Matlab在语音识别中的应用.docx
《Matlab在语音识别中的应用.docx》由会员分享，可在线阅读，更多相关《Matlab在语音识别中的应用.docx（51页珍藏版）》请在冰豆网上搜索。
Matlab在语音识别中的应用
1.基于GUI的音频采集处理系统
注：
本实验是对“东、北、大、学、中、荷、学、院”孤立文字的识别！
首先是GUI的建立，拖动所需控件，双击控件，修改控件的参数；主要有stringTag（这个是回调函数的依据），其中还有些参数如valuestyle也是需要注意的，这个在实际操作中不能忽视。
这里需要给说明一下：
图中所示按钮都是在一个按钮组里面，都属于按钮组的子控件。
所以在添加回调函数时，是在按钮组里面添加的，也就是说右击三个按钮外面的边框，选择ViewCallback——SelectionChange,则在主函数中显示该按钮的回调函数：
functionuipanel1_SelectionChangeFcn（hObject,eventdata,handles）
以第一个按钮“录音”为例讲解代码；
下面是“播放”和“保存”的代码：
以上就是语音采集的全部代码。
程序运行后就会出现这样的界面：
点击录音按钮，录音结束后就会出现相应波形：
点击保存，完成声音的保存，保存格式为.wav。
这就完成了声音的采集。
2.
声音的处理与识别
2.1打开文件
语音处理首先要先打开一个后缀为.wav的文件，这里用到的不是按钮组，而是独立的按钮，按钮“打开”的回调函数如下：
functionpushbutton1_Callback（hObject,eventdata,handles）
其中pushbutton1是“打开”按钮的Tag.
在回调函数下添加如下代码：
运行结果如图：
2.2预处理
回调函数如下：
functionpushbutton2_Callback（hObject,eventdata,handles）
运行结果如图：
2.3
短时能量
短时能量下的回调函数：
functionpushbutton3_Callback（hObject,eventdata,handles）
其回调函数下的代码是：
2.4
端点检测
这里要先声明一点，为了避免在以后的函数调用中，不能使用前面的变量，所以其实后面的函数都包含了前面的部分。
显而易见这样程序就会显得很冗长，这也是值得以后修改的地方。
functionpushbutton4_Callback（hObject,eventdata,handles）
2.5
生成模版
本功能和上面重复的部分省略掉了，现在只补充添加的代码：
2.6
语音识别
将打开的语音与提前录好的语音库进行识别，采用的是DTW算法。
识别完后就会在相应的文本框里显示识别的文字。
代码如下：
程序运行前后的对比图：
GUI的整体效果图：
总结
实验已经实现了对“东、北、大、学、中、荷、学、院”文字的识别，前提是用模版的语音作为样本去和语音库测试，这已经可以保证１００％的正确率，这说明算法是正确的，只是需要优化。
而现场录音和模版匹配时，则不能保证较高的正确率，这说明特征参数的提取这方面还不够完善。
特征参数提取的原则是类内距离尽量小，类间距离尽量大的原则，这是需要以后完善的地方。
ＧＵＩ也需要优化，先生成一个模版库，然后用待测语音和模版库语音识别，让这个模版库孤立出来，不需要每次测试都要重复生成模版库，提高运算速率。
以后有机会可以实现连续语音的识别！
附件
这是全部代码文件
mfcc.mat文件是程序运行过程中生成的；
test文件夹里面存放了录音的模版：
这里是6个.M文件，如下：
1WienerScalart96.m
functionoutput=WienerScalart96（signal,fs,IS）
%output=WIENERSCALART96（signal,fs,IS）
%WienerfilterbasedontrackingaprioriSNRusingDecision-Directed
%method,proposedbyScalartetal96.Inthismethoditisassumedthat
%SNRpost=SNRprior+1.basedonthistheWienerFiltercanbeadaptedtoa
%modellikeEphraimsmodelinwhichwehaveagainfunctionwhichisa
%functionofaprioriSNRandaprioriSNRisbeingtrackedusingDecision
%Directedmethod.
