这个项目。在matlab中主要由采集，分析，特征提取，比对几个重要部分。以下为在实际的操作中，具体用到得函数关系和作用一一列举在下面。

函数关系

主要有两类函数文件和

在调用获取训练录音的vq码本，而调用获取单个录音的mel倒谱系数，接着调用将能量谱通过一组Mel尺度的三角形滤波器组。

在函数文件中调用计算训练录音（提供vq码本）与测试录音（提供mfcc）mel倒谱系数的距离，即判断两声音是否为同一录音者提供。调用获取单个录音的mel倒谱系数。调用将能量谱通过一组Mel尺度的三角形滤波器组。

具体代码说明

函数mffc:

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);  %对矩阵M赋值

end

end

h = hamming(n);    %加 hamming 窗，以增加音框左端和右端的连续性

M2 = diag(h) * M;

for i = 1:nbFrame

frame(:,i) = fft(M2(:, i));  %对信号进行快速傅里叶变换FFT  

end

t = n / 2;

tmax = l / fs;

m = melfb(20, n, fs); %将上述线性频谱通过Mel 频率滤波器组得到Mel 频谱,下面在将其转化成对数频谱

n2 = 1 + floor(n / 2);

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

r = dct(log(z));  %将上述对数频谱，经过离散余弦变换(DCT)变换到倒谱域，即可得到Mel 倒谱系数(MFCC参数)

函数disteu

---计算测试者和模板码本的距离

function d = disteu(x, y)

[M, N] = size(x);  %音频x赋值给【M，N】

[M2, P] = size(y); %音频y赋值给【M2，P】

if (M ~= M2)

    error('不匹配！')  %两个音频时间长度不相等

end

d = zeros(N, P);

if (N < P)%在两个音频时间长度相等的前提下

    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%%成对欧氏距离的两个矩阵的列之间的距离

end

d = d.^;

函数vqlbg

---该函数利用矢量量化提取了音频的vq码本