基于輪式機(jī)器人平臺(tái)的語(yǔ)音識(shí)別系統(tǒng)

任麗莉，丁 浩，康 冰，閆冬梅

(1.長(zhǎng)春師范大學(xué)網(wǎng)絡(luò)中心，吉林長(zhǎng)春 130032；2.吉林大學(xué)通信工程學(xué)院，吉林長(zhǎng)春 130022；3.吉林大學(xué)大數(shù)據(jù)和網(wǎng)絡(luò)管理中心，吉林長(zhǎng)春 130012)

語(yǔ)音識(shí)別技術(shù)改變了人與計(jì)算機(jī)的互動(dòng)模式。人們只需動(dòng)動(dòng)口，就能打開或關(guān)閉程序，改變工作界面。這種使電腦人性化的結(jié)果是使人的雙手得到解放，使每個(gè)人都能操作和應(yīng)用計(jì)算機(jī)。這種變化不僅體現(xiàn)在計(jì)算機(jī)行業(yè)還體現(xiàn)在其它方面，比如電話手機(jī)、導(dǎo)航控制、檢索文件、控制儀器等。語(yǔ)音識(shí)別技術(shù)涉及很多領(lǐng)域的知識(shí)，語(yǔ)音識(shí)別技術(shù)與其他學(xué)科的科學(xué)技術(shù)相結(jié)合，可以構(gòu)建出更加復(fù)雜的系統(tǒng)。隨著技術(shù)的發(fā)展，語(yǔ)音識(shí)別系統(tǒng)應(yīng)用于機(jī)器人領(lǐng)域成為必然趨勢(shì)[1-3]。語(yǔ)音識(shí)別系統(tǒng)具有很強(qiáng)的專業(yè)性，有很強(qiáng)大的市場(chǎng)潛力。無(wú)論是目前還是未來(lái)，研制出識(shí)別能力強(qiáng)、識(shí)別語(yǔ)種多的語(yǔ)音識(shí)別系統(tǒng)，并將其應(yīng)用于機(jī)器人領(lǐng)域，對(duì)提高作業(yè)安全性、生產(chǎn)快捷性、操作簡(jiǎn)單性都有積極意義，在服務(wù)型機(jī)器人和家庭型機(jī)器人應(yīng)用方面更是有不可替代的作用。用戶可以通過(guò)語(yǔ)音識(shí)別交互系統(tǒng)直接控制機(jī)器人，省去了非語(yǔ)音識(shí)別機(jī)器人的復(fù)雜操作流程。像敬老院、醫(yī)院等場(chǎng)所可以通過(guò)安裝有語(yǔ)言識(shí)別系統(tǒng)的機(jī)器人完成老人、病人的無(wú)人化照顧，具有一定的現(xiàn)實(shí)意義。

1 語(yǔ)音識(shí)別原理

從根本上講，語(yǔ)音識(shí)別系統(tǒng)是一種特別的模式識(shí)別系統(tǒng)，由三個(gè)基本結(jié)構(gòu)單元組成，分別是參考模板庫(kù)、特征提取和模式匹配，基本結(jié)構(gòu)如圖1所示。

用戶通過(guò)語(yǔ)音輸入裝置輸入語(yǔ)音，將輸入語(yǔ)音轉(zhuǎn)換為電信號(hào)，并添加到語(yǔ)音識(shí)別系統(tǒng)的輸入端口。首先對(duì)信號(hào)進(jìn)行預(yù)處理。由特定算法提取出能夠有效地表現(xiàn)語(yǔ)音特征的特征參數(shù)，以區(qū)別不同的語(yǔ)音命令。然后將提取的特征參數(shù)與模板庫(kù)中以同一方法在訓(xùn)練階段保存的其它語(yǔ)音的特征參數(shù)進(jìn)行匹配，利用搜索匹配法進(jìn)行匹配比較之后將最佳結(jié)果作為識(shí)別結(jié)果，將識(shí)別結(jié)果輸出或存儲(chǔ)到其它操作中[4-5]。

2 系統(tǒng)整體設(shè)計(jì)

本系統(tǒng)設(shè)計(jì)更傾向于程序算法的設(shè)計(jì)，加之簡(jiǎn)單的組件添加。程序設(shè)計(jì)是在VC++6.0的MFC下進(jìn)行編程實(shí)現(xiàn)的，在設(shè)計(jì)過(guò)程中，硬件方面要求有一個(gè)帶有Windows操作系統(tǒng)的輪式機(jī)器人、一個(gè)裝有VC++6.0的Windows PC、一個(gè)電源、一個(gè)麥克風(fēng)裝置等。在MFC平臺(tái)中使用微軟語(yǔ)音SDK 5.1開發(fā)語(yǔ)音識(shí)別的主要步驟如下：下載安裝完程序后，首先配置VC環(huán)境，然后在編程前添加相應(yīng)的頭文件，再進(jìn)行程序編寫。其中，編程部分可分為文字轉(zhuǎn)語(yǔ)音(語(yǔ)音輸出)和語(yǔ)音識(shí)別兩部分。

