CN103561104A - 智能手机语音控制***及其语音识别方法 - Google Patents

Abstract

一种智能手机语音控制***，包括车载手机***，服务器接收***，SMS消息服务***，Wap***和Web***。该控制***为了能够获取位置等图片信息,将Internet网络技术与GIS地图平台、GPRS以及无线网络技术相结合,通过Web应用服务***以及Wap应用服务***向客户提供报警信息服务。该控制***方便快捷多样全面，会给车主带来极大的方便与安全,在监控、防盗方面也拥有广阔的应用。

Description

智能手机语音控制***及其语音识别方法

技术领域

本发明涉及一种手机语音控制***及其语音识别方法。

背景技术

现有技术中，车辆自救、报警监控***没有与智能移动终端（手机）结合起来，所以对于在方便、快捷、多样、全面性上来讲有不足之处。

发明内容

为了解决上述问题，本发明提供了一种手机语音控制***及其语音识别方法，其整合了目前信息技术中比较流行的几种技术,语音识别、GPS、GPRS以及GIS平台,依赖无线网络技术和Internet技术,使得车主在车辆自救、报警的同时能够随时跟踪车辆的位置以及车速等相关资料。

本发明解决其技术问题所采用的技术方案是：

一方面，本发明提供了一种智能手机语音控制***，包括车载手机***，服务器接收***，SMS消息服务***，Wap***和Web***；

车载手机***具有智能语音库，用户说出自然语言后，智能语音库将用户的语音信号转换为文字消息并返回处理结果，然后将该文字信息发送给服务器接收***；

服务器接收***，接收到来自车载手机***的消息后,连接GIS***,并将车辆目前所在位置的坐标提供给GIS***,GIS***检索地图资料,并将结果以文字和图片的形式反馈给服务器,服务器接收***将文字资料存储在数据库中,把图片资料存储在对应的用户资料文件夹中；

SMS消息服务***在收到来自服务器接收***的通知后,分检出用户的资料,并组合所述文字消息以及Wap***提供的服务URL地址，SMS消息服务***将最后组合的URL地址以手机短信的方式通过所述车载手机***的发送给用户；

当用户收到来自车载手机***的短信后,根据短信中包含的URL地址,通过手机浏览器来连接并访问Wap服务器***,下载相关资料,Wap服务器***将资料以按照时间排序后的文本列表形式传递给用户手机，用户选择列表中的某个连接即可查看车辆目前所在区域以及其他相关信息；并且

用户能够通过计算机***登陆Web服务器***从而查看相关资料,并且Web服务器***提供了历史记录管理功能。

根据上述智能手机语音控制***，其中用户说出自然语言后，车载手机***中所包含的手机移动终端首先调用语音控件进行录音和智能剪辑，然后转发语音数据到手机后台监控中心，手机后台监控中心获取语音数据后进行处理，然后返回处理后的结果并呈现给手机用户，用户确认语音处理结果后再把所述文字信息发送给服务器接收***。

根据上述智能手机语音控制***，其中URL地址中包含用户帐号和密码信息。

根据上述智能手机语音控制***，其中当所述智能语音库根据用户说出的自然语言判断出用户处于醉酒状态时，手机终端可以进行警告提示或者实现自动救助。

根据上述智能手机语音控制***，，其中所述自动救助包括电话自动短信或电话呼叫预先设置好的号码以及自动报警。

另一方面，本发明提供了一种用于智能手机语音控制***中的语音识别方法，包括语音信号的训练阶段和识别阶段，在进行语音识别之前具有训练阶段，在训练阶段中将代表语音特征的特征参数进行处理后，为每个词条建立一个模型，保存为参考模板；在语音识别阶段，语音信号经过相同的通道得到语音特征参数，生成测试模板，与参考模板进行匹配，将匹配值最高的参考模板作为识别结果。

根据上述语音识别方法，采用端点检测算法确定语音的起点和终点,参考模板与测试模板采用相同类型的特征矢量、相同的帧长、相同的窗函数和相同的帧移;测试和参考模板分别用T和R表示，为了比较它们之间的匹配度，计算它们之间的距离D[T,R]，距离越小则认为它们之间的匹配值越高。

根据上述语音识别方法，设参考模板特征矢量序列为a1，a2，…，am；输入语音特征矢量序列为b1，b2，…，bn，其中m与n之间满足时间规正函数m=w(n)，并且该w满足下面的公式：

