高级人工智能之语音识别

这章是将前面学的一些处理综合起来，设计出一个语音识别系统，判断当前语音的匹配度。

很多知识是和我前面总结的CMSC5707是重合的，因此笔者只关注其中不太相同的部分。

语音识别预处理

进行语音识别的过程主要如下：

1. 首尾端点检测 endpoint detection
2. 预加重 pre-emphasis
3. 加窗分帧 frame blocking and windowing
4. 特征提取 feature extraction，在课间中用的是Mel频率倒谱系数（MFCC）特征提取。
5. 失真测量 distortion measure

关于第1步，首尾端点检测其实就是为了检测在一段语音（一般有多帧）中开始和结束的位置，方便我们分析。其需要统计帧的累积能量以及该帧中过零点的个数，过零点定义如下，直观理解下，开始位置的能量会增高，同时过零点数目变多；结束的位置的能量会降低，同时过零点数量也会降低。

找starting point， 假设一帧the time frame length =20 ms, and non-overlapping =10 ms，需要统计出连续帧（比如3个连续帧）的能量energy以及过零点数目zero crossing count，当这连续帧的能量和过零点都超过某个阈值，则可认为当前第一帧的第一个时间点，为starting point。
当3个连续帧，第一个帧id=32，找starting point的流程如下：

if (

E(i=32)> e_threshold  and ZC(i=32) > zc_threshold ) and

and (E(i=33)> e_threshold  and ZC(i=33) > zc_threshold) and

and (E(i=34)> e_threshold  and ZC(i=34) > zc_threshold)

) then the starting time (in seconds) of the 32th frame is the starting point

其中一帧的能量E(i)=0.5*sum(s(k)*s(k))

找ending point就是找连续低于阈值的时候。

关于第2，3步，在我之前CMSC5707的文章中有讲到。

关于第4步，MFCC特征提取相当于在之前倒谱分析的过程中加入了一层Mel滤波，之前倒谱分析参考我的上一篇文章CMSC5707-高级人工智能之音频信号特征提取，加入Mel滤波的MFCC特征提取的步骤如下：

1. 先对语音进行预加重、分帧和加窗（预处理，还未进入特征提取）；
2. 对每一个分帧窗口，通过傅立叶变换FFT得到对应的频谱；将上面的频谱通过Mel滤波器组得到Mel频谱；
3. 在Mel频谱上面进行倒谱分析（取对数，做逆变换，实际逆变换一般是通过DCT离散余弦变换来实现），获得Mel频率倒谱系数MFCC，这个MFCC就是这帧语音的特征。通过Matlab的htk-mfcc tool可以从.wav文件中提取出13个MFCC系数组成的向量，第一个系数是关于这一帧的能量energy term，与波谱分析信息无关，因此取其中的第2个到第13个系数作为音帧的特征系数。
   
   
   关于第5步，就可以用上面提取出来的关于每一个frame的特征向量，衡量两个信号的差异。主要就是两个特征向量(c1,c2...c13)和(c1',c2'...c13')分量差距的累加和。
   

语音识别配对

在经过上面的预处理后，就可以进入语音识别阶段speech recognization了。针对已有的标准的样本（reference sample/ template sample）与一个待识别的输入（unknown input），已经可以计算出它们不同帧之间组成的差异矩阵distortion matrix了，问题是如何进行匹配，因为其中最难处理的就是不同语音之间的时间对齐，也就是不同语音对应音帧的时间是不完全相同的。课件中采取了一种动态规划Dynamic Programming的方法，进行弹性匹配，如下图所示。

在Accumulated distortion score matrix中找到累加差异的最小值optimal score，然后从这里开始回溯找到最佳匹配路径optimal path.

找到累加差异的最小值optimal score（最佳路径的终点）应该在最顶端一行top-row或者最靠近右边的一列right-most-column，其找到的最佳路径起点也应该在最底部一行bottom-row或者最靠近左边的一列left-most-cloumn的最小值。

但是也应该尽量让最佳匹配路径在下图中的白色区域，也就是最佳路径的终点也应在白色区域中。如果匹配的位置在黑色区域中，就会让匹配得到的输入未知序列input sequence和参考模板reference之间的长度差异过大，即使optimal score很小，这也不算是种好匹配。

习题1:


在有n个testing sample测试样本set B和有n个reference sample模板样本 set A的时候，我们可以通过绘制混淆矩阵，如下图，来表示每个测试样本和模板样本之间的差异，这也是最后在作业中展现结果的一种方式。混淆矩阵大小为n*n，每个格子填的是对应reference/input pair计算出来的累加差异的最小值optimal score.

由于测试样本和模板样本的特征表示都不一样，因此每个格子的值应该都不一样，但可以想到的是，对应同一类的声音，它们之间的差异值应该是最小的。