2.1 文字轉(zhuǎn)語(yǔ)音

文字轉(zhuǎn)語(yǔ)音步驟如下：

(1)導(dǎo)入所需的語(yǔ)音頭文件。

(2)文字轉(zhuǎn)語(yǔ)音函數(shù)的設(shè)置。在這里調(diào)用CBodyBasics∶∶MSSSpeak(LPCTSTR speakContent)函數(shù)即可將需要輸出的文字轉(zhuǎn)為語(yǔ)音，speakContent為L(zhǎng)PCTSTR型的字符串。

(3)在進(jìn)行輸入輸出設(shè)置之前要用ISpVoice*pVoice=NULL指令進(jìn)行com初始化，并檢測(cè)是否成功給予反饋。

(4)獲取SpVoice接口，之后進(jìn)行語(yǔ)音輸出音量的設(shè)置，pVoice->SetVolume((USHORT)100)指令設(shè)置語(yǔ)音輸出的音量，其有效范圍是0至100，再用pVoice->SetRate(2)指令設(shè)置輸出語(yǔ)音的速度，其有效范圍是-10至10。

(5)利用pSpeech->Speak(L"……")指令輸出所需語(yǔ)音，“……”為輸出內(nèi)容。語(yǔ)音輸出功能整體代碼設(shè)置完畢后釋放com資源。至此文字轉(zhuǎn)語(yǔ)音編程設(shè)置完畢。

2.2 語(yǔ)音轉(zhuǎn)文字

語(yǔ)音轉(zhuǎn)文字步驟如下：

(1)首先設(shè)置工程屬性。在VC中打開屬性選項(xiàng)，打開配置屬性，點(diǎn)擊C/C++預(yù)處理器，點(diǎn)擊預(yù)處理器定義，勾選_WIN32_DCOM選項(xiàng)。若不如此設(shè)置編譯將無(wú)法通過(guò)。

(2)導(dǎo)入所需頭文件，語(yǔ)音頭文件庫(kù)、語(yǔ)音識(shí)別頭文件、要用的CString頭文件等。

(3)在程序的.h頭文件中定義變量，添加入頭文件后還需對(duì)頭文件中的變量進(jìn)行定義，否則在運(yùn)行時(shí)會(huì)出現(xiàn)錯(cuò)誤。需要定義的變量有：語(yǔ)音識(shí)別引擎(recognition)的接口、識(shí)別引擎上下文(context)的接口、識(shí)別文法(grammar)的接口、流()的接口、語(yǔ)音特征的(token)接口、音頻(Audio)的接口(用來(lái)保存原來(lái)默認(rèn)的輸入流)。

(4)進(jìn)行語(yǔ)音識(shí)別初始化函數(shù)創(chuàng)建。在創(chuàng)建之前與語(yǔ)音輸出部分相同要進(jìn)行com接口初始化，并檢測(cè)是否成功加以反饋。微軟語(yǔ)音識(shí)別開發(fā)包提供了兩種模式：一種是共享模式(Share)；另一種是獨(dú)享模式(InProc)。一般情況下選用共享模式，大型的服務(wù)程序使用獨(dú)立模式。本系統(tǒng)使用共享模式(Share)。具體的編程設(shè)置如下：利用hr=m_cpRecoEngine.CoCreateInstance(CLSID_SpSharedRecognizer)指令來(lái)創(chuàng)建共享模式，執(zhí)行完創(chuàng)建指令后要進(jìn)行檢測(cè)，檢查識(shí)別引擎是否創(chuàng)建成功。成功后進(jìn)行以下操作：首先創(chuàng)建識(shí)別上下文接口，再設(shè)置識(shí)別消息，隨后設(shè)置我們感興趣的事件，即需要識(shí)別的事件。要進(jìn)行語(yǔ)音識(shí)別需要在工程中添加需要的語(yǔ)音，也就需要?jiǎng)?chuàng)建語(yǔ)法規(guī)則C&C命令式，此時(shí)語(yǔ)法文件使用xml格式，具體在(6)中介紹。創(chuàng)建語(yǔ)法規(guī)則后要加載語(yǔ)法才能使用，在進(jìn)行識(shí)別前,首先要激活語(yǔ)音識(shí)別函數(shù)，之后再進(jìn)行識(shí)別，在主體程序設(shè)置完畢后釋放com資源。至此語(yǔ)音識(shí)別部分編程設(shè)置完畢。

