基于MFC平台下的语音识别系统的设计

１．语音技术的概述
计算机语音技术是语音领域的一个重要部分，包括四 种技术，即语音分析技术、语音存储与再生技术、语音合成 技术和语音识别技术。从语音通信涉及的内容而言，语音技 术还应包括语音理解技术。但是，在学术上，由于历史的原 因，长期以来，语音识别和自然语言处理（包括语音理解）两 个研究领域是并行独立发展的。目前，主要的研究工作还是 语音识别。本文将重点介绍语音领域的语音识别。
应用技术与研究 学术探讨
基于 ＭＦＣ 平台下的语音识别系统的设计
张艳
（南京信息职业技术学院电子信息学院，江苏 南京 ２１００４６） ［ 摘 要］ 对微软公司的语音软件开发包 Ｍｉｃｒｏｓｏｆｔ Ｓｐｅｅｃｈ ＳＤＫ５．１ 进行了研究，并且总结了利用该开发包基于 ＶＣ＋＋ ６．０ 实现语音识别系统（Ｓｐｅｅｃｈ Ｒ ｅｃｏｇｎｉｔｉｏｎ）的具体过程。通过对以上理论的研究和探索，设计开发了一个具有语音录入功能 的语音识别软件。 ［ 关键字］ 计算机语音技术；语音识别；ＭＦＣ
２．语音识源自文库基本原理
图 １ 语音识别原理图
３．语音识别系统的设计与实现 ３．１ 关于 Ｍｉｃｒｏｓｏｆｔ Ｓｐｅｅｃｈ ＳＤＫ５．１ 微软的 Ｓｐｅｅｃｈ ＳＤＫ ５．１ 是微软视窗环境的开发工具 包。这个 ＳＤＫ 中含有语音应用设计接口（ＳＡＰＩ）、微软的连 续语音识别引擎（ＭＣＳＲ）以及微软的串联语音合成（又称语 音到文本（ＴＴＳ））引擎等等。ＳＡＰＩ 中还包括对于低层控制和 高度适应性的直接语音管理、训练向导、事件、语法编译、资 源、语音识别（ＳＲ）管理，其中应用程序接口（ＡＰＩ）和设备驱 动接口（ＤＤＩ），结构如图 ２ 所示。
ＲｅｃｏＣｔｘｔ）； （４） 设置识别消息和感兴趣事件 调用函数 ＳｅｔＮｏｔｉｆｙＷｉｎｄｏｗＭｅｓｓａｇｅ，告诉 Ｗｉｎｄｏｗｓ 哪个
是我们的识别消息，需要进行处理。在这里定义的消息 ＷＭ＿ＳＲＥＶＥＮＴ 用于指示语音识别时间，该消息将通知到初 始化函数指定的响应窗口。然后设置我们感兴趣的事件，其 中最重要的事件是“ＳＰＥＩ＿ＲＥＣＯＧＮＩＴＩＯＮ”。
最后，应用程序必须创建、装载并激活一个 ＩｓｐＲｅｃｏＧｒａｍｍａｒ 接口。该接口从本质上说明了什么语音类 型，即口述或命令和控制语法。应用程序首先应调用 ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ：：ＣｒｅａｔｅＧｒａｍｍａｒ 方 法 创 建 一 个 ＩｓｐＲｅｃｏＧｒａｍｍａｒ 接口；然后装载合适的语法，调用 ＩＳｐＲｅｃｏ Ｇｒａｍｍａｒ：：ＬｏａｄＤｉｃｔａｔｉｏｎ 方法可装载口述语法；最后，为了激 活语法并启动识别，应用程序应该调用 ＩＳｐＲｅｃｏＧｒａｍｍａｒ：： ＳｅｔＤｉｃｔａｔｉｏｎＳｔａｔｅ 方 法 设 置 口 述 状 态 ，或 者 调 用 ＩＳｐＲｅｃｏ Ｇｒａｍｍａｒ：：ＳｅｔＲｕｌｅＳｔａｔｅ 方法或 ＩＳｐＲｅｃｏＧｒａｍｍａｒ：：ＳｅｔＲｕｌｅＩｄＳｔａｔｅ 方法设置命令和控制状态。
应用技术与研究 学术探讨
航空航天大学出版社，２００２． ［５］ 杨尚国，杨金龙．语音识别技术概述［Ｊ］．福建电脑，２００６，８：
５０－５１．
图 ３ 系统的功能结构框图
