基于Android平臺(tái)的語音識(shí)別技術(shù)應(yīng)用研究

馮 君

（濱州學(xué)院，山東 濱州 256603）

如今手機(jī)已成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?，智能手機(jī)提供給用戶與之進(jìn)行交互的多種方式，但最自然的交互方式仍然是語音。智能手機(jī)市場提供了許多關(guān)于語音識(shí)別的應(yīng)用。本文基于科大訊飛語音識(shí)別引擎實(shí)現(xiàn)了一款語音識(shí)別應(yīng)用VoiceMessage。應(yīng)用的主要目標(biāo)是允許用戶輸入語音信息并將信息轉(zhuǎn)換為期望的文本信息，從而使得用戶可以不用打字就可以快速地得到文本信息，大大節(jié)省了時(shí)間。

1 語音識(shí)別的技術(shù)原理

現(xiàn)代語音識(shí)別技術(shù)主要采用模式識(shí)別的基本流程，如圖1所示：

圖1 語音識(shí)別流程

首先準(zhǔn)備要訓(xùn)練的訓(xùn)練數(shù)據(jù)集，然后提取數(shù)據(jù)的特征并且利用數(shù)據(jù)的這些特征進(jìn)行模型的訓(xùn)練，最后根據(jù)訓(xùn)練好的模型進(jìn)行測試應(yīng)用。

在模型訓(xùn)練好了之后，對(duì)待測的語音信號(hào)進(jìn)行信號(hào)處理，從中提取出有利于識(shí)別的信息，也就是特征提取。隨后，以音頻信號(hào)為輸入形式，進(jìn)行語音增強(qiáng)處理，消除噪音，反映語音的本質(zhì)，完成語音信號(hào)從時(shí)域到頻域的轉(zhuǎn)化，并將特征提取給聲學(xué)模型，生成聲學(xué)模型得分，用語言模型決定序列的可能性，也即語言模型得分。解碼器計(jì)算這兩個(gè)得分，識(shí)別結(jié)果就是輸出分?jǐn)?shù)最高的詞序列，如圖2所示。

圖2 識(shí)別結(jié)果計(jì)算流程

用公式表示如下：

其中W表示識(shí)別的文本序列，X表示語音數(shù)據(jù)，基于給定的X，語音識(shí)別求得最大后驗(yàn)概率的文本序列，利用貝葉斯公式將此文本序列的后驗(yàn)概率展開為兩部分，一是先驗(yàn)概率，另一個(gè)是似然概率，然后對(duì)這兩部分進(jìn)行建模，得出語言模型和聲學(xué)模型，再在搜索空間Ω中，通過其得分，求取概率最大的文本序列。

從物理意義來理解語言模型就是體現(xiàn)字或詞出現(xiàn)的先驗(yàn)概率，從各種候選詞順序、詞的語義信息狀態(tài)序列中，判斷哪一個(gè)比較合理。

傳統(tǒng)語言模型采用N-gram方式：

語言模型實(shí)際是對(duì)文本序列的先驗(yàn)概率進(jìn)行建模，一個(gè)詞出現(xiàn)的概率與第一個(gè)詞后，第二個(gè)詞出現(xiàn)的概率相乘，依此類推。

基于N-階馬爾科夫假設(shè)的全概率空間：就是每個(gè)詞出現(xiàn)的概率只關(guān)聯(lián)到最近的N個(gè)歷史詞。那么公式2中的每一項(xiàng)就可以做如下近似：

