基于Linux平臺(tái)語(yǔ)音識(shí)別技術(shù)的實(shí)現(xiàn)

程海波，歐陽(yáng)宏基

（咸陽(yáng)師范學(xué)院 計(jì)算機(jī)學(xué)院，陜西 咸陽(yáng) 712000）

0 引 言

隨著經(jīng)濟(jì)和科技的飛速發(fā)展，各項(xiàng)新型技術(shù)取得了或多或少的進(jìn)步。其中，在《互聯(lián)網(wǎng)技術(shù)司法應(yīng)用白皮書》中提到的語(yǔ)音識(shí)別技術(shù)近些年備受人們關(guān)注。從國(guó)外的Audry系統(tǒng)，到大眾所熟知的Siri、小度、高德地圖語(yǔ)音導(dǎo)航，以及科大訊飛的方言識(shí)別等均發(fā)展迅速。除此之外，語(yǔ)音識(shí)別技術(shù)還在日常的生活，如醫(yī)療、通信、工業(yè)等領(lǐng)域取得了不錯(cuò)的成就。就目前發(fā)展的形勢(shì)來(lái)看，語(yǔ)音識(shí)別仍然具有較高的開發(fā)價(jià)值。本文主要以多媒體技術(shù)及網(wǎng)絡(luò)技術(shù)為基礎(chǔ)，結(jié)合Linux平臺(tái)，通過(guò)ALSA和科大訊飛的SDK進(jìn)行音頻錄制、播放等功能，進(jìn)而實(shí)現(xiàn)語(yǔ)音識(shí)別。

1 語(yǔ)音識(shí)別技術(shù)

1.1 語(yǔ)音識(shí)別的概念

語(yǔ)音識(shí)別技術(shù)也稱自動(dòng)語(yǔ)音識(shí)別（Automatic Speech Recognition, ASR），這是讓語(yǔ)音識(shí)別設(shè)備通過(guò)識(shí)別、學(xué)習(xí)和理解，將目標(biāo)聲音的內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的數(shù)據(jù)輸入（如：文字或命令）的一項(xiàng)高級(jí)技術(shù)。同時(shí)，它也屬于一門復(fù)雜的交叉學(xué)科，涉及的學(xué)科包括：聲學(xué)、心理學(xué)、語(yǔ)言學(xué)、概率論、人工智能、信號(hào)處理、信息理論、模式識(shí)別等。

1.2 語(yǔ)音識(shí)別原理

語(yǔ)音識(shí)別的原理是將語(yǔ)音轉(zhuǎn)換成用戶能讀懂的文字。其采用模式識(shí)別作為基本框架，分為數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練、測(cè)試應(yīng)用四部分，其功能模塊和原理如圖1所示。

圖1 語(yǔ)音識(shí)別原理模塊

語(yǔ)音識(shí)別一般可分為兩個(gè)模塊，訓(xùn)練模塊和識(shí)別模塊。訓(xùn)練模塊主要通過(guò)對(duì)聲音的學(xué)習(xí)，將學(xué)習(xí)結(jié)果構(gòu)成語(yǔ)音庫(kù)并存儲(chǔ)，在識(shí)別過(guò)程中將當(dāng)前聽到的聲音在語(yǔ)音庫(kù)中查找相應(yīng)語(yǔ)義或詞義。識(shí)別模塊依據(jù)當(dāng)前主流的語(yǔ)音識(shí)別算法，解析接收的聲音信號(hào)特征參數(shù)（即特征提?。凑占榷ǖ呐袛鄺l件和準(zhǔn)則與語(yǔ)音庫(kù)的數(shù)據(jù)進(jìn)行比較，最終通過(guò)對(duì)比得出語(yǔ)音識(shí)別結(jié)果。

2 關(guān)鍵技術(shù)

