陳衛(wèi)兵，何必都，黃永坤，鄒豪杰，張洪波

（湖南工業(yè)大學(xué) 計(jì)算機(jī)與通信學(xué)院，湖南 株洲 412007）

0 引言

語音識別是將原始語音經(jīng)過預(yù)處理后進(jìn)行特征提取，再與事先經(jīng)測試和訓(xùn)練后所得并存儲到計(jì)算機(jī)的標(biāo)準(zhǔn)參考模型進(jìn)行比較，最后得出判定和識別結(jié)果。20年來，語音識別技術(shù)取得了較大發(fā)展，它經(jīng)歷了從孤立詞、小詞匯量、特定人到大詞匯量、非特定人的發(fā)展歷程[1]。但語音識別的計(jì)算量較大，難以實(shí)時(shí)實(shí)現(xiàn)，此問題制約著它在各個領(lǐng)域內(nèi)的應(yīng)用。目前，隨著數(shù)字信號處理（digital signal processing，DSP）專用集成電路技術(shù)的迅速發(fā)展[2-3]，語音識別，尤其是計(jì)算量較小的非特定人的孤立詞識別的實(shí)時(shí)實(shí)現(xiàn)成為可能。

電梯行業(yè)中，傳統(tǒng)的電梯控制器要求人們通過按電梯的樓層按鈕來確定需要到達(dá)的區(qū)域。當(dāng)電梯中人數(shù)較多、較擁擠時(shí)，按鍵很不方便?？紤]到語音的非接觸傳輸特點(diǎn)，將語音識別和控制技術(shù)用于電梯中，將使傳統(tǒng)的電梯更加人性化、便捷化。因此，本文擬以TMS320C6713 DSP芯片作為系統(tǒng)運(yùn)算控制中心，TLV320AIC23B芯片作為語音輸入、輸出的模擬前端，EP2C5Q208C8 FPGA芯片作為系統(tǒng)IO擴(kuò)展，將這3個部分有機(jī)結(jié)合，開發(fā)基于非特定人、孤立詞、小詞匯量的嵌入式語音識別電梯控制系統(tǒng)，以解決多人乘坐電梯時(shí)按鍵不方便的問題。

1 系統(tǒng)設(shè)計(jì)方案

圖1 系統(tǒng)總體結(jié)構(gòu)框圖Fig.1 Block diagram for the overall system

從圖1可看出，所設(shè)計(jì)的語言識別控制系統(tǒng)主要由TMS320C6713 DSP語音識別處理芯片、TLV320AIC23B語音輸入/輸出的模擬前端芯片、電梯控制接口擴(kuò)展FPGA芯片和其他輔助芯片（外部儲存器SDRAM選用MT48LC4M16A2，大小為64 MB，對應(yīng)地址為：0x80000000H～0x82FFFFFFH。

FALSH采用AM29LV800B，大小為2 MB，對應(yīng)地址為0x90000000H～0x90200000 H組成。TMS320C6713為高性能32位浮點(diǎn)DSP，適用于專業(yè)音頻信號處理，主頻達(dá)300 MHz，處理速度達(dá)2400 MIPS/1800 MFLOPS，能滿足快速運(yùn)算和處理時(shí)間的語音識別要求。

TI公司的TLV320AIC23B是一款集成ADC（application data center），DAC（digital analog canverter）于一體的模擬接口電路，采用先進(jìn)的Sigma-delta過采樣技術(shù)，可在8 kB～96 kB采樣率范圍內(nèi)提供16，20，24，32 位采樣，ADC和DAC的信噪比可分別達(dá)90 dB和100 dB。其與外圍音頻輸入設(shè)備的接口電路如圖2所示。

圖2 音頻輸入電路Fig.2 Audio input circuit

TMS320C6713與TLV320AIC23B連接方式見圖3。

圖3 TMS320C6713與TLV320AIC23B硬件連接Fig.3 The hardware connection between TMS320C6713 and TLV320AIC23B

TLV320AIC23B的控制口用于設(shè)置其工作參數(shù)，采用I2C總線口1實(shí)現(xiàn)；數(shù)據(jù)口用于傳輸TLC320AD50B的A/D,D/A數(shù)據(jù)，TLV320AIC23B的數(shù)據(jù)口與TMS320C6713的McBsp0接口連接，用于芯片間的數(shù)據(jù)交換。