程序的主要函数功能的实现及功能流程图如图 ４ 所 示。
３．４ 系统测试 经过调整麦克风配置和进行语音训练后，运行并使用本 程序。经过对不同的语音输入的测试，我们发现设计的程序 对常用的孤立词汇的识别准确率可以达到百分之百，对一 些生僻的孤立词汇的识别准确率能达到百分之八十以上。 ４．结论 综上所述，通过测试，我们对语音识别在孤立词汇的识 别效果满意，但在小词汇和连续词汇的识别还不能满足要 求。如果系统中能够加入语音控制程序的话，那么系统功能 将更为全面。
— ——— ———— ———— —— — —— —— —— —— —— —— 作者简介：张艳，女，湖北黄石人，博士研究生，讲师，研究方向：语言信号处理及信道编码。
— ５３ —
学术探讨 应用技术与研究
应用程序共享语音识别引擎。为了创建一个可共享语音识 别引擎的 ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ 对象，应用程序只需调用 ＣＯＭ 的 ＣｏＣｒｅａｔｅＩｎｓｔａｎｃｅ（ＣＬＳＩＤ＿ＳｐＳｈａｒｅｄＲｅｃｏＣｏｎｔｅｘｔ）函 数 即 可 。 这样的话，ＳＡＰＩ 将设置音频输入流为默认模式。对于一个大 型的服务程序来说，它一般要单独运行于系统上，其工作状 况成为关键，则独占式语音识别（ＩｎＰｒｏｃ Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｔｉｏｎ） 引擎就显得更合适。为了创建一个独占式语音识别引擎的 ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ 对 象 ， 应 用 程 序 首 先 要 调 用 ＣＯＭ 的 ＣｏＣｒｅａｔｅＩｎｓｔａｎｃｅ（ＣＬＳＩＤ＿ＳｐＩｎｐｒｏｃＲｅｃｏＣｏｎｔｅｘｔ）函 数 去 创 建 独占的识别引擎。然后还要调用 ＩＳｐＲｅｃｏｇｎｉｚｅｔ：：ＳｅｔＩｎｐｕｔ 函 数 来 设 置 音 频 输 入 。 最 后 ， 再 调 用 ＩＳｐＲｅｃｏｇｎｉｚｅｔ：： ＣｒｅａｔｅＲｅｃｏＣｏｎｔｅｘｔ 函数去得到一个 ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ 对象。
语音识别的基本过程，根据实际中的应用不同，语音识 别系统可以分为：特定人与非特定人的识别、独立词与连续 词的识别、小词汇量与大词汇量以及无限词汇量的识别。但 无论那种语音识别系统，其基本原理和处理方法都大体类 似。
如图 １ 所示，识别有意义、有内容的语音信息的基本方 法是：预先分析出语音特征，按照要求送给机器储存起来， 这 个 语 音 参 数 库 中 的 语 音 参 数 称 为 “ 模 板 （Ｔｅｍｐｌａｔｅ－ｂａｓｅｄ Ａｐｐｒｏａｃｈ）”，而这一过程称为“训练（Ｔｒａｉｎｉｎｇ）”。接着，送来识 别的语音（又称待识语音）经过与训练时相同的分析，得到 语音参数，将它与库中的参考模板一一比较，并采用判决的 方法找出最接近语音特征的模板，得出识别结果，这一过程 就称为“识别（Ｒｅｃｏｇｎｉｔｉｏｎ）”。当然，在进行比较时要有个标 准，这就是计量语音参数矢量之间的“失真测度（Ｄｉｓｔｏｒｔｉｏｎ Ｍｅａｓｕｒｅｓ）”，即 ：失 真 最 小 的 那 个 模 板 所 代 表 的 内 容 就 是 识 别的结果。