2.1 ALSA

高級(jí) Linux 聲音架構(gòu)（Advanced Linux Sound Architecture,ALSA）是一個(gè)完全開放的音頻驅(qū)動(dòng)程序集，它主要支持Linux操作系統(tǒng)中的樂(lè)器數(shù)字化接口（MIDI）及聲頻。在Linux 2.6內(nèi)核版本之后，ALSA被默認(rèn)為聲音子系統(tǒng)，而之前2.4版本所使用的開放聲音系統(tǒng)（OSS）則被舍棄。

ALSA具有以下特點(diǎn)：

（1）支持各種型號(hào)的聲效卡和聲頻接口；

（2）支持舊的開放聲音系統(tǒng)（OSS）API，具有OSS程序二進(jìn)制兼容性；

（3）模塊化設(shè)計(jì)；

（4）支持線程安全和SMP；

（5）提供用戶空間庫(kù)（lib）以簡(jiǎn)化應(yīng)用程序的編程并提供更高級(jí)別的功能。

急性冠脈綜合征是臨床上較為常見的心血管疾病之一,同時(shí)也是冠張動(dòng)脈粥樣硬化性心臟病之一,通常見于老年人群[3];曾有學(xué)者研究表明:急性冠脈綜合征誘發(fā)因素與吸煙、高血壓、糖尿病、高脂血癥及冠心病家族史等具有密切相關(guān)聯(lián)系,患者可伴有發(fā)作性胸痛、胸悶等一系列臨床表現(xiàn),若不實(shí)施有效方法進(jìn)行治療,能夠誘發(fā)心律失常、心衰、猝死等并發(fā)癥,繼而危及患者的生命安全,且進(jìn)一步降低生存質(zhì)量[4]。

由于ALSA很好地兼容了OSS，且其內(nèi)含有更加友好的編程接口，因此ALSA對(duì)于開發(fā)人員而言無(wú)疑是更好的選擇。ALSA系統(tǒng)主要包含了驅(qū)動(dòng)包（Driver）、開發(fā)包（libs）、開發(fā)包插件（libplugins）、設(shè)置管理工具包（utils）、其他聲音相關(guān)處理小程序包（tools）、特別聲頻固件包（firmware）、OSS接口兼容模擬層工具（OSS）等共7個(gè)子包。其中，Driver包是開發(fā)人員進(jìn)行開發(fā)所必備的。

Driver包中含有一些內(nèi)核驅(qū)動(dòng)程序，其高達(dá)數(shù)十萬(wàn)行的內(nèi)容主要包括一些公共代碼及硬件關(guān)聯(lián)代碼；libs包括一些函數(shù)庫(kù)，主要用來(lái)支持應(yīng)用程序，使用最多的是asoundlib.h（頭文件）以及l(fā)ibasound.so（共享庫(kù)）；而utils主要以ALSA為基礎(chǔ)，用來(lái)控制聲效卡的應(yīng)用程序，如alsactl（聲效卡的高級(jí)設(shè)置）、record（音頻錄制）、aplay（音頻播放）等。

目前，ALSA主要給用戶空間提供了以下幾個(gè)接口：信息接口（Information Interface，/proc/asound）、控制接口（Control Interface，/dev/snd/controlCX）、混音器接口（Mixer Interface，/dev/snd/mixerCXDX）、PCM接口（PCM Interface，/dev/snd/pcmCXDX）、Raw 迷笛接口（Raw MIDI Interface，/dev/snd/midiCXDX）、音序器接口（Sequencer Interface，/dev/snd/seq）、定時(shí)器接口（Timer Interface，/dev/snd/timer）。

2.2 科大訊飛SDK

SDK（軟件開發(fā)工具包）是為創(chuàng)建應(yīng)用軟件而集成的軟件工具包，一般包含有專屬的軟件包、框架、操作系統(tǒng)以及硬件平臺(tái)等。科大訊飛SDK是科大訊飛基于多種功能集合而來(lái)的工具包。

當(dāng)開發(fā)人員要實(shí)現(xiàn)相應(yīng)語(yǔ)音識(shí)別的功能時(shí)，就需要調(diào)用相應(yīng)的SDK，以科大訊飛離線語(yǔ)音合成功能為例。