%Author:
EsfandiarZavarehei
%Created:
MAR-05
if（nargin<3|isstruct（IS））
IS=.25;%InitialSilenceorNoiseOnlypartinseconds
end
W=fix（.025*fs）;%Windowlengthis25ms
SP=.4;%Shiftpercentageis40%（10ms）%Overlap-Addmethodworksgoodwiththisvalue（.4）
wnd=hamming（W）;
%IGNOREFROMHERE...............................
if（nargin>=3&isstruct（IS））%Thisoptionisforcompatibilitywithanotherprogramme
W=IS.windowsize
SP=IS.shiftsize/W;
%nfft=IS.nfft;
wnd=IS.window;
ifisfield（IS,'IS'）
IS=IS.IS;
else
IS=.25;
end
end
%......................................UPTOHERE
pre_emph=0;
signal=filter（[1-pre_emph],1,signal）;
NIS=fix（（IS*fs-W）/（SP*W）+1）;%numberofinitialsilencesegments
y=segment（signal,W,SP,wnd）;%Thisfunctionchopsthesignalintoframes
Y=fft（y）;
YPhase=angle（Y（1:
fix（end/2）+1,:
））;%NoisySpeechPhase
Y=abs（Y（1:
fix（end/2）+1,:
））;%Specrogram
numberOfFrames=size（Y,2）;
FreqResol=size（Y,1）;
N=mean（Y（:
1:
NIS）'）';%initialNoisePowerSpectrummean
LambdaD=mean（（Y（:
1:
NIS）'）.^2）';%initialNoisePowerSpectrumvariance
alpha=.99;%usedinsmoothingxi（ForDeciesionDirectedmethodforestimationofAPrioriSNR）
NoiseCounter=0;
NoiseLength=9;%Thisisasmoothingfactorforthenoiseupdating
G=ones（size（N））;%InitialGainusedincalculationofthenewxi
Gamma=G;
X=zeros（size（Y））;%InitializeX（memoryallocation）
h=waitbar（0,'Wait...'）;
fori=1:
numberOfFrames
%%%%%%%%%%%%%%%%VADandNoiseEstimationSTART
ifi<=NIS%IfinitialsilenceignoreVAD
SpeechFlag=0;
NoiseCounter=100;
else%ElseDoVAD
[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad（Y（:
i）,N,NoiseCounter）;%MagnitudeSpectrumDistanceVAD
end
ifSpeechFlag==0%IfnotSpeechUpdateNoiseParameters
N=（NoiseLength*N+Y（:
i））/（NoiseLength+1）;%Updateandsmoothnoisemean
LambdaD=（NoiseLength*LambdaD+（Y（:
i）.^2））./（1+NoiseLength）;%Updateandsmoothnoisevariance
end
%%%%%%%%%%%%%%%%%%%VADandNoiseEstimationEND
gammaNew=（Y（:
i）.^2）./LambdaD;%ApostirioriSNR
xi=alpha*（G.^2）.*Gamma+（1-alpha）.*max（gammaNew-1,0）;%DecisionDirectedMethodforAPrioriSNR
Gamma=gammaNew;
G=（xi./（xi+1））;
X（:
i）=G.*Y（:
i）;%ObtainthenewCleanedvalue
waitbar（i/numberOfFrames,h,num2str（fix（100*i/numberOfFrames）））;
end
close（h）;
output=OverlapAdd2（X,YPhase,W,SP*W）;%Overlap-addSynthesisofspeech
output=filter（1,[1-pre_emph],output）;%UndotheeffectofPre-emphasis
functionReconstructedSignal=OverlapAdd2（XNEW,yphase,windowLen,ShiftLen）;
%Y=OverlapAdd（X,A,W,S）;
%Yisthesignalreconstructedsignalfromitsspectrogram.Xisamatrix
%witheachcolumnbeingthefftofasegmentofsignal.Aisthephase
%angleofthespectrumwhichshouldhavethesamedimensionasX.ifitis
%notgiventhephaseangleofXisusedwhichinthecaseofrealvaluesis
%zero（assumingthatitsthemagnitude）.Wisthewindowlengthoftime
%domainsegmentsifnotgiventhelengthisassumedtobetwiceaslongas
%fftwindowlength.Sistheshiftlengthofthesegmentationprocess（for
%exampleinthecaseofnonoverlappingsignalsitisequaltoWandinthe
%caseof%50overlapisequaltoW/2.ifnotgivvenW/2isused.Yisthe
%reconstructedtimedomainsignal.