2 算法及軟件實(shí)現(xiàn)

2.1 語音識別算法

語音識別系統(tǒng)的總體方案見圖4。

圖 4 語音識別方案Fig.4 The program of speech recognition

語音識別系統(tǒng)首先將收集到的語音信號進(jìn)行預(yù)處理，包括預(yù)加重、加窗、端點(diǎn)檢測等；然后進(jìn)行特征提取，即從語音波形中提取出隨時(shí)間變化的語音特征序列；最后，將其訓(xùn)練為聲學(xué)模型，并且在模式匹配中運(yùn)用識別算法進(jìn)行匹配，得到最佳識別結(jié)果。

2.2 端點(diǎn)檢測

端點(diǎn)檢測之前先對采集到的語音信號進(jìn)行預(yù)加重，以去除語音信號中的低頻噪聲，然后選用hamming窗做加窗處理。主要依據(jù)為hamming窗主瓣比矩形窗的主瓣寬度大1倍，同時(shí)其帶外衰減也比矩形窗大1倍多，因而不會損失信號中的高頻成分。加窗后將語音信號分割為幀。

端點(diǎn)檢測就是從含噪聲的信號中檢測出說話人語音信號的起始點(diǎn)和結(jié)束點(diǎn)。只有正確檢測出語音信息段才能正確地進(jìn)行語音處理。端點(diǎn)檢測的時(shí)域處理方法是：首先在當(dāng)前環(huán)境情況下，采集一段無聲語音，求出平均過零率。由于采集聲音信號的最初的短時(shí)段為無語音段，僅有均勻分布的背景噪聲信號。這樣就可以用已知為“靜態(tài)”的最初幾幀（一般取10幀）信號計(jì)算其過零率閾值，以此作為無語音段，當(dāng)過零率變化時(shí)作為語音的起始。語音結(jié)束點(diǎn)的獲得方法與此相同，從后向前搜索，當(dāng)超過過零率的變化時(shí)作為語音的結(jié)束。

2.3 特征提取

特征參數(shù)提取[4]是指從語音信號中抽取有效的語音信號特征，提取算法如下：

1）對信號進(jìn)行短時(shí)傅里葉變換得到頻譜。

2）求頻譜幅度的平方得到能量譜，再用一組三角形濾波器在頻域內(nèi)對能量譜進(jìn)行帶通濾波；設(shè)濾波器數(shù)為M，濾波后得到的輸出為X(k)，k=1,2,…,M。

3）對濾波器組的輸出取對數(shù)，然后對它做2M點(diǎn)逆離散傅里葉變換，得到Mel頻率倒譜系數(shù)（mel frequency cepstrum coefficient，MFCC）。因?yàn)閷ΨQ性的關(guān)系，變換式可簡化表示為：

式中L 為MFCC系數(shù)的個數(shù)，本系統(tǒng)取24個。

2.4 模板匹配

采用動態(tài)時(shí)間彎折（dynamic time warping，DTW）算法[5]進(jìn)行模板匹配：假設(shè)參考模板的MFCC系數(shù)向量序列為X=(x1, x2,…, xi)，輸入語音的MFCC系數(shù)向量序列為Y=(y1, y2,…, yj)，i≠j。DTW 算法就是要尋找一個最佳的時(shí)間規(guī)正函數(shù)，使待測語音的時(shí)間軸j非線性地映射到參考模板的時(shí)間軸i上，因而總的累計(jì)差值最小。算法過程如圖5所示。

圖5 DTW算法過程Fig.5DTW algorithm process

圖5中曲線連接起來的點(diǎn)就是模板與待測語音信號間的距離d(xi(n)，yj(n))，亦稱為局部匹配距離。DTW 算法就是通過局部優(yōu)化的方法實(shí)現(xiàn)加權(quán)距離總和最小，也就是相似度最大，即

2.5 軟件實(shí)現(xiàn)

