分散式語音辨認系統介紹

分散式語音辨識系統主要的構想是來自：想要應用在手持設備可以使用語音 輸入更多更複雜的指令，但是手持設備又受限於其計算能力以及記憶體的不足。

因此分散式語音辨識系統的架構是將語音辨識分成兩個部分：在手持設備也就是 分散式語音辨識系統的前級（DSR front-end）接收語音輸入，繼而抽取語音的 特徵參數，經過壓縮、編碼，透過無線通道傳送到伺服器也就是分散式語音辨識 的後級（DSR back-end）端進行解碼以及辨識。本論文中之語言辨識前級是使用 歐洲電信標準協會編號202 212 V1.1.1（ETSI ES 202 212 V1.1.1）[1]之分散 式語音辨識系統前級的標準（ Extended Advance Feature Extraction; XAFE），

圖 2-1則是歐洲電信標準協會編號202 212 V1.1.1之分散式語音辨識系統的架構 圖。

圖 2-1：分散式語音系統架構圖

當使用者在使用手持設備時，週遭普遍都有一些環境雜訊的干擾，為了因應 此種情況，在分散式語音辨識系統前級在參數抽取之前特別加入了降低雜訊

（Noise reduction）的處理。

在歐洲電信標準協會編號 202 212 V1.1.1分散式語音辨識系統前級中，降 低語音雜訊的處理方法是利用一個二階式維納濾波器（Wiener filter），如圖 2-2所示，這是一種能夠有效降低雜訊的方法，圖 2-2 顯示它的方塊圖，它是由 兩個串聯的維納濾波器組成，它們的輸出及輸入都是聲音的波形（Waveform）訊 號；第一個維納濾波器的輸入是未經處理且帶有雜訊的語音波形訊號，輸出的是 經過初步處理的語音波形訊號，它同時也是第二個維納濾波器的輸入波形訊號，

第二個維納濾波器輸出的是已除去大部分雜訊的波形訊號。在第一個維納濾波器 中包含了語音偵測的技術（Voice Activity Detection, VAD），用以進行雜訊 頻譜的估測（Noise spectrum estimation），第二個維納濾波器則假設經過第

一個維納濾波器的處理，剩餘的加成性雜訊可以用白雜訊（White noise）近似，

不再含語音偵測技術。兩個維納濾波器都是隨著各個音框（Frame）內不同的雜 訊特性及訊噪比而設計的；首先依照不同頻率的訊噪比，得到線性頻率上維納濾 波器的係數（Linear-frequency Wiener filter coefficients），再將其通過 梅爾濾波器組（Mel filter-bank）以得到較平滑且和聽覺系統相關的梅爾維納 濾波器係數（Mel-warped Wiener filter coefficient），接著將此梅爾維納濾 波 器 係 數 作 梅 爾 反 離 散 餘 弦 轉 換 （ Mel-warped Inverse Discrete Cosine Transformation, Mel-warped IDCT），以得到在時域上的脈衝響應（Impulse response），最後再把目前音框中的波形訊號通過此脈衝響應以得到輸出的波形 訊號。在第二階維納濾波器輸出之前，有一個偏移補償（Offset compensation）

的區塊，用以移除輸出波形中的直流偏移量（DC offset）。

圖2-2：降低雜訊處理系統流程圖

在歐洲電信標準協會編號 202 212 V1.1.1的系統架構中，也訂定了偵測基 頻 的 方 法 ， 其 用 途 可 以 用 來 做 聲 調 語 言 之 語 音 的 辨 識 （ Tonal language

recognition）以及重建語音訊號（Speech reconstruction），所以在本論文中 將會利用歐洲電信標準協會編號202 212 V1.1.1所偵測的基頻資訊來做國語連續 語音的辨認。