$D=\underset{w\left(n\right)}{\min }\underset{n=1}{\overset{N}{\mathrm{\Σ}}}d[n,w\left(n\right)]$

式中d[n,w(n)]是第n帧输入矢量和第m帧参考矢量的距离，D是相应于最优时间规正下二模板的距离测度。

上述语音识别方法，使用16b的定点DSP实现语音识别中的浮点运算，在精度要求比较高的地方，将计算的中间变量采用32b或者48b来表示，或者采用伪浮点法来表示浮点数，其中伪浮点法指用尾数+指数的方法来表示浮点数。

本发明的有益效果是：充分结合了通信、信息、控制、数码产品和计算机网络等应用技术,因此其自救、报警***的功能也可以进行扩充,不但能够显示视觉图像以及各种命令和车辆位置,也可以进一步实现语音传输,周围情况录入存储等功能,因此随着手机功能强大化,应用普遍化,它的方便快捷多样全面将会给车主带来极大的方便与安全。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是智能手机语音控制***结构示意图。

图2是智能手机语音控制流程示意图。

具体实施方式

由于手机受终端自身的影响，在输入方式上存在严重的局限性，手机用户对于便捷输入的需求与日俱增。同时，手机终端承载的客户服务和业务内容，越来越丰富用户对于快捷检索的要求越来越高。所以，用户用语音的方式去查询，订购服务和业务，手机***通过语义理解帮助用户快速定位所需要的服务或所需要的帮助，尤其对于驾驶中的车主非常重要。

车载手机智能语音知识库具有“会听”、“能懂”两项十分重要的功能。首先，“会听”是语音分析与转写，可识别出手机用户语音的内容、说话人、语种等信息。可以让手机用户轻松自由说出自己的需求，也即是用户可表达更为丰富的信息，让手机与监控中心交互变得更为自然、便捷。其次，“能懂”即是语义理解，智能分析用户的语义，为用户提供智能的服务，使手机终端能够快速智能处理手机用户的反馈。

采用本发明的手机终端智能语音服务的设计方案，可以具有以下优点：

1，这种语音输入弥补传统输入的不足，使手机用户在驾驶的过程中使用更自由；

2，手机中的智能语义分析，精确定位用户的需求和所需的帮助，返回处理结果；

3，提供更加便捷的信息输入方式；

4，可以自动填写繁琐信息，帮助驾驶过程中的用户轻松完成所需。

5，挖掘用户的特殊需求，根据用户的语义，模糊判断用户的状态，比如用户醉酒后的状态时，语无伦次，或是乱讲话的时候，手机终端可以进行警告提示，或实现手机终端的自动救助，比如电话自动短信或电话呼叫之前设置好的朋友或亲人，以及自动报警等功能。

智能移动终端（手机）以及外置的移动设备一般采用的都是无线网络技术,对于GPS,GPRS技术应用比较多。本发明中的***为了能够获取位置等图片信息,将Internet网络技术与GIS地图平台、GPRS以及无线网络技术相结合,通过Web应用服务***以及Wap应用服务***向客户提供报警信息服务。

该***中的主要功能模块实现:

(1)包括智能手机终端的车载手机***，基于现有智能手机的语音以及sms、wap和gps技术，配合智能语音以及智能语音库对自然语言的理解，在现有智能手机的基础上提供前段语音智能服务，有效提升手机语音功能以及手机终端的服务能力和效率；该车载手机***，以GPS技术和GPRS技术接收和发送消息,将消息发送给web服务器和wap服务器。

(2)服务器接收***，接收到来自车载手机***的自救、报警消息后,连接GIS地图平台,并将车辆目前所在位置的坐标提供给GIS***,GIS***检索地图资料,并将结果以文字和图片的形式反馈给服务器,服务器将文字资料存储在数据库中,把图片资料存储在对应的客户资料文件夹中。

(3)SMS消息服务***,SMS在收到来自服务器的通知后,分检出使用者的资料,并组合警告消息,以及Wap***提供的服务URL地址,URL地址中包含用户帐号、密码等相关信息。SMS消息服务***将最后组合的URL地址以手机短信的方式发送给客户。

(4)Wap***,当用户收到来自车载***的自救、报警短信后,直接选择短信中包含的URL地址,通过手机浏览器来连接并访问Wap服务器***,下载报警相关资料,Wap服务器***将资料以按照时间排序后的文本列表形式传递给客户手机；客户选择列表中的某个连接即可查看车辆目前所在区域以及其他相关信息。

