基于HMM的数字语音识别系统GUI

资 源 简 介

该项目是一套完整且成熟的MATLAB数字语音识别解决方案，专注于实现对0至9这十个数字语音的高准确率识别。系统集成了功能丰富的图形用户界面（GUI），允许用户直接在界面内通过麦克风进行实时语音录制，并支持对录制音频的即时播放和存储。项目实现了严谨的语音信号预处理流程，包括预加重、分帧、加窗处理以及精确的端点检测技术（VAD），能够有效识别并去除有效语音前后的环境噪声和静音片段。在特征提取模块，系统深入提取了反映人耳听觉特性的美尔频率倒谱系数（MFCC）及其一阶差分参数。核心识别逻辑采用隐马尔可夫模型（HMM），通过对每个数字的训练样本进行建模，利用鲍姆-韦尔奇算法进行模型参数估计，并使用维特比算法进行最优概率路径解码，从而实现对输入数字语音的精准分类与判定。该项目不仅提供了完整的识别逻辑，还随附了用于训练和测试的音频数据集，广泛适用于语音处理教学、人机交互研究及算法验证场景。

详 情 说 明

基于隐马尔可夫模型（HMM）的数字语音识别系统

项目介绍

本项目是一套基于隐马尔可夫模型（HMM）开发的数字语音识别系统，专门用于识别 0 到 9 的中文或英文数字语音指令。系统集成了从语音采集、信号预处理、特征提取到统计模型训练与识别的完整流程。通过 MATLAB 构建的图形用户界面（GUI），用户可以便捷地进行实时语音录制、样本训练以及在线识别，适用于语音信号处理的学习研究及算法验证。

功能特性

• 支持 0-9 共十个数字的语音样本采集与训练。
• 提供直观的 GUI 界面，包含实时时域波形转换显示与 MFCC 特征倒谱图可视化。
• 内置实时录音功能，支持对录制的有效音频进行即时回放。
• 集成了端点检测（VAD）技术，自动剔除静音段和背景噪声。
• 采用 24 维 MFCC 特征（12 维静态 + 12 维一阶差分）以精确刻画语音特性。
• 包含完整的隐马尔可夫模型训练架构，支持 LBG 矢量量化聚类。
• 具备数据清空与重置功能，方便重新进行模型迭代测试。

使用方法

1. 样本录制：在界面左侧的训练样本录制区，依次点击“录制数字 0”到“录制数字 9”。点击后系统将开启 1.5 秒的实时录音，请在提示“请说话”时对准麦克风读出相应数字。录制完成后，界面将显示该语音的波形和 MFCC 特征。
2. 系统训练：确保 0-9 每个数字都至少拥有一个录音样本后，点击“保存并开始训练”按钮。系统将自动进行全局特征聚类生成码本，并为每个数字训练对应的 HMM 模型。
3. 实时识别：训练完成后，点击“实时录音识别”按钮并说出一个数字语音。系统将自动处理音频并输出可能性最大的识别结果，结果将以红色大字显示在界面中央。
4. 辅助功能：

- 点击“播放录音”可以听取当前最后一次采集的有效语音片段。 - 点击“清除数据”可重置所有已录制的特征和训练好的模型。

实现逻辑与系统架构

该系统在 GUI 主程序下实现了一套严谨的语音处理流水线：

1. 语音预处理与端点检测 (VAD)

系统采用 8000Hz 采样率。音频输入后首先进行归一化处理，随后通过预加重滤波器（系数 0.97）提升高频分量。端点检测算法通过计算短时能量，配合双门限逻辑识别语音的起始点和终点，精确截取有效语音片段，忽略前后的静音环境。

2. MFCC 特征提取

系统提取 24 维特征参数：

• 将语音分为 256 点长度的帧，帧移为 128 点，并加汉明窗处理。
• 利用 24 个美尔滤波器组（Mel Filter Bank）对频谱进行映射，模拟人耳听觉特性。
• 对滤波器组输出取对数后执行离散余弦变换（DCT），提取第 2 至 13 维系数。
• 计算上述 12 维系数的一阶差分（Delta），最终合并为 24 维特征向量，以兼顾语音的静态与动态特性。

3. 矢量量化 (VQ)

为了降低 HMM 观测序列的复杂度，系统采用 LBG 聚类算法。它将所有训练样本提取的 24 维特征向量进行迭代分裂和 K-means 调整，最终生成一个大小为 64 的码本。所有的连续 MFCC 特征都会根据该码本被量化成离散的观测索引序列。

4. HMM 模型训练

每个数字（0-9）对应一个独立的隐马尔可夫模型：

• 状态设计：采用含有 6 个状态的从左至右型（Left-to-Right）HMM 模型。
• 参数估计：使用鲍姆-韦尔奇（Baum-Welch）算法的简化实现，通过 20 次迭代更新状态转移概率矩阵 A 和观测概率矩阵 B。模型初始状态固定从状态 1 开始。

5. 维特比识别解码

在识别阶段，待测语音经过同样的 VAD、MFCC 提取和 VQ 量化后，得到一个观测序列。系统使用维特比（Viterbi）算法计算该序列在 10 个已训练模型下的最大似然概率（取对数似然）。系统将决策判定为 log 概率值最大的模型所对应的数字。

系统要求

• 软件环境：MATLAB R2016b 或更高版本。
• 硬件要求：具备正常的音频输入设备（麦克风）和输出设备（扬声器）。
• 环境要求：建议在噪声较小的环境下进行录音，以保证端点检测和特征识别的准确性。