ｈｒ ＝ ｍ＿ｃｐＲｅｃｏＥｎｇｉｎｅ．ＣｏＣｒｅａｔｅＩｎｓｔａｎｃｅ （ＣＬＳＩＤ＿Ｓｐ ＳｈａｒｅｄＲｅｃｏｇｎｉｚｅｒ）；
｝ ｅｌｓｅ ｛
ｈｒ ＝ ｍ＿ｃｐＲｅｃｏＥｎｇｉｎｅ．ＣｏＣｒｅａｔｅＩｎｓｔａｎｃｅ （ＣＬＳＩＤ＿Ｓｐ ＩｎｐｒｏｃＲｅｃｏｇｎｉｚｅｒ）；
｝ （３） 创建一个识别上下文（Ｒｅｃｏｇｎｉｔｉｏｎ Ｃｏｎｔｅｘｔ） ／／ 定义全局变量 ＣＣｏｍＰｔｒ＜ＩｓｐＲｅｃｏＣｏｎｔｅｘｔ＞ ｍ＿ｃｐＲｅｃｏＣｔｘｔ； ／／ 创建命令识别上下文 ｈｒ ＝ ｍ＿ｃｐＲｅｃｏＥｎｇｉｎｅ－＞ＣｒｅａｔｅＲｅｃｏＣｏｎｔｅｘｔ （＆ｇ＿ｃｐ
下一步需要为应用程序感兴趣的事件设置通知消息。 ＩｓｐＲｅｃｏｇｎｉｚｅｒ 也是一种 ＩｓｐＥｖｅｎｔＳｏｕｒｃｅ 接口。因此，应用程 序能够从其 ＩｓｐＲｅｃｏＣｏｎｔｅｘｔ 接口中调用 ＩｓｐＮｏｔｉｆｙＳｏｕｒｃｅ 的 方法来指定 ＩｓｐＲｅｃｏＣｏｎｔｅｘｔ 所需的消息应通知到何处。调用 ＩＳｐＥｖｅｎｔＳｏｕｒｃｅ：：ＳｅｔＩｎｔｅｒｅｓｔ 方法可以设定什么样的事件需 要被通知。最重要的事件是 ＳＰＥＩ＿ＲＥＣＯＧＮＩＴＩＯＮ，它标识了 ＩｓｐＲｅｃｏｇｎｉｚｅｒ 已 从 ＩｓｐＲｅｃｏＣｏｎｔｅｘｔ 中 识 别 了 一 些 语 音 。 Ｓｐｅｅｃｈ ＳＤＫ 文档中 ＳＰＥＶＥＮＴＥＮＵＭ 的说明提供了其它语 音识别事件的详细说明。
图 ２ ＳＡＰＩ 结构图
应用程序通过 ＡＰＩ 层和 ＳＡＰＩ（Ｓｐｅｅｃｈ ＡＰＩ）通信，语音 引擎则通过 ＤＤＩ 层和 ＳＡＰ（Ｉ Ｓｐｅｅｃｈ ＡＰＩ）进行交互。通过使 用这些 ＡＰＩ，可以加快在语音识别或语音合成方面应用程序 的开发。我们所要重点介绍是语音识别 ＡＰＩ。
ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ 是语音识别的主要接口。它是语音应用 程序接受消息通知和处理语音识别事件的传输媒介。应用程 序有两种不同的语音识别引擎可供选择。一种是共享式语音 识别（Ｓｈａｒｅｄ Ｒｅｃｏｇｎｉｔｉｏｎ），它可以供其它可接受的语音识别
— ５４ —
经过上面所述的各个步骤，我们已经完成了语音识别的 准备工作，接着就可以响应程序的各种事件了。
３．３ 系统分析 Ｓｔｅｎｏｔｙｐｉｓｔ 是在设计过程中基于 ＭＦＣ 平台开发的一个 具有语音识别功能语音识别软件，其能够让计算机进行语 音录入，并且将识别结果显示在界面中。下面将对该系统进 行详细分析和测试。图 ３ 是系统的功能结构框图：
（５） 载入语法和规则 最后一步主要的初始化步骤是载入语法—语音识别引 擎所能识别的一种专门的语法。应用程序必须创建、装载并 激活一个 ＩｓｐＲｅｃｏＧｒａｍｍａｒ 接口。语法规则是语音识别的灵 魂，必须要设置。语音识别的语法规则分为两种，一种是听 说式（ｄｉｃｔａｔｉｏｎ），一种是命令式（ｃｏｍｍａｎｄ ａｎｄ ｃｏｎｔｒｏｌ）。本次 程序设计采用可以运用相当大的语言词汇的听说式语法规 则。ＩｓｐＲｅｃｏＧｒａｍｍａｒ 接口从本质上说明了什么语音类型，即 口述或命令和控制语法。