(5)Web***,如果用户能够通过计算机***登陆Web服务器***,即可通过Internet连接访问Web服务器***,通过Web服务器***来查看报警资料,并且Web服务器***提供了历史记录管理功能,包括了SMS消息历史纪录,剩余费用点数查看,手机登陆Wap***历史纪录以及客户资料修改等。

下面对各个***的功能做进一步详细说明：

服务器接收***

其功能主要有:接收来自手机车载***的语音报警信息，并翻译成手机可识别的智能语音信号进行处理以及连接GIS***并获取车***置等相关资料。该功能实现可分为语音传送、翻译译码、接收服务、连接GIS***、接收GIS反馈、存储资料到对应的客户资料中心6部分。该***的实现是通过多线程来完成的,这样便可以同时接收多个用户手机车载***发来的报警消息满足多个用户的连接需求。其实现过程描述如下:

监听指定的端口

while(true)

{接收用户手机语音信号；

手机语义识别软件以及智能知识库结合判断出用户的需求进行处理发送给服务器端进行反馈信息；

接收来自客户的连接访问；

启动客户访问线程以处理相关操作。

}

客户处理线程描述:

{获取来自车载***提供的资料；

if(连接GIS***连接成功)

发送坐标等资料给GIS平台；

if(读取GIS的响应成功)

{if(连接数据库)

写数据到数据库

if(图片文件不存在)

写图片数据到指定文件

}

if(以上操作成功)

通知SMS***发送消息到用户手机

}

SMS消息服务***

该***与电信运营商公司的***连接,是发送消息的中间服务件,可以通过该服务发送指定消息内容,SMS***对外提供了一个接口。***根据消息内容的文本量来判断本次消息是单则消息还是多则消息,以便发送消息到对应的电信服务端口,其发送格式如下:

http://服务器地址:服务端口/send.aspx?dist=目标手机号码&smsbody=消息内容

在这里dist代表目标手机号码,可提供多个手机号码,每个号码间用分号分开,而smsbody是发给用户的具体消息内容,包括了用户浏览wap服务的地址,以及用户简单资料。

Wap***

Wap***用来提供给手机用户浏览报警资料。当用户收到来自报警的消息后,根据消息中的URL地址连接到Wap***,该***提供一个地理名称列表,用户通过地理名称列表选择希望详细了解的GIS图片以及最新的报警资料。本***采用了WML技术,并应用ASP.NET技术动态产生WML内容,让用户随时看到最新的报警资料,其实现描述如下:

if(客户存在)

{索取客户的相关资料以备发送消息用

if(数据库连接)

{获取列表资料

CreateWML()//产生WAP浏览器解析数据

发送WML语句到客户手机

}

}

当客户选择了指定列表中的某个项目后,

描述如下:

if(客户请求的资料存在)

{发送客户所请求的报警资料到客户手机}

Web***

用户可通过计算机连接Internet网络来查看报警资料。该***通过动态网站设计语言ASP.NET技术实现,提供给用户多种功能,具体实现描述如下:

if(用户登陆成功)

{显示功能菜单给登陆用户

if(用户请求修改资料)

连接数据库,并修改资料

if(用户查看SMS发送历史)

连接数据库,查询用户SMS历史,并显示给用户

if(用户查看Wap历史资料)

连接数据库,查询Wap历史资料,显示给用户

}

本发明还提供了一种语音识别方法，下面对本发明中所采用的语音识别的算法进行详细说明。

本发明采用端点检测算法确定语音的起点和终点。已存入模板库的各个词条称为参考模板，一个参考模板可表示为，m为训练语音帧的时序标号，m=1为起点语音帧，m=M为终点语音帧，因此M为该模板所包含的语音帧总数，R(m)为第m帧的语音特征矢量。所要识别的一个输入词条语音称为测试模板，可表示为测试语音帧的时序标号，n=1为起点语音帧，n=N为终点语音帧，因此N为该模板所包含的语音帧总数，T(n)为第n帧的语音特征矢量。参考模板与测试模板一般采用相同类型的特征矢量、相同的帧长、相同的窗函数和相同的帧移。测试和参考模板分别用T和R表示，为了比较它们之间的相似度，可以计算它们之间的距离D[T,R]，距离越小则相似度越高。为了计算这一失真距离，应从T和R中各个对应帧之间的距离算起。设n和m分别是T和R中任意选择的帧号，d[T(n),R(m)]表示这两帧之间的距离。距离函数取决于实际采用的距离度量。

