[发明专利]一种基于维特比算法的花洒语音识别系统及方法

权利要求书

1.一种基于维特比算法的花洒语音识别方法，其特征在于，包括以下步骤：

步骤1：采集用户发出的音频数据；

步骤2：基于维特比算法将所采集的音频数据识别为文字；

步骤3：将所识别的文字转化为包括开关花洒和控制水温的动作。

2.如权利要求1所述的基于维特比算法的花洒语音识别方法，其特征在于，所述步骤2包括：

步骤2.1：对所采集的音频数据进行降噪预处理；

步骤2.2：对降噪处理后的音频数据进行特征提取，以提取一组或几组能够描述音频数据特征参数；

步骤2.3：基于维特比算法，对提取后的特征参数进行解码，获取最优的文字识别结果。

3.如权利要求2所述的基于维特比算法的花洒语音识别方法，其特征在于，所述步骤2.1包括以下步骤：

步骤2.1.1：对所采集的音频数据进行首尾端的静音切除；

步骤2.1.2：对切除后的音频数据进行分帧处理；

步骤2.2.3：对分帧处理后的音频数据，从噪声背景中提取有用的语音信号，以抑制、降低噪声干扰。

4.如权利要求2所述的基于维特比算法的花洒语音识别方法，其特征在于，步骤2.1.2中，使用移动窗函数进行分帧，各帧之间具有交叠。

5.如权利要求2所述的基于维特比算法的花洒语音识别方法，其特征在于，步骤2.2中，所述特征参数包括平均能量、过零数、线性预测倒谱系数和梅尔频率倒谱系数。

6.如权利要求2所述的基于维特比算法的花洒语音识别方法，其特征在于，步骤2.3中，解码过程中，基于维特比算法，利用声学模型、发音字典及语言模型构建WFST搜索空间，在WFST搜索空间内寻找匹配概率最大的最优路径，得到最优的文字识别结果。

7.如权利要求6所述的基于维特比算法的花洒语音识别方法，其特征在于，所述声学模型所采用的训练方法为动态时间规整法、矢量量化法、隐马尔科夫模型法、人工神经网络法、支持向量机法或小波变换法。

8.一种基于维特比算法的花洒语音识别系统，其特征在于，包括：

数据采集模块，用于采集用户发出的音频数据；

语音识别模块，用于基于维特比算法将所采集的音频数据识别为文字；

控制模块，用于将所识别的文字转化为包括开关花洒和控制水温的动作。

9.如权利要求8所述的基于维特比算法的花洒语音识别系统，其特征在于，所述语音识别模块包括：

信息预处理模块，用于对所采集的音频数据进行降噪预处理；

特征提取模块，用于对降噪处理后的音频数据进行特征提取，以提取一组或几组能够描述音频数据特征参数；

模型训练模块，用于通过训练得到声学模型、语言模型及预设发音字典；

模式匹配模块，基于维特比算法，对提取后的特征参数进行解码，解码过程中，利用声学模型、发音字典及语言模型构建WFST搜索空间，在WFST搜索空间内寻找匹配概率最大的最优路径，得到最优的文字识别结果。

10.如权利要求9所述的基于维特比算法的花洒语音识别系统，其特征在于，所述信息预处理模块包括：

静音切除模块，用于对所采集的音频数据进行首尾端的静音切除；

分帧处理模块，用于对切除后的音频数据进行分帧处理；

降噪处理模块，用于对分帧处理后的音频数据，从噪声背景中提取有用的语音信号，以抑制、降低噪声干扰。