則有：

聲學(xué)模型的建模也即對(duì)似然概率部分的建模，即給定文本序列之后生成對(duì)應(yīng)語音的概率，是整個(gè)語音識(shí)別中最核心的部分，也是最復(fù)雜的部分。某些訓(xùn)練數(shù)據(jù)由于具有共性，可共享給不同的建模單元，為了避免這個(gè)問題，需要轉(zhuǎn)換文本序列成為對(duì)應(yīng)的發(fā)音序列，由于發(fā)音的不定長特性，就需要引入HMM模型，將每一個(gè)語音幀都對(duì)應(yīng)于HMM模型的每一個(gè)狀態(tài)，如此無論多長的語音幀都能表達(dá)為HMM模型中的一個(gè)狀態(tài)序列，最后只要將每一個(gè)狀態(tài)與語音序列中的每一幀進(jìn)行一一對(duì)應(yīng)，再將對(duì)應(yīng)關(guān)系以一定的概率來表達(dá)。由于語音是非常復(fù)雜多變的，不同說話人在說同樣句子時(shí)會(huì)表現(xiàn)出非常大的差異性，而在不同的環(huán)境噪聲的情況下，這樣的語音也是表現(xiàn)出非常多的復(fù)雜性，因此最后特征狀態(tài)序列到語音的建模通常會(huì)采用比較復(fù)雜的概率模型來實(shí)現(xiàn)。在1980年左右采用GMM-HMM即高斯混合模型的方式來表達(dá)概率分布，由于當(dāng)時(shí)的計(jì)算條件，數(shù)據(jù)量都不是很大，所以GMM是較好的方案，它能夠有效的在數(shù)據(jù)量較少的情況下進(jìn)行聲學(xué)模型的訓(xùn)練。在2010左右，出現(xiàn)了新的替代方案DNN-HMM，DNN也是經(jīng)歷了幾個(gè)階段的發(fā)展，首先是前饋神經(jīng)網(wǎng)絡(luò)，后來發(fā)現(xiàn)其對(duì)時(shí)序的表達(dá)并不是很好，所以后來又提出了遞歸神經(jīng)網(wǎng)絡(luò)，它將前后時(shí)刻的神經(jīng)網(wǎng)絡(luò)的狀態(tài)進(jìn)行了連接，從而使得在每一時(shí)刻都能看到非常長的上下文的知識(shí)，從而提高了概率模型的表達(dá)能力，為了更高的穩(wěn)定性，后來又提出了卷積神經(jīng)網(wǎng)絡(luò)做聲學(xué)模型，卷積神經(jīng)網(wǎng)絡(luò)能夠看到長時(shí)以來的同時(shí)，又通過空間結(jié)構(gòu)逐層遞進(jìn)的關(guān)系使得聲學(xué)模型會(huì)更加的穩(wěn)定，也是逐漸成為現(xiàn)代最杰出的聲學(xué)模型結(jié)構(gòu)。

語音識(shí)別通常是采用動(dòng)態(tài)規(guī)劃算法來進(jìn)行識(shí)別的，在語音識(shí)別具體的應(yīng)用中，采用的是Viterbi搜索的方法，語音識(shí)別問題就是變相求解最優(yōu)路徑。對(duì)于求出全部中間路徑節(jié)點(diǎn)的Viterbi的值，其計(jì)算公式為：

有了該值之后，就可以從路徑的最后一個(gè)節(jié)點(diǎn)開始往前不斷的回溯找到最優(yōu)路徑。

2 VoiceMessage實(shí)現(xiàn)思路

2.1 集成科大訊飛SDK

首先，使用Androidstudio創(chuàng)建一個(gè)新項(xiàng)目，切換到project視圖。將下載的Android_iat1140_5ea3dfe2（后面的編號(hào)和APPID是一致的）中l(wèi)ibs目錄中的Msc.jar包復(fù)制到新建項(xiàng)目的libs目錄下，并且右鍵jar選擇 Add As Library。

然后，右鍵點(diǎn)擊main，依次選擇new-＞Directory，建立一個(gè)名為jniLibs的目錄，將下載好的SDK中的libs目錄下剩下的文件全部復(fù)制到j(luò)niLibs目錄中。

接著，集成資源文件，右鍵點(diǎn)擊main,依次選擇new-＞Directory，建立 assets 目錄，然后將 Android_iat1140_5ea3dfe2下assets下的所有文件復(fù)制到剛剛創(chuàng)建的assets目錄中。

