做语音识别研究的朋友，应该对特定人孤立语音识别不陌生。这是语音识别领域里一个相对成熟，但又一直有优化空间的分支，很多小型嵌入式设备的语音交互，都在用这个方案。
今天我想聊聊把线性预测倒谱和DTW动态时间规整结合，放在DSP平台上做的这项研究，算是把我做这个课题的一些实际思考整理出来，给同样做相关方向的朋友做个参考。
先来说说为什么选这两个技术结合。做语音识别第一步要做的就是特征提取，你得先把语音里有用的信息摘出来，去掉没用的噪声和冗余数据，后面的匹配才能准。线性预测倒谱也就是LPCC，是很早就在用的特征提取方法，它的计算量不大，提取出来的特征能很好模拟人声的发声特性，对DSP这种计算资源不算特别大的嵌入式平台来说，刚好合适。
很多人现在可能会说，不是有MFCC梅尔倒谱吗？效果比LPCC还好啊。没错，MFCC的抗噪性确实更好，但计算量也更大。我们做这个研究的目标，本来就是做一个能在低端DSP平台跑起来的轻量特定人识别方案，LPCC的复杂度低，对特定人小词汇量的识别来说，准确率完全够用，性价比反而更高。
说完特征提取，再来说匹配阶段用的DTW，也就是动态时间规整。孤立语音识别有个很头疼的问题，就是同一个人说同一个词，每次的时长都不可能完全一样。可能这次说"打开"用了0.3秒，下次紧张就说成0.5秒，直接用模板做欧氏距离匹配误差肯定很大。
DTW就是专门解决这个问题的，它通过动态规划把两个不同长度的语音序列做时间轴对齐，能把时长不同带来的误差给消掉。而且对小词汇量的特定人识别来说，词汇模板不多，DTW的计算量完全在DSP的承受范围内，不用搞复杂的深度学习模型，对嵌入式部署太友好了。
接下来聊聊我们在DSP平台上做的实际实现过程。我们用的是TI公司的常用定点DSP芯片，成本低，市场占有率高，做出来的方案更容易落地。
第一步是语音信号预处理，先把采集到的模拟语音信号转成数字信号，之后做预加重、分帧、加窗。预加重就是把语音信号高频部分的损失给补回来，让整个频谱变得平坦，方便后面做分析。分帧一般我们把帧长设为20到30毫秒，因为语音在短时间内算是稳定的，这个帧长刚好合适，帧移一般取帧长的一半就行。
做完预处理就可以提取线性预测倒谱了。先做线性预测分析，用之前若干个样点的线性组合预测当前样点，求出线性预测系数，再把这些系数转成倒谱系数，就能得到我们要的LPCC特征。这个过程计算不复杂，我们针对DSP的硬件结构做了一些指令优化，把一些循环运算改成DSP的并行指令，计算速度提了不少。
特征提取完就是训练模板，每个词汇我们让说话人重复录5到10次，提取特征后取平均生成标准模板，存在DSP的存储空间里。后面识别的时候，把输入语音提取完特征，用DTW和每个模板做匹配，算出距离最小的那个，就是识别结果。
当然实际做的时候也踩了不少坑。最开始我们直接用原始的DTW算法，结果发现当特征序列差太大的时候，会出现过度扭曲的问题，就是为了对齐把本来不对应的点硬凑在一起，反而降低了识别率。后来我们给DTW加了边界约束和窗口限制，只允许时间轴在一定范围内偏移，既保留了DTW对齐的优势，又避免了过度扭曲，准确率一下提了快8个百分点。
还有就是DSP的资源问题，最开始我们没做优化，存特征的时候用了太多存储空间，识别一次的时间也太长，根本达不到实时性要求。后来我们把LPCC的阶数从16阶降到12阶，对特定人识别来说，12阶已经足够保留关键特征，少4阶不仅省了存储空间，计算速度也快了不少。我们还把DTW里一些重复的计算提前算好存在表里，用的时候直接查表，不用每次都重新算，又省了不少时间。
我们实际做了测试，选了10个常用词汇，比如开灯、关灯、开门、关门这类控制指令，找了5个说话人做测试，平均识别率能达到97%以上，单次识别时间不到100毫秒，完全满足小型家电控制、车载局部控制这类场景的实时性要求。
其实现在语音识别领域都在拼大模型，端侧大模型确实效果好，但对很多低成本低功耗的嵌入式设备来说，根本跑不起来。这种传统方法组合出来的方案，反而刚好适配这类场景，成本低，开发难度小，识别率也够用，落地起来容易很多。
我们做这个研究的意义，也不是说要推翻什么新方法，就是给特定场景下的语音识别应用，提供一个更实用的落地选项。毕竟不是所有项目都需要动辄几亿参数的大模型，适合场景需求、成本可控的方案，才是最好用的方案。
接下来我们还打算试试把LPCC和少量MFCC特征结合，在不增加太多计算量的前提下，进一步提升抗噪性，毕竟实际使用环境里不可能完全安静，有噪声的时候准确率掉的还是有点多，还得继续优化。

DSP语音论文, 线性预测倒谱, 动态时间规整DTW, 特定人孤立语音识别, 语音特征提取, 语音信号预处理, DSP嵌入式部署, 语音识别模板匹配, 轻量语音识别, 孤立语音识别优化

[Q]：这篇DSP论文研究的核心内容是什么？
[A]：这篇研究主要探索了将线性预测倒谱LPCC与动态时间规整DTW技术结合，在DSP平台实现低成本可用的特定人孤立语音识别方案，适配低资源嵌入式场景的需求。
[Q]：为什么选择线性预测倒谱而不是更流行的MFCC？
[A]：MFCC虽然抗噪性更好，但计算量更大。线性预测倒谱计算复杂度低，对小词汇量特定人识别来说准确率足够，更适配DSP有限的计算资源，性价比更高。
[Q]：DTW技术在语音识别里起到什么作用？
[A]：同一个人说同一个词语每次时长都不固定，DTW通过动态规划对不同长度的语音特征序列做时间轴对齐，能消除时长差异带来的匹配误差，提升识别准确率。
[Q]：这项研究适配什么应用场景？
[A]：适合低成本低功耗的小型嵌入式设备，比如小型智能家居控制、车载局部功能控制这类对成本敏感，不需要大词汇量的语音交互场景。
[Q]：原始DTW算法存在什么问题？怎么优化的？
[A]：原始DTW在特征序列长度差异较大时容易出现过度扭曲，把不对应的特征点强行对齐反而降低准确率。优化方法是增加边界约束和滑动窗口限制，只允许时间轴在合理范围内偏移，解决了过度扭曲问题。
[Q]：针对DSP平台做了哪些性能优化？
[A]：一方面把LPCC特征阶数从16阶降到12阶，减少存储占用和计算量；另一方面将DTW的重复运算提前计算缓存，改用DSP并行指令优化循环运算，大幅提升识别速度。
[Q]：最终测试的识别效果怎么样？
[A]：针对10个常用指令的测试中，5个测试说话人的平均识别率达到97%以上，单次识别时间不到100毫秒，完全满足场景的实时性要求。
[Q]：这项研究后续还有什么优化方向？
[A]：后续打算结合少量MFCC特征，在不明显增加计算量的前提下提升方案的抗噪性，优化实际嘈杂使用环境下的识别准确率。