基于DTW与HMM的语音识别系统

资 源 简 介

本系统是一个集成式的语音信号处理与识别平台，通过MATLAB环境实现了从原始语音采集到特征匹配的完整流程。系统主要由三个核心模块组成：Record模块负责实时语音信号的获取，利用MATLAB音频对象实现麦克风数据的数字化采样、滤波预处理及端点检测，确保存储有效的语音段；DTW模块实现了动态时间规整算法，通过非线性时间对齐技术计算待识别语音MFCC特征与参考模板之间的最小距离，有效解决了语音信号在时间轴上的伸缩问题，主要用于孤立词的快速比对；HMM模块构建了完整的隐马尔可夫模型框架，包含训练（Baum-We

详 情 说 明

基于MATLAB的语音识别系统

项目介绍

本系统是一个集成式的语音信号处理与识别平台，在MATLAB环境下实现了从原始语音采集、预处理、特征提取到模式匹配的完整流程。系统结合了经典的动态时间规整（DTW）算法与隐马尔可夫模型（HMM）框架，能够有效地对孤立词指令进行实时识别。通过可视化的方式，系统直观展示了语音波形、端点检测结果、MFCC特征分布以及匹配得分，适用于教学演示、算法研究及基础的语音控制应用。

功能特性

1. 实时语音采集：利用音频输入设备进行数字化采样，支持自定义采样频率、位深及录音时长。
2. 自动化端点检测（VAD）：通过计算短时能量和过零率，自动识别语音信号的起始和终止位置，剔除无声段。
3. MFCC特征提取：实现了标准的梅尔频率倒谱系数提取流程，包括预加重、分帧加窗、FFT、梅尔滤波及DCT变换。
4. 双模型识别引擎：

- DTW匹配：支持非线性时间规整，通过计算测试模板与参考模板间的最小累积距离进行识别。 - HMM评分：基于Viterbi算法计算观测序列在特定统计模型下的对数似然概率。

1. 多维可视化展示：实时生成波形图、特征热力图及识别得分对比柱图。

实现逻辑与流程细节

系统运行遵循以下核心逻辑：

1. 参数初始化：系统预设采样率为16000Hz，采用16位单通道采样。设置帧长为256点，帧移为128点。
2. 录音模块：启动录制任务，采集一段时长为2秒的语音数据。
3. 预处理与端点检测：

- 预加重：使用高通滤波器 [1, -0.97] 提升高频分量。 - 分帧加窗：将连续信号切分为重叠帧，并应用汉明窗减少边缘效应。 - VAD逻辑：计算每一帧的短时能量（STE）和过零率（ZCR）。根据最大能量的10%设定阈值，并结合0.1的过零率阈值，定位语音的有效起始点（voiceStart）和结束点（voiceEnd）。

1. 特征提取细节：

- 对有效语音段进行FFT变换获取频谱。 - 通过24个梅尔滤波器组进行频域滤波。 - 取对数后进行离散余弦变换（DCT），最终提取前12维倒谱系数作为核心特征。

1. 模式匹配逻辑：

- 系统内置了模拟的指令特征模板（如“开灯”与“关灯”）。 - 运行DTW算法，构建欧氏距离矩阵，并通过动态规划计算测试特征与各个模板之间的最小累积消耗路径。 - 运行HMM Viterbi算法，模拟3状态的左-右型模型（L-R HMM），计算当前特征序列在模型下的最大路径对数似然得分。

1. 决策与展示：系统根据DTW计算出的最小距离判定识别结果，并弹出包含原始波形（标注红绿端点线）、MFCC特征矩阵分布图以及模型匹配得分对比图的可视化窗口。

关键算法分析

1. 动态时间规整（DTW）：该算法解决了语音识别中语速不一的问题。系统通过建立一个二维代价矩阵，利用递归公式在保证时间轴单调性的前提下，寻找测试序列与参考序列之间的最优对齐路径，输出的累积距离越小，代表相似度越高。
2. 隐马尔可夫模型（HMM）评分：系统实现了HMM的识别核心——Viterbi算法。在假设状态观测符合高斯分布的前提下，通过对数计算避免数值溢出，计算输入特征序列在预设状态转移矩阵（A）和观测概率分布（B）下的最大生成概率。
3. 梅尔滤波器组构建：根据频率到梅尔频率的转换公式，在0到半采样频率之间等间距布置三角滤波器，模拟人耳对低频信号敏感度高于高频信号的听觉特性。

使用方法

1. 环境配置：确保计算机已连接麦克风输入设备。
2. 启动程序：在MATLAB命令行窗口运行主函数。
3. 音频采集：程序提示“准备录音”后，在2秒内说出测试指令（如“开灯”或“关灯”）。
4. 结果查看：录音结束后，系统会自动进行特征处理与匹配，并在命令行输出识别到的指令名称、DTW距离及HMM得分，同时弹出可视化分析图表。

系统要求

• 软件环境：MATLAB R2016b 或更高版本。
• 硬件环境：标准声卡，可用麦克风设备。
• 依赖工具箱：通常需要基础的信号处理功能，代码中已包含手写实现的汉明窗和分帧函数，提高了系统的独立性。