应用程序首先应调用 ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ：：ＣｒｅａｔｅＧｒａｍｍａｒ 方 法 创 建 一 个 ＩｓｐＲｅｃｏＧｒａｍｍａｒ 接 口 。 然 后 装 载 合 适 的 语 法 ， 调 用 ＩＳｐＲｅｃｏＧｒａｍｍａｒ：： ＬｏａｄＤｉｃｔａｔｉｏｎ 方法可装载口述语法，最后，为了激活语法并 启 动 识 别 ， 应 用 程 序 应 该 调 用 ＩＳｐＲｅｃｏＧｒａｍｍａｒ：： ＳｅｔＤｉｃｔａｔｉｏｎＳｔａｔｅ 方法设置口述状态。 （６） 响应各种事件
ｉｆ （ ＦＡＩＬＥＤ （ ＣｏＩｎｉｔｉａｌｉｚｅ （ ＮＵＬＬ ） ） ） ｛ ｍ＿ｓＥｒｒｏｒ＝＿Ｔ（＂Ｅｒｒｏｒ ｉｎｔｉａｌｉｚａｔｉｏｎ ＣＯＭ＂）； ｒｅｔｕｒｎ ＦＡＬＳＥ；
｝ （２） 创建语音识别对象（Ｒｅｃｏｇｎｉｚｅｒ Ｏｂｊｅｃｔ） 创建 Ｒｅｃｏｇｎｉｚｅｒ Ｏｂｊｅｃｔ，这个对象提供了访问语音识别 引擎的方法。 ／／ 定义全局变量 ＣＣｏｍＰｔｒ＜ＩｓｐＲｅｃｏｇｎｉｚｅｒ＞ ｍ＿ｃｐＲｅｃｏＥｎｇｉｎｅ； ／／ 创建一个语音识别引擎 Ｉｆ（ｂＩｓＳｈａｒｅｄ） ｛
对于人类语音发生过程的研究可以追溯到很早的年 代。那时，人们研究人类发声的物理过程及其数学表达方式 和模型。另一方面，人们还研究语言语音学，了解语音的分 类、性质、表示方式等。语音技术最早和最重要的一种应用 是 Ｈｏｍｅｒ Ｄｕｄｌｅｙ 在 １９３０ 年发明的声码器。对语音识别的研 究，可以追溯到 ５０ 年代。１９５２ 年 Ｄａｖｉｓ 等人研制成功了第一 个识别 １０ 个英文数字发音的实验系统。１９６０ 年 Ｄｅｎｅｓ 等人 研制成功了第一个计算机语音识别系统。
当应用程序通过请求的通知机制得到通知消息时， ＳＰＥＶＥＮＴ 结构的 ｌＰａｒａｍ 成员包含了一个 ＩｓｐＲｅｃｏＲｅｓｕｌｔ 接 口 ， 应 用 程 序 能 从 中 确 定 用 ＩｓｐＲｅｃｏＣｏｎｔｅｘｔ 中 的 哪 个 ＩｓｐＲｅｃｏＧｒａｍｍａｒ 接口已识别了什么语音。
３．２ 实现 ＳＲ 的过程 语音识别编程涉及到 ＩｓｐＲｅｃｏｇｎｉｚｅｒ，ＩｓｐＲｅｃｏＣｏｎｔｅｘｔ 和 ＩｓｐＲｅｃｏＧｒａｍｍａｒｓ 等多个语言识别引擎极口。我们首先构造 一个操作语音识别的类 ＣＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎ，然后基于该类 实现一个语音识别程序。在 ＣＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎ 类中封装了 语音识别操作所需要的几个接口，使用它进行语音识别更加 方便、简洁。在类 ＣＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎ 中定义了 ３ 个接口指针 ｍ＿ｃｐＲｅｃｏＥｎｇｉｎｅ，ｍ＿ｃｐＲｅｃｏＣｔｘｔ 和 ｍ＿ｃｐＤｉｃｔａｔｉｏｎＧｒａｍｍａｒ，分别用 于 引 用 语 音 识 别 引 擎 的 ３ 个 重 要 接 口 ＩｓｐＲｅｃｏｇｎｉｚｅｒ， ＩＳｐＲｅｃｏＣｏｎｔｅｘｔ 和 ＩｓｐＲｅｃｏＧｒａｍｍａｒ。 （１） 初始化 ＣＯＭ 库 在 Ｄｌｌ 中调用 ＣＯＭ 时必须先用 ＣｏＩｎｉｔｉａｌｉｚｅ （ＮＵＬＬ）初 始化 ＣＯＭ 库。