一种低成本语音识别解决方案*

2019-12-11 02:23张鹤鸣

通信技术 2019年12期

张鹤鸣，邓军

（中国电子科技集团公司第三十研究所，四川成都 610041）

0 引言

语音识别技术，又称为自动语音识别（Automatic Speech Recognition，ASR），它是以语音为研究对象，通过语音信号处理和模式识别让机器理解人类语言，并将其转换为计算机可输入的数字信号的一门技术。语音识别技术将繁琐的输入劳动交给机器处理，在解放人类双手的同时，还可以有效提高人机交互效率，在信息化高度发达的今天，已经成为信息社会不可或缺的组成部分。

语音识别引擎是ASR技术的核心模块，它可以工作在识别模式和命令模式。在识别模式下，引擎系统在后台提供词库和识别模板，用户无需对识别语法进行改动，根据引擎提供的语法模式即可完成既定的人机交互操作；但在命令模式下，用户需要构建自己的语法词典，引擎系统根据用户构建的语法词典，将匹配度最高的识别结果提供给用户。

今天，ASR技术已经被应用到各种智能终端，为人们提供了一种崭新的人机交互体验，但多数都是基于在线引擎实现。本文针对离线网络环境，结合特定领域内的应用场景，提出了一套实用性强，成本较低的语音识别解决方案，实现非特定人连续语音识别功能。第二章本文从方案的主要功能模块入手，对涉及到的关键要素进行详细的分析描述，同时对实现过程中的关键事项进行具体分析，并提出应对措施。第三章根据方案设计语音拨号软件，并对语音拨号软件的功能进行科学的测试验证。最后一章对全文进行总结。

1 低成本的语音识别解决方案

（1）主要功能划分

在特定领域内的语音识别，主要以命令发布为主，以快捷实现人机交互为目的。比如在电话通信领域，我们常以“呼叫某某某”、“帮我查找某某某电话”为语音输入，这些输入语音语法结构单一，目的明确，场景性较强，本方案决定采用命令模式实现语音识别功能。方案主要包括四个功能模块：语音控制模块、音频采集模块、语音识别离线引擎和应用数据库模块，各模块的主要功能及要求如图1所示。

图1 低成本语音识别解决方案功能模块

语音控制模块作为方案实现的核心模块，主要用于实现语音识别的控制管理功能，包括语法词典的构建、语音识别引擎的初始化配置、音频数据的采集控制和基本语义的解析等；应用数据库是用户的数据中心，作为语音识别数据的源头，语音控制模块从中提取用户关键数据，并以此为基础构建本地语法词典；语音识别离线引擎是语音转换为文字的关键模块，支持在离线的情况下，根据本地构建的语法网络，完成非特定人连续语音识别功能，同时具备语音数据前、后端点检测、声音除噪处理、识别门限设置等基本功能；音频采集在本方案中属于辅助模块，具备灵活、便捷的语音控制接口，支持在不同采样要求和采样环境中，对实时音频数据的采集。

（2）关键要素分析

本方案工作于离线的网络环境中，语音数据的采集、识别和语义的解析等功能都在终端完成，因此设备性能的优化和语音识别的精准度尤为重要。在具体的实现过程中，存在以下要素需要重点关注。

1）用户构建的语法文档在引擎系统初始化时，编译成语法网络送往语音识别器，语音识别器根据语音数据的特征信息，在识别网络上进行路径匹配，识别并提取用户语音数据的真实信息，因此语法文档的语法结构是否合理，直接关系到识别准确率的高低；

2）应用数据库是作为语音识别数据的源头，其中的关键数据如果有变化，需要及时同步更新本地语法词典，以保证离线语音识别的精准度；

3）音频数据在离线引擎中的解析占用CPU资源，因此音频采集模块在数据采集时，需要开启静音检测功能，将首端的静音切除，不仅可以为语音识别排除干扰，同时能有效降低离线引擎对处理器的占用率；

4）为保证功能的实用性和语音识别的精准度，需要在语音采集过程中增加异常处理操作。首先在离线引擎中需要开启后端静音检测功能，若在规定时间内，未收到有效语音数据，则自动停止本次语音识别；其次，需要在离线引擎中开启识别门限控制，如果识别结果未能达到所设定的门限，则本次语音识别失败；

