编写自己的语音识别代码

问题描述

我想将语音识别用作硬件项目的一部分，我想完全将其包含在内（我使用的是低功耗，低速的小型设备，例如Arduino和Raspberry Pi，Kinects等，而不能运行具有涉及到一个操作系统（因此是一个封闭/自包含的项目）。

语音识别可能非常复杂，具体取决于您所需的复杂程度。我有一套相对简单的要求。我只想识别自己的声音，并且有一个小词典，我想识别20个左右的单词。因此，我不需要复杂的语音到文本和语音识别库，也不需要通过互联网搜索引擎找到的任何出色的第三方软件（不乏这些！）。我认为我的要求“足够简单”（在一定程度上），我可以编写自己的解决方案。我想知道是否有人编写了这样的自己的流程，我的方法是否存在严重缺陷？有没有更好的方法可以做到这一点，而无需高水平的数学知识或不必编写复杂的算法？ 这就是我尝试在下面考虑的解决方案。

解决方案说明

我将使用C语言编写此文档，但我希望讨论语言不可知的过程，重点是其自身的过程。因此，如果可以的话，让我们忽略它。

1。我将预先录制我的单词词典，以使其与口语相匹配。我们可以想象我有20个录音，记录了20个不同的单词，或者说是短短语或两个或三个单词的句子。我相信，这比实际将音频转换为文本并比较两个字符串要容易，比较两个录音文件的过程更容易。

2。麦克风已连接到运行我的代码的硬件设备。[1]。该代码连续获取固定长度的样本（例如长度为10毫秒），并以循环记录方式存储例如10个连续的样本。[2]。（我是在脑海中发明这些数字的，因此它们只是描述过程的示例）。

[1]这很可能通过带通滤波器和运算放大器进行连接，就像进行字典录音一样，以保持较小的存储和收集的音频样本。

[2]我不确定要如何采样，我需要制定一种方法，尽管我会产生一个表示10毫秒采样音频（也许是CRC值）的数字（整数/浮点/双精度）或音频样本的MD5和等）或数字流（可能是频率的音频读数流）。最终，“样本”将是一个或多个数字。这部分将涉及更多的硬件，因此这里不作讨论。

3。该代码查看它存储的10个连续样本，并寻找增加的音量以指示正在说一个单词或短语（从沉默中休息），然后增加连续样本的收集量，例如说500个样本。这意味着它将在10毫秒的样本中捕获5秒的音频。

这些样本或“片段”在存储的声音和捕获的声音之间进行比较。如果捕获的样本中有足够高的百分比与存储的等效样本匹配，则代码将采用相同的词。

The start of a store recording of the world "hello" for example,
stored words are split into 10 msec samples also

Stored Sample No           | 1| 2| 3| 4| 5| 6| 7|  8|
Stored Sample Value        |27|38|41|16|59|77|200|78|

Incoming audio (me saying "hello") with some "blank" samples
at the start to symbolise silence

Incoming Sample No         | 1| 2| 3| 4| 5| 6| 7| 8| 9|10| 11|12|
Incoming Sample Value      |  |  |  |20|27|38|46|16|59|77|200|78|

4。一旦代码收集了完整的样本流，便会在开始时砍掉空白样本，以产生以下音频记录。它还可以将样本集前后移动一些位置，以更好地与存储的样本对齐。

这将产生如下所示的样本集：

Stored Sample No           | 1| 2| 3| 4| 5| 6|  7| 8|
Stored Sample Value        |27|38|41|16|59|77|200|78|

Incoming Sample No      |-1| 1| 2| 3| 4| 5| 6|  7| 8|
Incoming Sample Value   |20|27|38|46|16|59|81|201|78|

5。我相信，通过为每个样本必须达到的接近程度设定一个百分比值，因此样本7的差值为1（小于％1），而样本总数的百分比值必须在其样本匹配百分比之内，代码的准确度很容易调整。

我以前从未用音频做过类似的事情，这可能是很多工作。这就是为什么我问这个问题的原因，如果您也许已经知道这个问题的答案很明显（无论答案是什么）。我希望这不会是一个计算量大的任务，因为我将要使用的某些硬件将是低速的东西。在数百兆赫兹中（也许使用超频的Rasp Pi达到1Ghz）。因此，这是使用较低的计算能力来匹配音频样本的一种相当粗糙的方法。我的目标不是立竿见影，但不到30秒就能获得不错的概念证明。

PS 我没有代表用新标签标记此，例如“音频”，“音频识别”，“语音”，“语音识别”等。

好吧，我不相信Arduino有能力做到这一点。它以16Mhz的速度运行Arduino具有大约32K的内存。尽管只有自己的声音，但即使以Mp3（小于wav）采样的20个单词也无法放入其中。

rasberi pi可以解决这个问题，其运行速度为700Mhz，具体取决于它可能具有512MB内存的版本。那仍然不是很多。

您可能需要付里叶（http://www.drdobbs.com/cpp/a-simple-and-efficiency-fft-implementatio/199500857）

或者，如果您打算使用体积，请对以前的样本进行一些平均，例如
x =（x + x [n-1] + x [n-2] + x [n-3]）/ 4 //那很简单需要更多

接下来需要做的是我想是否要绘制这些X值，那么就需要对该直线进行某种斜率检测，因为基于体积的检测命令在很大程度上取决于距离，而您希望检测到的模式话

然后，这取决于如何记录斜率，以使图案适合其他时间。我的意思是说的不是计算机可以匹配的准确速度，而且坡度可能更陡一些。最后，我认为这些线的陡峭程度及其y轴的长度应该在一定的平均值内

1. Arduino和Raspberry Pi正在制作带有少量芯片的原型板。您应该首先关注芯片。使用DSP（数字信号处理）工具箱查找某些东西，也许您已经有了DSP工具箱，却不知道。DSP工具箱具有待调用的算法，例如fft（快速傅立叶变换）和ifft（逆fft），用于快速频域分析。

2. 关注您的程序风格：您的样本是在堆栈中还是在队列中？您将需要此类数据的队列。队列如下所示：

   Position NO --|1|2|3|4|5|6|7|8|
   Sample Value  |5|7|9|1|2|2|9|8|
   

   下一次迭代：

   Position NO --|1|2|3|4|5|6|7|8|
   Sample Value  |0|5|7|9|1|2|2|9|
   ->  First in First out (FIFO)
   

   注意到事情如何向“正确”方向转变？我认为您描述了一种“圆形”算法。只需用第二个最旧的样本覆盖最旧的样本，然后用第三个最旧的样本覆盖第二个最旧的样本，一直到插入最新数据的队列的开始。

3. “代码连续获取固定长度的样本，例如10毫秒” <- 不正确地 思考：代码以每秒10000个样本的采样率离散地获取量化的（高度）样本，这使每个样本相距0.1毫秒。

   您的采样频率是多少？您的量化器的比特率是多少？较小的数字将帮助您释放内存。我建议使用较低的采样率，例如每秒6600个采样（奈奎斯特）。我怀疑4位（16个级别）足以识别。这样一来，每秒记录3300字节。现在执行fft并删除3300 Hz以上的所有内容（电话滤波器）。现在您有1650个字节用于一秒钟的声音。这些DSP技巧将节省大量内存。

   我不知道谁认为512 MB小。有了以上信息，记录了300,000+秒……超过3天的时间。

4. 我认为您会发现频域（通过使用fft）是执行语音识别的更好环境。

我希望我不会让你更困惑:)