注意要在AndroidManifest.xml文件中添加如下訪問權(quán)限，如圖3所示。

圖3 需要添加的網(wǎng)絡(luò)訪問權(quán)限

2.2 初始化

初始化即創(chuàng)建語音配置對(duì)象，只有初始化后才可以使用MSC的各項(xiàng)服務(wù)。建議將初始化放在程序入口處 （如 Application、Activity的 onCreate方法），初始化代碼如下：

SpeechUtility.createUtility （context,SpeechConstant.APPID+"=5ea3dfe2"）;

2.3 UI布局

UI設(shè)計(jì)如圖4所示，最外層采用相對(duì)布局RelativeLayout，內(nèi)嵌兩個(gè)水平方向的線性布局Linear-Layout，利用屬性android:weight實(shí)現(xiàn)屏幕適配。

2.4 初始化聽寫對(duì)話框

在VoiceMessageActivity類中封裝initSpeech方法，核心代碼如下：

圖4 UI布局

2.5 JSON數(shù)據(jù)

識(shí)別的結(jié)果是以JSON格式返回的，如語音輸入“今天天氣很好”，返回的JSON數(shù)據(jù)為：

{"sn":1,"ls":false,"bg":0,"ed":0,"ws":[{"bg":80,"cw":[{"sc":0.0,"w":"今天"}]},{"bg":140,"cw":[{"sc":0.0,"w":"天氣"}]},{"bg":188,"cw":[{"sc":0.0,"w":"很好"}]}]}

{"sn":2,"ls":true,"bg":0,"ed":0,"ws": [{"bg":0,"cw":[{"sc":0.0,"w":"。"}]}]}

可以使用在線JSON查看器如https://www.sojson.com/editor.html查看格式化之后的數(shù)據(jù)。

各個(gè)JSON字段的含義如表1所示。

表1 JSON字段說明

2.6 JSON解析

首先，使用gson技術(shù)對(duì)返回的JSON格式的數(shù)據(jù)進(jìn)行解析，選擇File-Project Structure-Dependencies，搜索 gson，添加 gson 包。

然后，封裝Sound類，代碼如下“

最后，封裝解析數(shù)據(jù)的方法parseSound，代碼如下：

2.7 對(duì)語音圖片進(jìn)行點(diǎn)擊事件處理

首先，在語音對(duì)應(yīng)的ImageView組件中增加onClick屬性，代碼如下：

然后，在VoiceMessageActivity中定義voicetomessage方法

經(jīng)測試，如果在 voicetomessage方法中直接調(diào)用initSpeech方法，每次運(yùn)行應(yīng)用程序時(shí)，都會(huì)引發(fā)SecurityException，調(diào)試器的錯(cuò)誤如下：

java.lang.SecurityException:“gps”location provider requiresACCESS_COARSE_LOCATION orACCESS_FINE_LOCATIONpermission.

這是因?yàn)閍ndroid6.0之后對(duì)一些危險(xiǎn)權(quán)限必須運(yùn)行時(shí)動(dòng)態(tài)權(quán)限申請(qǐng)，所以在

VoiceMessageActivity中增加動(dòng)態(tài)權(quán)限申請(qǐng)的方法checkVoice（），當(dāng)用戶點(diǎn)擊語音識(shí)別圖片時(shí)，首先彈出動(dòng)態(tài)權(quán)限認(rèn)證提示框，只有用戶通過了相應(yīng)的權(quán)限，才會(huì)彈出初始化語音對(duì)話框。

3 結(jié)論

語音識(shí)別在移動(dòng)設(shè)備中的集成使得智能手機(jī)的使用更加的便捷，使用這樣的系統(tǒng)開啟了無數(shù)的可能性。VoiceMessage應(yīng)用將語音轉(zhuǎn)化為文本信息給指定的聯(lián)系人發(fā)送短消息，除了為移動(dòng)設(shè)備的當(dāng)前用戶提供便利的操作之外，老年人和有各種殘疾的人將有機(jī)會(huì)參與到科技活動(dòng)中，感受到智能手機(jī)的好處。