(5)定義消息處理函數(shù)。消息處理函數(shù)需要和上文所述的其他代碼放在一起。根據(jù)本文上述部分進(jìn)行編程，在其后添加修改消息反應(yīng)模塊即可實(shí)現(xiàn)所需功能。先參照前文進(jìn)行語(yǔ)音識(shí)別部分的編程設(shè)置，當(dāng)輸入語(yǔ)音后系統(tǒng)進(jìn)行識(shí)別，取出識(shí)別結(jié)果等待消息反應(yīng)模塊做出反應(yīng)。在消息處理函數(shù)中利用識(shí)別結(jié)果進(jìn)行進(jìn)一步操作，如當(dāng)機(jī)器人識(shí)別出語(yǔ)音“機(jī)器人”后給出“你好”的回應(yīng)，在工程中通過(guò)Recstring=="機(jī)器人"指令保存識(shí)別出的語(yǔ)音，隨后通過(guò)pSpeech->Speak(L"你好！");指令回應(yīng)，實(shí)現(xiàn)語(yǔ)音識(shí)別、語(yǔ)音輸出的交互。

(6)修改語(yǔ)法文件。對(duì)Strkeyword.xml文件進(jìn)行修改，可以增添刪減關(guān)鍵詞，使某些特殊詞匯的識(shí)別度提高，使其識(shí)別效果變得更好，像名字、專有名詞等。

通過(guò)以上方法進(jìn)行語(yǔ)音識(shí)別編程，整體編程實(shí)現(xiàn)方法如圖2和圖3所示。在硬件上只需在機(jī)器人上連接麥克風(fēng)。

3 設(shè)計(jì)結(jié)果

在MFC平臺(tái)運(yùn)行完成程序加載后，形成相應(yīng)的可執(zhí)行文件即應(yīng)用軟件。啟動(dòng)應(yīng)用軟件后(啟動(dòng)后圖標(biāo)狀態(tài)如圖4所示)，機(jī)器人會(huì)進(jìn)入語(yǔ)音識(shí)別狀態(tài)，用戶通過(guò)麥克風(fēng)輸入語(yǔ)音指令，系統(tǒng)對(duì)接收到的語(yǔ)音信號(hào)進(jìn)行識(shí)別并提取相應(yīng)的特征參數(shù)，如果與程序中設(shè)定目標(biāo)語(yǔ)音的特征參數(shù)一致，那么就可以將其作為最終的識(shí)別結(jié)果，語(yǔ)音識(shí)別結(jié)果會(huì)暫時(shí)被保存，在機(jī)器人執(zhí)行周期執(zhí)行函數(shù)時(shí)使用，作為條件對(duì)機(jī)器人行動(dòng)進(jìn)行控制。

經(jīng)過(guò)設(shè)計(jì)可實(shí)現(xiàn)如下功能：點(diǎn)擊啟動(dòng)圖標(biāo)，屏幕顯示“開始聆聽(tīng)”即可進(jìn)行語(yǔ)音識(shí)別。機(jī)器人發(fā)出“準(zhǔn)備飲料獲取演示”聲音，輸入“機(jī)器人”，回應(yīng)“你好，請(qǐng)問(wèn)需要飲料嗎”，輸入“是的”，回答“好的，我將為你取回飲料”，之后機(jī)器人開始行動(dòng)。圖5所示為輪式機(jī)器人。

如果要進(jìn)行其他語(yǔ)音識(shí)別設(shè)置，可進(jìn)行如下操作：

(1)語(yǔ)音識(shí)別。語(yǔ)音識(shí)別的關(guān)鍵詞文件放置在工程的Grammar子目錄下，根據(jù)需要對(duì)里面的關(guān)鍵詞進(jìn)行自由增減，在微軟官方網(wǎng)站可以找到相關(guān)語(yǔ)法規(guī)則。語(yǔ)音識(shí)別到的關(guān)鍵詞，最后會(huì)以字符串變量的形式被傳遞到CRobotEvent∶∶SR_KeyWord()回調(diào)函數(shù)中。

(2)語(yǔ)音輸出。在類CRobotEvent中，可隨時(shí)通過(guò)pSpeech指針調(diào)用CSpeech類的Speak()函數(shù)接口將文字轉(zhuǎn)換成語(yǔ)音播放出來(lái)。

(3)接口函數(shù)進(jìn)行語(yǔ)音輸出，函數(shù)為pSpeech->Speak(CString inStr)，其中參數(shù)inStr為字符串類型，指代內(nèi)容為需要進(jìn)行語(yǔ)音輸出的語(yǔ)句。