该算法是把时间规正和距离测度计算结合起来的一种非线性规正技术。如设:参考模板特征矢量序列为a1，a2，…，am；输入语音特征矢量序列为b1，b2，…，bn，如果m≠n，那么该算法就是要寻找时间规正函数m=w(n)，它把输入模板的时间轴疗非线性的映射到参考模板的时间轴m，并且该w满足下面的公式（1）：

$D=\underset{w\left(n\right)}{\min }\underset{n=1}{\overset{N}{\mathrm{\Σ}}}d[n,w\left(n\right)]$    公式（1）

式中d[n,w(n)]是第n帧输入矢量和第m帧参考矢量的距离，D是相应于最优时间规正下二模板的距离测度。若n=m则可以直接计算，否则要考虑将T(n)和R(m)对齐。对齐可以采用线性扩张的方法，如果n<m可以将T线性映射为一个M帧的序列，再计算它与之间的距离。但是这样的计算没有考虑到语音中各个段在不同的情况下的持续时间会产生或长或短的变化，因此识别效果不可能最佳。因而更多地是采用动态规划的方法。该算法是一个典型的最优化问题。它用满足一定条件的时间规正函数w(n)描述输入模板和参考模板的时间对应关系，求解二模板匹配时累计距离最小所对应的规正函数：所以该算法保证了二模板间存在的最大声学相似性。

根据实际中的应用不同，本发明的语音识别***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***，其基本原理和处理方法都大体类似。

语音识别过程主要包括语音信号的预处理、特征提取、模式匹配几个部分。预处理包括预滤波、采样和量化、加窗、端点检测、预加重等过程。语音信号识别最重要的一环就是特征参数提取。提取的特征参数必须满足以下的要求：

(1)提取的特征参数能有效地代表语音特征，具有很好的区分性；

(2)各阶参数之间有良好的独立性；

(3)特征参数要计算方便，最好有高效的算法，以保证语音识别的实时实现。

在训练阶段，将特征参数进行一定的处理后，为每个词条建立一个模型，保存为模板库。在识别阶段，语音信号经过相同的通道得到语音特征参数，生成测试模板，与参考模板进行匹配，将匹配分数最高的参考模板作为识别结果。同时，还可以在很多先验知识的帮助下，提高识别的准确率。

下面进一步对使用DSP实现语音识别进行说明。

在语音识别的算法中，有许多的浮点运算。用定点DSP来实现浮点运算是在编写语音识别程序中需要首先解决的问题。这个问题可以通过数的定标方法来实现。数的定标就是决定小数点在定点数中的位置。Q表示法是一种常用的定标方法。其表示机制是：

设定点数是J，浮点数是f，则Q法表示的定点数与浮点数的转换关系为：浮点数f转换为定点数x：x=(int)y×2Q；定点数z转换为浮点数y：y=(float)x×2-Q。

用16b的定点DSP实现语音识别算法时，虽然程序的运行速度提高了，但是数据精度比较低。这可能由于中间过程的累计误差而引起运算结果的不正确。为了提高数据的运算精度，在程序中采用了以下的处理方法：

(1)扩展精度在精度要求比较高的地方，将计算的中间变量采用32b，甚至48b来表示。这样，在指令条数增加不多的情况下却使运算精度大大提高了。

(2)采用伪浮点法来表示浮点数

伪浮点法即用尾数+指数的方法来表示浮点数。这时，数据块的尾数可以采用Q1.15数据格式，数据块的指数相同。这种表示数据的方法有足够大的数据范围，可以完全满足数据精度的要求，但是需要自己编写一套指数和尾数运算库，会额外增加程序的指令数和运算量，不利于实时实现。

以上两种方法，都可以提高运算精度，但在实际操作时，要根据***的要求和算法的复杂度，来权衡考虑。

在高级语言中，有全局变量与局部变量存储的区别，但在DSP程序中，所有声明的变量在链接时都会分给数据空间。所以如果按照高级语言那样定义局部变量，就会浪费大量的DSP存储空间，这对数据空间较为紧张的定点DSP来说，显然是不合理的。为了节省存储空间，在编写DSP程序时，最好维护好一张变量表。每进入一个DSP子模块时，不要急于分配新的局部变量，应优先使用已分配但不用的变量。只有在不够时才分配新的局部变量。

