isolated word

    本文档在 MaixPy 0.5.1_128 minimum_speech_with_ide_support 固件测试通过,使用前请确保硬件录音功能可用。

    这是一个孤立词识别的算法模块,用户通过录音生成词汇模板加载到模块中,再通过它识别到用户加载的词汇模板,并返回匹配的可能性,实现请参考基于STM32的孤立词语音识别

    • 孤立词识别

      按照语音发音方式来分,有孤立词识别、连接词识别、连续语音识别 3 种;所谓孤立词识别(Isolated Word Recognition)是指在发待识别音时,每次只含词汇表中的一个词条。

    • 词汇模板

      我们将一段用人声说出的词汇录音下来,通过算法制作成可识别的模板,称为词汇模板。

    • 模板匹配

      假设算法模块加载了词汇模板,我们通过录音输入数据给算法模块后,它会进行内部匹配得到最有可能的识别结果。

    本模块具体识别流程是:预滤波、ADC、分帧、端点检测、预加重、加窗、特征提取、特征匹配。端点检测(VAD)采用短时幅度和短时过零率相结合。检测出有效语音后,根据人耳听觉感知特性,计算每帧语音的Mel频率倒谱系数(MFCC)。然后采用动态时间弯折(DTW)算法与特征模板相匹配,最终输出识别结果。

    如何使用?

    目前硬件支持程度:Maix BIT / DOCK / DUINO / GO 。

    截至 20201123 由于 Cube & Amigo 经过 ES8374 后,麦克风底噪过大会被判断为噪音环境,还需要修复。

    开箱即用示例代码

    模块调用流程

    为了能够更好地使用本模块,请了解使用流程。

    准备 I2S 录音模块

    配置一个 I2S.DEVICE_0 设备,并设置 CHANNEL_0 通道到录音输入。

    from Maix import GPIO, I2S
    from fpioa_manager import fm
    
    fm.register(20,fm.fpioa.I2S0_IN_D0, force=True)
    fm.register(18,fm.fpioa.I2S0_SCLK, force=True) # dock 32
    fm.register(19,fm.fpioa.I2S0_WS, force=True)   # dock 30
    
    rx = I2S(I2S.DEVICE_0)
    rx.channel_config(rx.CHANNEL_0, rx.RECEIVER, align_mode=I2S.STANDARD_MODE)
    rx.set_sample_rate(16000)
    print(rx)
    

    运行结果:

    [MAIXPY]i2s0:(sampling rate=16003, sampling points=1024)
    [MAIXPY]channle0:(resolution=2, cycles=2, align_mode=1, mode=1)
    [MAIXPY]channle1:(resolution=0, cycles=0, align_mode=0, mode=0)
    [MAIXPY]channle2:(resolution=0, cycles=0, align_mode=0, mode=0)
    [MAIXPY]channle3:(resolution=0, cycles=0, align_mode=0, mode=0)
    

    创建 孤立词 模块

    isolated_word 初始化的参数如下:

    • [dmac] 录音所使用的 DMA 通道,默认使用【通道 2】。
    • [i2s] 录音设备,默认使用 I2S.DEVICE_0 。
    • [size] 词汇模板容量,表示可以加载的模板总数,默认为 10 个。
    • [shift] 声道选择,Maix 系列的硬件录音设备通常为单声道输入,设置 0 为左声道,所以 1 为右声道。
    from speech_recognizer import isolated_word
    
    # default: maix dock / maix duino set shift=0
    sr = isolated_word(dmac=2, i2s=I2S.DEVICE_0, size=10, shift=0) # maix bit set shift=1
    print(sr.size())
    print(sr)
    
    ## threshold
    sr.set_threshold(0, 0, 10000)
    

    运行结果如下:

    10
    [MAIXPY] isolated_word:(80212a60)
     mfcc_dats=8023a060
    
     size=10
    
     i2s_device_number_t=0
    
     dmac_channel_number_t=2
    

    录入词汇模板

    调用如下代码:

    • 如果周围环境很嘈杂,它就会反复输出 2 (isolated_word.Ready) 到 3 (isolated_word.MaybeNoise) ,需要处于安静环境下才能录入词汇模板
    • 如果状态为 isolated_word.Speak 则表示你可以说话了
    • 如果运行 sr.record(0) 它状态变成了 isolated_word.Done 则表示录入完成,并保存到编号 0 的模板。
    • 你可以通过 sr.state() 可以查看当前模块的状态
    ## record and get & set
    while True:
      time.sleep_ms(100)
      print(sr.state())
      if sr.Done == sr.record(0):
        data = sr.get(0)
        print(data)
        break
      if sr.Speak == sr.state():
        print('speak A')
    #sr.set(1, data)
    

    同理,如果你要录入第二个【词汇模板】,只需要改变录入的位置,如改成 sr.record(1)(计算机存储数组从 0 开始计数)。

    识别词汇模板

    假设你已经录入了【词汇模板】则调用如下代码,它会持续识别当前的声音开始匹配录入的【词汇模板】,也就是所谓的孤立词语音识别。

    print('recognizer')
    while True:
      time.sleep_ms(200)
      #print(sr.state())
      #print(sr.dtw(data))
      if sr.Done == sr.recognize():
        res = sr.result()
        print(res)
    

    最终呈现的效果就是打印出最优匹配的【词汇模板】编号以及相关数据,具体请查看 result 函数用法,可以根据实际情况来判断本次识别是否合理,如匹配的帧长/匹配度是否符合预期,过大或过小都是不合理的。