基于高斯混合模型（GMM）的语音识别系统：MATLAB实现与核心原理-程序员充电站

一、核心技术框架

基于GMM的语音识别系统遵循“特征提取→模型训练→识别解码”的经典流程，其中**MFCC（梅尔频率倒谱系数）**是关键特征，**GMM（高斯混合模型）**用于建模语音特征的统计分布，Viterbi算法实现最优状态序列解码。系统架构如下：

语音信号 → 预处理（预加重、分帧、加窗） → MFCC特征提取 → GMM模型训练 → Viterbi解码 → 识别结果

二、关键步骤与MATLAB实现

1. 预处理：从原始语音到可分析信号

原始语音信号包含噪声、直流分量和频率变化，需通过预处理优化信号质量：

预加重：补偿人耳对高频成分的衰减，使用一阶高通滤波器（如filter([1 -0.97], 1, audio)）。
分帧与加窗：将连续语音分割为20-40ms的短帧（如25ms帧长+10ms重叠），应用汉明窗减少频谱泄漏（frames .* hamming(frameSize)）。

MATLAB代码片段：

% 读取语音文件[audio,fs]=audioread('sample.wav');% 预加重pre_emphasis=0.97;audio_pre=filter([1-pre_emphasis],1,audio);% 分帧（25ms帧长，10ms重叠）frame_size=round(0.025*fs);frame_overlap=round(0.01*fs);frames=buffer(audio_pre,frame_size,frame_overlap,'nodelay');% 加汉明窗frames=frames.*hamming(frame_size);

2. MFCC特征提取：模拟人耳听觉特性

MFCC通过Mel滤波器组和**离散余弦变换（DCT）**提取语音的频谱特征，符合人耳对频率的非线性感知：

Mel滤波器组：设计20-40个三角滤波器（如26个），覆盖低频到高频（melBank函数生成）。
FFT与Mel滤波：对每帧信号做FFT，通过Mel滤波器组获取频谱能量。
对数与DCT：对滤波器输出取对数（压缩动态范围），再通过DCT降维（保留前12-13个系数）。

MATLAB代码片段：

functionmfcc=extract_mfcc(audio,fs,num_coeffs=13)% 预加重pre_emphasis=0.97;audio_pre=filter([1-pre_emphasis],1,audio);% 分帧（25ms帧长，10ms重叠）frame_size=round(0.025*fs);frame_overlap=round(0.01*fs);frames=buffer(audio_pre,frame_size,frame_overlap,'nodelay');% 加汉明窗frames=frames.*hamming(frame_size);% Mel滤波器组（26个滤波器）num_filters=26;low_freq=300;high_freq=8000;mel_points=linspace(1,2595*log10(1+high_freq/700),num_filters+2);hz_points=700*log10(1+mel_points/1);filter_bank=zeros(num_filters,frame_size/2+1);form=2:num_filters+1f1=hz_points(m-1);f2=hz_points(m);f3=hz_points(m+1);fork=1:frame_size/2+1iff2<=k&&k<f3filter_bank(m-1,k)=(k-f2)/(f3-f2);elseiff1<=k&&k<f2filter_bank(m-1,k)=(f2-k)/(f2-f1);endendend% FFT与Mel滤波mag=abs(fft(frames,[],1));mag=mag(1:frame_size/2+1,:);filter_output=filter_bank*mag;% 对数与DCTlog_mel=log(filter_output+1e-10);mfcc=dct(log_mel,num_coeffs,'Type',2);% 取前12个系数（去掉直流分量）mfcc=mfcc(2:end,:);end

3. GMM模型训练：建模语音特征分布

GMM通过多个高斯分布的加权组合，模拟语音特征的统计分布。训练过程使用期望最大化（EM）算法优化参数（均值、协方差、权重）：

初始化：用K-means聚类初始化GMM的均值、协方差和权重。
E步：计算每个特征向量属于各高斯分量的后验概率（责任值）。
M步：根据责任值更新均值、协方差和权重。

MATLAB代码片段：

functiongmm=train_gmm(features,num_components=16)% 初始化GMM参数（K-means聚类）[idx,centroids]=kmeans(features',num_components);weights=histcounts(idx,1:num_components+1)'/size(features,2);covariances=zeros(num_components,size(features,1),size(features,1));fori=1:num_components cluster_features=features(:,idx==i);if~isempty(cluster_features)covariances(i,:,:)=cov(cluster_features')+1e-6*eye(size(features,1));elsecovariances(i,:,:)=eye(size(features,1));endend% EM算法迭代max_iters=100;foriter=1:max_iters% E步：计算责任值responsibilities=zeros(size(features,2),num_components);fori=1:num_components diff=features'-centroids(i,:);inv_cov=inv(covariances(i,:,:));det_cov=det(covariances(i,:,:));exponent=-0.5*sum((diff*inv_cov).*diff,1);responsibilities(:,i)=weights(i)*(1/(sqrt((2*pi)^size(features,1)*det_cov)))*exp(exponent);endresponsibilities=responsibilities./sum(responsibilities,2);% M步：更新参数Nk=sum(responsibilities,1);weights=Nk/size(features,2);centroids=(responsibilities'*features')./Nk';fori=1:num_components diff=features'-centroids(i,:);covariances(i,:,:)=(diff*diag(responsibilities(:,i))*diff')/Nk(i)+1e-6*eye(size(features,1));endend% 保存GMM参数gmm.weights=weights;gmm.means=centroids;gmm.covariances=covariances;end

4. 识别与解码：Viterbi算法找最优路径

Viterbi算法通过动态规划寻找最可能的状态序列，结合GMM的观测概率，实现语音到文本的转换：

状态定义：每个音素或子音素对应一个状态（如三音素模型：/b-a+t/）。
观测概率：GMM计算每个状态下的特征向量概率（mvnpdf函数）。
动态规划：计算每个时间步的最优状态，回溯得到最优路径。

MATLAB代码片段：

function[best_path,best_prob]=viterbi(observations,gmm_states,transition_matrix)% observations: 观测序列（MFCC特征向量）% gmm_states: 每个状态的GMM模型（cell数组）% transition_matrix: 状态转移矩阵num_states=size(transition_matrix,1);num_obs=size(observations,2);% 初始化delta和psi矩阵delta=zeros(num_states,num_obs);psi=zeros(num_states,num_obs);% 初始步（t=1）fors=1:num_statesdelta(s,1)=log(transition_matrix(1,s))+log(mvnpdf(observations(:,1),gmm_states{s}.means,gmm_states{s}.covariances));psi(s,1)=0;end% 递推步（t=2到T）fort=2:num_obsfors=1:num_states temp=delta(:,t-1)+log(transition_matrix(:,s));[max_val,max_idx]=max(temp);delta(s,t)=max_val+log(mvnpdf(observations(:,t),gmm_states{s}.means,gmm_states{s}.covariances));psi(s,t)=max_idx;endend% 终止步[best_prob,best_last_state]=max(delta(:,num_obs));% 回溯步best_path=zeros(1,num_obs);best_path(num_obs)=best_last_state;fort=num_obs-1:-1:1best_path(t)=psi(best_path(t+1),t+1);endend