在语音识别算法的实现中，为了便于程序的设计和调试，采用了模块化的程序设计方法。以语音识别的基本过程为依据进行模块划分，每个模块再划分为若干个子模块，然后以模块为单元进行编程和调试。在编写程序之前，首先用高级语言对每个模块进行算法仿真，在此基础上再进行汇编程序的编写。在调试时，可以采用高级语言与汇编语言对比的调试方式，这样可以通过跟踪高级语言与汇编语言的中间状态，来验证汇编语言的正确性，并及时的发现和修改错误，缩短编程周期。另外，在程序的编写过程中，应在关键的部分加上必要的注释与说明，以增强程序的可读性。在总调时，需要在各模块中设置好相应的入口参数与出口参数，维护好堆栈指针与中间变量等。

以上的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (9)

1.一种智能手机语音控制***，包括车载手机***，服务器接收***，SMS消息服务***，Wap***和Web***；其特征是：

车载手机***具有智能语音库，用户说出自然语言后，智能语音库将用户的语音信号转换为文字消息并返回处理结果，然后将该文字信息发送给服务器接收***；

服务器接收***，接收到来自车载手机***的消息后,连接GIS***,并将车辆目前所在位置的坐标提供给GIS***,GIS***检索地图资料,并将结果以文字和图片的形式反馈给服务器,服务器接收***将文字资料存储在数据库中,把图片资料存储在对应的用户资料文件夹中；

SMS消息服务***在收到来自服务器接收***的通知后,分检出用户的资料,并组合所述文字消息以及Wap***提供的服务URL地址，SMS消息服务***将最后组合的URL地址以手机短信的方式通过所述车载手机***的发送给用户；

当用户收到来自车载手机***的短信后,根据短信中包含的URL地址,通过手机浏览器来连接并访问Wap服务器***,下载相关资料,Wap服务器***将资料以按照时间排序后的文本列表形式传递给用户手机，用户选择列表中的某个连接即可查看车辆目前所在区域以及其他相关信息；并且

用户能够通过计算机***登陆Web服务器***从而查看相关资料,并且Web服务器***提供了历史记录管理功能。

2.根据权利要求1所述的智能手机语音控制***，其特征是：用户说出自然语言后，车载手机***中所包含的手机移动终端首先调用语音控件进行录音和智能剪辑，然后转发语音数据到手机后台监控中心，手机后台监控中心获取语音数据后进行处理，然后返回处理后的结果并呈现给手机用户，用户确认语音处理结果后再把所述文字信息发送给服务器接收***。

3.根据权利要求1所述的智能手机语音控制***，其特征是：URL地址中包含用户帐号和密码信息。

4.根据权利要求1所述的智能手机语音控制***，其特征是：当所述智能语音库根据用户说出的自然语言判断出用户处于醉酒状态时，手机终端可以进行警告提示或者实现自动救助。

5.根据权利要求4所述的智能手机语音控制***，其特征是：所述自动救助包括电话自动短信或电话呼叫预先设置好的号码以及自动报警。

6.一种用于权利要求1-5中任意一个智能手机语音控制***中的语音识别方法，包括语音信号的训练阶段和识别阶段，其特征是：在进行语音识别阶段之前进行训练阶段，在训练阶段中将代表语音特征的语音特征参数进行处理后，为每个词条建立一个模型，保存为参考模板；在语音识别阶段，语音信号经过相同的通道得到语音特征参数，生成测试模板，与参考模板进行匹配，将匹配值最高的参考模板作为识别结果。

7.根据权利要求6所述的语音识别方法，其特征是：采用端点检测算法确定语音的起点和终点,参考模板与测试模板采用相同类型的特征矢量、相同的帧长、相同的窗函数和相同的帧移;测试和参考模板分别用T和R表示，为了比较它们之间的匹配度，计算它们之间的距离D[T,R]，距离越小则认为它们之间的匹配值越高。

8.根据权利要求7所述的语音识别方法，其特征是：

设参考模板特征矢量序列为a1，a2，…，am；输入语音特征矢量序列为b1，b2，…，bn，其中m与n之间满足时间规正函数m=w(n)，并且该w满足下面的公式：

$D=\underset{w\left(n\right)}{\min }\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}d[n,w\left(n\right)]$

式中d[n,w(n)]是第n帧输入矢量和第m帧参考矢量的距离，D是相应于最优时间规正下二模板的距离测度。

9.根据权利要求6-8中任意一个所述的语音识别方法，其特征是：使用16b的定点DSP实现语音识别中的浮点运算，在精度要求比较高的地方，将计算的中间变量采用32b或者48b来表示，或者采用伪浮点法来表示浮点数，其中伪浮点法指用尾数+指数的方法来表示浮点数。

Images