首先，下載需要使用的科大訊飛SDK包，用戶進(jìn)入訊飛開放平臺(tái)頁(yè)面（https：//www.xfyun.cn）注冊(cè)賬號(hào)成為開發(fā)者，注冊(cè)成功后，創(chuàng)建一個(gè)專屬于自己的控制臺(tái)。創(chuàng)建完成后，進(jìn)入SDK下載中心，選擇“應(yīng)用”這一欄并選擇自己的控制臺(tái)，平臺(tái)選擇Linux，之后選擇需要的服務(wù)，此外選擇離線語(yǔ)音合成。完成以上步驟后，點(diǎn)擊SDK下載，便可以將SDK文件下載到用戶的電腦上，在Linux環(huán)境下實(shí)現(xiàn)語(yǔ)音合成。

（1）將訊飛包放入Linux系統(tǒng)的家目錄中；

（2）創(chuàng)建一個(gè)工作目錄，將訊飛包放入解壓：

mkdir /home/llx/xunfei;

mv Linux_aisound_exp1227_35146063.zip home/gec/xunfei;

cd /home/llx/xunfei;

unzip Linux_aisound_exp1227_35146063.zip;

（3）配置科大訊飛庫(kù)文件：

sudo cp /home/llx/xunfei/libs/x64/* /lib;

完成庫(kù)文件的搭建后，可以看到訊飛包中有關(guān)各文件的說(shuō)明，見表1所列。

表1 訊飛包各文件說(shuō)明

了解清楚各文件后，用戶便可以使用科大訊飛庫(kù)的代碼：

經(jīng)過(guò)如上步驟便可基本實(shí)現(xiàn)調(diào)用SDK。但此步驟僅僅只能演示科大訊飛的示例代碼，如果需要修改科大訊飛的源碼文件進(jìn)行自定義合成語(yǔ)音，則需以下步驟：

3 語(yǔ)音識(shí)別技術(shù)實(shí)現(xiàn)

（1）集成訊飛SDK。用戶選擇需要的功能，將下載的SDK包進(jìn)行整合并壓縮，壓縮包名為XF_SDK.tar.bz。接著，壓縮包放入Linux系統(tǒng)的目錄中解壓（需要使用tar命令），解壓完成后進(jìn)入XF_SDK文件夾中的源碼目錄對(duì)源碼進(jìn)行編譯。

（2）創(chuàng)建管道文件。創(chuàng)建2個(gè)管道文件分別用于控制訊飛服務(wù)器的識(shí)別開始和數(shù)據(jù)返回：

（3）執(zhí)行訊飛識(shí)別語(yǔ)音應(yīng)用。進(jìn)入XF_SDK下的bin目錄執(zhí)行./asr_offline_sample（asr_offline_sample是語(yǔ)音識(shí)別程序）程序。

（4）開啟識(shí)別服務(wù)器后，需要控制pipe與pipeg管道文件。打開新終端并輸入 ：echo "star" ＞ pipeg。

（5）應(yīng)用實(shí)例。使用者發(fā)出聲音如：“你好”。數(shù)據(jù)接收端便會(huì)出現(xiàn)圖2所示的結(jié)果。

圖2 語(yǔ)音識(shí)別結(jié)果

若要修改語(yǔ)音識(shí)別命令，則需要修改bin目錄下的call.bnf文件。

4 結(jié) 語(yǔ)

語(yǔ)音識(shí)別技術(shù)復(fù)雜且使用面廣，隨著語(yǔ)音識(shí)別技術(shù)的發(fā)展，越來(lái)越多的問(wèn)題都將被提出和解決。本文主要結(jié)合Linux平臺(tái)，使用ALSA和訊飛SDK，初步實(shí)現(xiàn)了Linux環(huán)境下語(yǔ)音識(shí)別的部分基礎(chǔ)功能。下一步的研究方向是以此次經(jīng)驗(yàn)為基礎(chǔ)，結(jié)合實(shí)際情況，實(shí)現(xiàn)Linux環(huán)境下語(yǔ)音識(shí)別技術(shù)的更多功能并將其與嵌入式平臺(tái)結(jié)合。