论文部分内容阅读
目前实验室条件下的语音识别系统已经能做到大词汇量连续词识别,并且可以取得较高的识别率。但是脱离实验室环境,由于环境的影响,其性能往往急剧下降,因此鲁棒语音识别一直是研究的热点。而随着嵌入式设备的发展和普及,在嵌入式上的语音识别系统又成为了语音识别发展的新方向。 本文研究基于模型自适应的鲁棒语音识别系统在嵌入式上的实现。主要内容有以下几个方面: 首先研究了语音识别系统的原理和结构,并详细介绍了其中的关键技术——MFCC参数提取。研究了鲁棒语音识别系统的构成和其主要实现方法,本文从前端特征空间和后端模型空间对鲁棒语音识别方法予以介绍。 接着介绍了基于矢量泰勒级数(VTS)的模型自适应算法。详细介绍了基于矢量泰勒级数(VTS)的模型自适应算法的原理。在MATLAB环境下用实验室录制的中文语音库进行仿真,结合NoiseX-92噪声库,在不同的信噪比下验证算法的性能。最终的结果显示本算法在噪声环境下有较好的识别性能,具有良好的鲁棒性。 最后在ARM板上实现了基于模型自适应的鲁棒语音识别系统。系统主要模块有:语音采集模块、端点检测模块、特征参数提取模块、模型自适应模块和识别模块。然后对ARM语音识别系统从时间和空间两方面予以优化。最终在ARM上实现的语音识别系统当信噪比为15dB时,其识别率在90%左右,识别时间在3s以内,达到了系统的预期目标。