%Sep-04
%EsfandiarZavarehei
ifnargin<2
yphase=angle（XNEW）;
end
ifnargin<3
windowLen=size（XNEW,1）*2;
end
ifnargin<4
ShiftLen=windowLen/2;
end
iffix（ShiftLen）~=ShiftLen
ShiftLen=fix（ShiftLen）;
disp（'Theshiftlengthhavetobeanintegerasitisthenumberofsamples.'）
disp（['shiftlengthisfixedto'num2str（ShiftLen）]）
end
[FreqResFrameNum]=size（XNEW）;
Spec=XNEW.*exp（j*yphase）;
ifmod（windowLen,2）%ifFreqResolisodd
Spec=[Spec;flipud（conj（Spec（2:
end,:
）））];
else
Spec=[Spec;flipud（conj（Spec（2:
end-1,:
）））];
end
sig=zeros（（FrameNum-1）*ShiftLen+windowLen,1）;
weight=sig;
fori=1:
FrameNum
start=（i-1）*ShiftLen+1;
spec=Spec（:
i）;
sig（start:
start+windowLen-1）=sig（start:
start+windowLen-1）+real（ifft（spec,windowLen））;
end
ReconstructedSignal=sig;
functionSeg=segment（signal,W,SP,Window）
%SEGMENTchopsasignaltooverlappingwindowedsegments
%A=SEGMENT（X,W,SP,WIN）returnsamatrixwhichitscolumnsaresegmented
%andwindowedframesoftheinputonedimentionalsignal,X.Wisthe
%numberofsamplesperwindow,defaultvalueW=256.SPistheshift
%percentage,defaultvalueSP=0.4.WINisthewindowthatismultipliedby
%eachsegmentanditslengthshouldbeW.thedefaultwindowishamming
%window.
%06-Sep-04
%EsfandiarZavarehei
ifnargin<3
SP=.4;
end
ifnargin<2
W=256;
end
ifnargin<4
Window=hamming（W）;
end
Window=Window（:
）;%makeitacolumnvector
L=length（signal）;
SP=fix（W.*SP）;
N=fix（（L-W）/SP+1）;%numberofsegments
Index=（repmat（1:
W,N,1）+repmat（（0:
（N-1））'*SP,1,W））';
hw=repmat（Window,1,N）;
Seg=signal（Index）.*hw;
function[NoiseFlag,SpeechFlag,NoiseCounter,Dist]=vad（signal,noise,NoiseCounter,NoiseMargin,Hangover）
%[NOISEFLAG,SPEECHFLAG,NOISECOUNTER,DIST]=vad（SIGNAL,NOISE,NOISECOUNTER,NOISEMARGIN,HANGOVER）
%SpectralDistanceVoiceActivityDetector
%SIGNAListhethecurrentframesmagnitudespectrumwhichistolabeldas
%noiseorspeech,NOISEisnoisemagnitudespectrumtemplate（estimation）,
%NOISECOUNTERisthenumberofimediatepreviousnoiseframes,NOISEMARGIN
%（default3）isthespectraldistancethreshold.HANGOVER（default8）is
%thenumberofnoisesegmentsafterwhichtheSPEECHFLAGisreset（goesto
%zero）.NOISEFLAGissettooneifthethesegmentislabeldasnoise
%NOISECOUNTERreturnsthenumberofpreviousnoisesegments,thisvalueis
%reset（tozero）wheneveraspeechsegmentisdetected.DISTisthe
%spectraldistance.