5）通过语音识别接口，向引擎系统获取语音识别结果时，需要反复调用以取得引擎系统的识别状态，在这个过程中，应适当降低接口的调用频率，以防止CPU资源的浪费。

2 语音呼叫软件的实现

语音呼叫软件广泛应用于电话通信领域，是一款典型的在特定领域内，实现非特定人连续语音识别功能的应用软件。由于其部署场景较多，部分场景处于离线的网络环境中，适合采用本方案进行软件设计。

2.1 软件实现

在语音呼叫软件中，语音识别准确率的高低是影响方案可行性的关键要素，离线引擎作为语音识别的核心，它的工作性能直接关系到软件的可用性。本软件在实现过程中，选用业界口碑较好的讯飞离线语音识别库，该库采用巴科斯范式语言描述语音识别的语法，可以支持的离线命令词的集合，满足语音拨号软件的工作需求。其中，编写的语法文档[1]主要部分如下：

!start ＜callstart＞;

＜callstart＞：[＜want＞]＜dial＞;

＜want＞：我想 |我要 |请 |帮我 ;

＜dial＞：＜dialpre＞＜contact＞[＜dialsuf＞];

＜dialpre＞：给 !id(10001)|打给 !id(10001)|打电话给!id(10001)|拨打!id(10001)|呼叫!id(10001);

＜contact＞：丁伟 |李平 ;

本文件覆盖了电话呼叫过程中的基本语法，其中＜contact＞中的数据，需要根据用户数据库进行补充，其它＜want＞、＜dialpre＞、＜dialsuf＞中的内容，用户根据自己的生活习惯和工作需要进行完善。另外，语音拨号软件的应用数据库为电话薄数据库，电话薄中的用户姓名是构建语法文档的关键数据；音频采集模块采用增强型Linux声音架构ALSA库实现。

图2 语音拨号软件工作流程

2.2 软件工作流程

语音拨号软件的工作流程如图2所示，电话薄数据库、语音识别控制模块、讯飞离线识别引擎和ALSA库相互配合，共同完成语音识别的启动、识别和结束。具体流程如下：

（1）构建BNF文档：控制模块搜索本地电话薄数据库，导出用户数据信息，按照巴科斯范式语法，生成基于本地数据库的语法文档；

（2）初始化离线引擎：初始化讯飞离线语音库，根据本地生成的语法文档，构建语法网络，输入语音识别器中；

（3）初始化声音驱动：根据离线引擎的要求，初始化ALSA库；

（4）启动数据采集：如果有用户有语音识别请求，语音控制模块启动实时语音采集程序；

（5）静音切除：在语音数据的前端，可能存在部分静音数据，ALSA库开启静音检测功能，将静音数据切除后传送至语音识别引擎；

（6）语音识别状态检测：语音控制模块定时检测引擎系统的语音识别状态，当离线引擎有结果输出时，提取语音识别结果；

（7）结束语音采集：语音控制模块通知ALSA，终止实时语音数据的采集；

（8）语义解析：语音控制模块根据语音识别的结果，完成语义解析，根据＜dialpre＞和＜dialsuf＞的内容，确定用户需求，根据＜contact＞的内容，确认用户信息；

（9）语音识别结束：语音控制模块将语义解析的结果上传至用户模块，同时结束本次语音识别。

2.3 测试验证

语音识别准确率的高低是影响方案可行性的关键要素，根据项目需求，分别在中等、低等噪音的办公室环境中，对语音拨号软件功能进行科学的测试验证。测试人员共20人，主要来自四川、陕西、河南等地，以正常交流的语速进行测试。测试数据中包括90组电话薄数据库中存在的数据，10组数据库中不存在的数据[2]，测试结果如表1所示。

表1 语音拨号软件测试结果

3 结语

本文提出的语音识别解决方案，可以在离线的环境中实现连续语音识别功能，不仅适应性较强，而且能够降低使用成本。根据表1的测试结果表明，本方案语音识别正确率较高，可以满足项目需求并达到实用的程度。