軟件設(shè)計(jì)以TI DSP/BIOS實(shí)時(shí)多任務(wù)操作系統(tǒng)為軟件設(shè)計(jì)基礎(chǔ)，采用圖像界面配置DSP/BIOS，在開發(fā)環(huán)境中自動生成.cmd文件。使用TI的TMS320C6000 Chip Support LibraryAPI Reference Guide進(jìn)行EMIF，McBsp，PLL等初始化操作。通過I2C總線端口1配置TLV320AIC23B芯片，McBsp0口與TLV320AIC23B相連實(shí)現(xiàn)語音信號采集。端點(diǎn)檢測、MFCC和DTW模板匹配用C語言編寫。系統(tǒng)實(shí)現(xiàn)的主流程見圖6。

圖6 程序主框圖Fig.6 The block diagram of main program

TLV320AIC23 內(nèi)部有11個16位寄存器，這16位控制字中，B[15～9]為寄存器的地址，B[8～0]為要寫入寄存器的數(shù)據(jù)。寫入11個寄存器的數(shù)值如下：左聲道輸入控制=0x17；右聲道輸入控制=0x17；左耳機(jī)通道控制=0x7F；右耳機(jī)通道控制=0x7F；模擬音頻通道控制=0x1C；數(shù)字音頻通道控制=0x1；啟動控制=0；數(shù)字音頻格式=0x4F；樣本速率控制=0x3F；數(shù)字界面激活=0x01；初始化寄存器=0。設(shè)置完成后，啟動A/D 轉(zhuǎn)換，將轉(zhuǎn)換后的數(shù)據(jù)存儲在DSP的內(nèi)部存儲器中，每次采樣128點(diǎn)。數(shù)據(jù)采集流程見圖7。

圖7 音頻數(shù)據(jù)采集Fig.7 Audio data acquisition

3 測試結(jié)果

每次測試的采樣數(shù)為128點(diǎn)，采樣頻率設(shè)為44.1 kHz，樣本大小為16位。在類似電梯的環(huán)境中進(jìn)行測試，所得結(jié)果見表1。

從表1中可以看出，所設(shè)計(jì)的控制系統(tǒng)總的平均識別率大于80%。且女性的測試結(jié)果普遍比男性好，這應(yīng)該歸屬于男性聲音中濁音分量比女性重，導(dǎo)致在系統(tǒng)識別時(shí)難度加大。

表1 語音識別電梯控制測試結(jié)果Table 1Test results of elevator speech recognition control

4 結(jié)語

本研究是在以TMS320c6713為控制核心，TLV320AIC23B芯片為語音輸入、輸出的模擬前端，EP2C5Q208C8 FPGA芯片為系統(tǒng)IO擴(kuò)展的情況下，設(shè)計(jì)和實(shí)現(xiàn)了非特定人、孤立詞、小詞匯量的嵌入式語音識別電梯控制系統(tǒng)。測試結(jié)果表明：所設(shè)計(jì)的系統(tǒng)的識別和控制效率達(dá)80%以上，該系統(tǒng)具有較好的應(yīng)用前景。

[1]趙 力.語音信號處理[M].北京：機(jī)械工業(yè)出版社，2009：114-117.Zhao Li.Speech Signal Processing[M].Beijing：Mechanical Industry Press，2009：114-117.

[2]周 霖.DSP通信工程技術(shù)應(yīng)用[M].北京：國防工業(yè)出版社，2004：145-189.Zhou Lin.DSP Communications Engineering Technology[M].Beijing：National Defence Industry Press，2004：145-189.

[3]鄒 彥.DSP原理及應(yīng)用[M].北京：電子工業(yè)出版社，2005：114-117.ZouYan.DSP Principles and Applications[M].Beijing：Electronic Industry Press，2005：114-117.

[4]侯雪梅，田 磊.基于Mel倒頻特征和RBF網(wǎng)絡(luò)的孤立詞語音識別方法[J].西安郵電學(xué)院學(xué)報(bào)，2008，13(3)：114-117.Hou Xuemei, Tian Lei.Speech Recognition Method of Isolated Words Based on Mel Cpestrum Feature and RBF Neural Network[J].Journal of Xi’an University of Post and Telecommunications，2008，13(3)：114-117.

[5]萬 春.基于DTW的語音識別應(yīng)用系統(tǒng)研究與實(shí)現(xiàn)[J].集美大學(xué)學(xué)報(bào)，2002，7(2)：104-108.Wan Chun.Research and Application of DTW-Based Speech Recognition[J].Journal of Jimei University，2002，7 (2)：104-108.