基于Kinect的语音识别技术研究

朱荣李小映

（广州工商学院计算机科学与工程系广州510850）

针对Kinect语音识别技术中的语音命令交互控制功能没有得到有效开发的问题，通过对Kinect麦克风阵列的基本原理进行阐述，对音频捕获、音频处理和语音识别过程中主要使用到的应用接口、类、对象、属性、方法和事件等进行深入剖析，以Kinect for Windows Developer Toolkit工具中的SpeechBasics-WPF案例中为研究对象，对该应用程序的每一个模块进行单元测试，同时配合静态分析技术，验证了代码的安全性和可靠性，并在此基础上提出了基于Kinect的语音命令实现交互控制的开发流程和编程算法，为Kinect语音命令识别的应用与开发提供策略与方法。

语音识别；波束成形；回声消除；自动增益控制；噪声抑制

Class NumberTN912

1 四元麦克风阵列

1.1 硬件组成

由于声音都是从上往下传导的，所以在硬件方面Kinect四元麦克风阵列位于Kinect设备的下方。四元麦克风阵列是不对称分布的，左边三个右边一个，四个相互独立的小型麦克风，其排列呈线形。四个麦克风可以同时接收多声道立体声，每一个麦克风都捕获相同的音频信号，但因使用了数字信号处理（DSP）组件并采用波束成形（Beamforming）技术后，麦克风阵列可以根据接收声音的时间差来定位声源方向，再加上配置了立体声模数转换放大器，麦克风阵列又可对捕获的音频信号进行噪声抑制（Noise Suppression）。如果要准确辨别出相应的语音命令，麦克风阵列最好在室内环境中侦听，因为它需要根据室内的声音反射来创建音频分布图并进行回声消除（Acoustic Echo Cancellation，AEC）。……