%SaeedVaseghi
%editedbyEsfandiarZavarehei
%Sep-04
ifnargin<4
NoiseMargin=3;
end
ifnargin<5
Hangover=8;
end
ifnargin<3
NoiseCounter=0;
end
FreqResol=length（signal）;
SpectralDist=20*（log10（signal）-log10（noise））;
SpectralDist（find（SpectralDist<0））=0;
Dist=mean（SpectralDist）;
if（DistNoiseFlag=1;
NoiseCounter=NoiseCounter+1;
else
NoiseFlag=0;
NoiseCounter=0;
end
%Detectnoiseonlyperiodsandattenuatethesignal
if（NoiseCounter>Hangover）
SpeechFlag=0;
else
SpeechFlag=1;
end
2mfcc.m
functioncc=mfcc（k）
%------------------------------
%cc=mfcc（k）计算语音k的MFCC系数
%------------------------------
%M为滤波器个数，N为一帧语音采样点数
M=24;N=256;
%归一化mel滤波器组系数
bank=melbankm（M,N,22050,0,0.5,'m'）;
figure;
plot（linspace（0,N/2,129）,bank）;
title（'Mel-SpacedFilterbank'）;
xlabel（'Frequency[Hz]'）;
bank=full（bank）;
bank=bank/max（bank（:
））;
%DCT系数,12*24
fori=1:
12
j=0:
23;
dctcoef（i,:
）=cos（（2*j+1）*i*pi/（2*24））;
end
%归一化倒谱提升窗口
w=1+6*sin（pi*[1:
12]./12）;
w=w/max（w）;
%预加重
AggrK=double（k）;
AggrK=filter（[1,-0.9375],1,AggrK）;
%分帧
FrameK=enframe（AggrK,N,80）;
%加窗
fori=1:
size（FrameK,1）
FrameK（i,:
）=（FrameK（i,:
））'.*hamming（N）;
end
FrameK=FrameK';
%计算功率谱
S=（abs（fft（FrameK）））.^2;
disp（'显示功率谱……'）
figure;
plot（S）;
axis（[1,size（S,1）,0,2]）;
title（'PowerSpectrum（M=24,N=256）'）;
xlabel（'Frame'）;
ylabel（'Frequency[Hz]'）;
colorbar;
%将功率谱通过滤波器组
P=bank*S（1:
129,:
）;
%取对数后作离散余弦变换
D=dctcoef*log（P）;
%倒谱提升窗
fori=1:
size（D,2）
m（i,:
）=（D（:
i）.*w'）';
end
%差分系数
dtm=zeros（size（m））;
fori=3:
size（m,1）-2
dtm（i,:
）=-2*m（i-2,:
）-m（i-1,:
）+m（i+1,:
）+2*m（i+2,:
）;
end
dtm=dtm/3;
%合并mfcc参数和一阶差分mfcc参数
cc=[m,dtm];
%去除首尾两帧，因为这两帧的一阶差分参数为0
cc=cc（3:
size（m,1）-2,:
）;
3getpoint.m
function[StartPoint,EndPoint]=getpoint（k,fs）
%UNTITLED此处显示有关此函数的摘要
%此处显示详细说明
signal=WienerScalart96（k,fs）;
sigLength=length（signal）;%计算信号长度
t=（0:
sigLength-1）/fs;%计算信号对应时间坐标
FrameLen=round（（0.012/max（t））*sigLength）;%定义每一帧长度
FrameInc=round（FrameLen/3）;%每一帧的重叠区域，选为帧长的1/3~1/2
tmp=enframe（signal（1:
end）,FrameLen,FrameInc）;
升级会员 