基于Linux平台语音识别技术的实现

程海波，欧阳宏基

（咸阳师范学院 计算机学院，陕西 咸阳 712000）

0 引 言

随着经济和科技的飞速发展，各项新型技术取得了或多或少的进步。其中，在《互联网技术司法应用白皮书》中提到的语音识别技术近些年备受人们关注。从国外的Audry系统，到大众所熟知的Siri、小度、高德地图语音导航，以及科大讯飞的方言识别等均发展迅速。除此之外，语音识别技术还在日常的生活，如医疗、通信、工业等领域取得了不错的成就。就目前发展的形势来看，语音识别仍然具有较高的开发价值。本文主要以多媒体技术及网络技术为基础，结合Linux平台，通过ALSA和科大讯飞的SDK进行音频录制、播放等功能，进而实现语音识别。

1 语音识别技术

1.1 语音识别的概念

语音识别技术也称自动语音识别（Automatic Speech Recognition, ASR），这是让语音识别设备通过识别、学习和理解，将目标声音的内容转换为计算机可读的数据输入（如：文字或命令）的一项高级技术。同时，它也属于一门复杂的交叉学科，涉及的学科包括：声学、心理学、语言学、概率论、人工智能、信号处理、信息理论、模式识别等。

1.2 语音识别原理

语音识别的原理是将语音转换成用户能读懂的文字。其采用模式识别作为基本框架，分为数据预处理、特征提取、模型训练、测试应用四部分，其功能模块和原理如图1所示。

图1 语音识别原理模块

语音识别一般可分为两个模块，训练模块和识别模块。训练模块主要通过对声音的学习，将学习结果构成语音库并存储，在识别过程中将当前听到的声音在语音库中查找相应语义或词义。识别模块依据当前主流的语音识别算法，解析接收的声音信号特征参数（即特征提取），按照既定的判断条件和准则与语音库的数据进行比较，最终通过对比得出语音识别结果。

2 关键技术

2.1 ALSA

高级 Linux 声音架构（Advanced Linux Sound Architecture,ALSA）是一个完全开放的音频驱动程序集，它主要支持Linux操作系统中的乐器数字化接口（MIDI）及声频。在Linux 2.6内核版本之后，ALSA被默认为声音子系统，而之前2.4版本所使用的开放声音系统（OSS）则被舍弃。

ALSA具有以下特点：

（1）支持各种型号的声效卡和声频接口；

（2）支持旧的开放声音系统（OSS）API，具有OSS程序二进制兼容性；

（3）模块化设计；

（4）支持线程安全和SMP；

（5）提供用户空间库（lib）以简化应用程序的编程并提供更高级别的功能。

急性冠脉综合征是临床上较为常见的心血管疾病之一,同时也是冠张动脉粥样硬化性心脏病之一,通常见于老年人群[3];曾有学者研究表明:急性冠脉综合征诱发因素与吸烟、高血压、糖尿病、高脂血症及冠心病家族史等具有密切相关联系,患者可伴有发作性胸痛、胸闷等一系列临床表现,若不实施有效方法进行治疗,能够诱发心律失常、心衰、猝死等并发症,继而危及患者的生命安全,且进一步降低生存质量[4]。

由于ALSA很好地兼容了OSS，且其内含有更加友好的编程接口，因此ALSA对于开发人员而言无疑是更好的选择。ALSA系统主要包含了驱动包（Driver）、开发包（libs）、开发包插件（libplugins）、设置管理工具包（utils）、其他声音相关处理小程序包（tools）、特别声频固件包（firmware）、OSS接口兼容模拟层工具（OSS）等共7个子包。其中，Driver包是开发人员进行开发所必备的。

Driver包中含有一些内核驱动程序，其高达数十万行的内容主要包括一些公共代码及硬件关联代码；libs包括一些函数库，主要用来支持应用程序，使用最多的是asoundlib.h（头文件）以及libasound.so（共享库）；而utils主要以ALSA为基础，用来控制声效卡的应用程序，如alsactl（声效卡的高级设置）、record（音频录制）、aplay（音频播放）等。

目前，ALSA主要给用户空间提供了以下几个接口：信息接口（Information Interface，/proc/asound）、控制接口（Control Interface，/dev/snd/controlCX）、混音器接口（Mixer Interface，/dev/snd/mixerCXDX）、PCM接口（PCM Interface，/dev/snd/pcmCXDX）、Raw 迷笛接口（Raw MIDI Interface，/dev/snd/midiCXDX）、音序器接口（Sequencer Interface，/dev/snd/seq）、定时器接口（Timer Interface，/dev/snd/timer）。

2.2 科大讯飞SDK

SDK（软件开发工具包）是为创建应用软件而集成的软件工具包，一般包含有专属的软件包、框架、操作系统以及硬件平台等。科大讯飞SDK是科大讯飞基于多种功能集合而来的工具包。

当开发人员要实现相应语音识别的功能时，就需要调用相应的SDK，以科大讯飞离线语音合成功能为例。

首先，下载需要使用的科大讯飞SDK包，用户进入讯飞开放平台页面（https：//www.xfyun.cn）注册账号成为开发者，注册成功后，创建一个专属于自己的控制台。创建完成后，进入SDK下载中心，选择“应用”这一栏并选择自己的控制台，平台选择Linux，之后选择需要的服务，此外选择离线语音合成。完成以上步骤后，点击SDK下载，便可以将SDK文件下载到用户的电脑上，在Linux环境下实现语音合成。

（1）将讯飞包放入Linux系统的家目录中；

（2）创建一个工作目录，将讯飞包放入解压：

mkdir /home/llx/xunfei;

mv Linux_aisound_exp1227_35146063.zip home/gec/xunfei;

cd /home/llx/xunfei;

unzip Linux_aisound_exp1227_35146063.zip;

（3）配置科大讯飞库文件：

sudo cp /home/llx/xunfei/libs/x64/* /lib;

完成库文件的搭建后，可以看到讯飞包中有关各文件的说明，见表1所列。

表1 讯飞包各文件说明

了解清楚各文件后，用户便可以使用科大讯飞库的代码：

经过如上步骤便可基本实现调用SDK。但此步骤仅仅只能演示科大讯飞的示例代码，如果需要修改科大讯飞的源码文件进行自定义合成语音，则需以下步骤：

3 语音识别技术实现

（1）集成讯飞SDK。用户选择需要的功能，将下载的SDK包进行整合并压缩，压缩包名为XF_SDK.tar.bz。接着，压缩包放入Linux系统的目录中解压（需要使用tar命令），解压完成后进入XF_SDK文件夹中的源码目录对源码进行编译。

（2）创建管道文件。创建2个管道文件分别用于控制讯飞服务器的识别开始和数据返回：

（3）执行讯飞识别语音应用。进入XF_SDK下的bin目录执行./asr_offline_sample（asr_offline_sample是语音识别程序）程序。

（4）开启识别服务器后，需要控制pipe与pipeg管道文件。打开新终端并输入 ：echo "star" ＞ pipeg。

（5）应用实例。使用者发出声音如：“你好”。数据接收端便会出现图2所示的结果。

图2 语音识别结果

若要修改语音识别命令，则需要修改bin目录下的call.bnf文件。

4 结 语

语音识别技术复杂且使用面广，随着语音识别技术的发展，越来越多的问题都将被提出和解决。本文主要结合Linux平台，使用ALSA和讯飞SDK，初步实现了Linux环境下语音识别的部分基础功能。下一步的研究方向是以此次经验为基础，结合实际情况，实现Linux环境下语音识别技术的更多功能并将其与嵌入式平台结合。