洪家平

（湖北師范學(xué)院 計算機科學(xué)與技術(shù)學(xué)院，黃石 435002）

洪家平（副教授），主要研究方向是嵌入式系統(tǒng)應(yīng)用、計算機控制技術(shù)。

1 概 述

在現(xiàn)代社會，“懶人科技”大行其道。當(dāng)面臨眾多繁瑣的按鍵操作和菜單選擇的時候，簡單地說出指令，是最具有人情味的人機操作界面。讓身邊的各種電子設(shè)備可“聽從”人類的語音，是從電影“星球大戰(zhàn)”就開始的科技發(fā)展目標(biāo)。雖然目前的科技還不能做到讓計算機完全理解人類的所有自然語音，但是可以在一定程度上實現(xiàn)這個夢想。

2 特定人語音識別技術(shù)及原理

特定人語音識別 （ASR，Auto Speech Recognition）技術(shù)是基于“關(guān)鍵詞語列表”的識別技術(shù)，它是對大量的語音數(shù)據(jù)（相當(dāng)于對數(shù)千人采集的數(shù)萬小時的有效聲音數(shù)據(jù)）經(jīng)語言學(xué)家語音模型分析，建立數(shù)學(xué)模型，并經(jīng)過反復(fù)訓(xùn)練提取基元語音的細(xì)節(jié)特征，以及提取各基元間的特征差異，得到在統(tǒng)計概率最優(yōu)化意義上的各個基元語音特征，最后才由資深工程師將算法以及語音模型轉(zhuǎn)換成硬件芯片并應(yīng)用在嵌入式系統(tǒng)中。

ASR技術(shù)每次識別的過程就是把用戶說出的語音內(nèi)容，通過頻譜轉(zhuǎn)換為語音特征，再將這個轉(zhuǎn)換后的語音特征和“關(guān)鍵詞語列表”中的條目一一進(jìn)行匹配，最優(yōu)匹配的一條即作為識別結(jié)果。比如ASR技術(shù)在語音控制的手機應(yīng)用中，這個“關(guān)鍵詞語列表”的內(nèi)容就是電話本中的人名、手機的菜單命令或手機存儲卡中的歌曲名字。不論這個列表的條目內(nèi)容是什么，只需要用戶設(shè)置相關(guān)的寄存器，就可以把相應(yīng)的待識別條目內(nèi)容以字符形式傳遞給識別引擎。

由此可見，語音識別芯片完成的工作就是：把 MIC（麥克風(fēng)）輸入的聲音進(jìn)行頻譜分析后提取語音特征，再和關(guān)鍵詞語列表中的關(guān)鍵詞語進(jìn)行對比匹配，最后找出得分最高的關(guān)鍵詞語作為識別結(jié)果輸出。

通?；贏SR技術(shù)的語音識別芯片能在兩種情況下給出識別結(jié)果：

① 外部送入預(yù)定時間的語音數(shù)據(jù)（比如5s的語音數(shù)據(jù)），芯片對這些語音數(shù)據(jù)運算分析后，給出識別結(jié)果。

② 外部送入語音數(shù)據(jù)流，語音識別芯片通過端點檢測（VAD，Voice Activity Detection）技術(shù)檢測出用戶停止說話，把用戶開始說話到停止說話之間的語音數(shù)據(jù)進(jìn)行運算分析后，給出識別結(jié)果。

對于第一種情況，可以理解為設(shè)定了一個定時錄音（如5s的語音數(shù)據(jù)），芯片在5s后會停止把聲音送入識別引擎，并且根據(jù)已送入引擎的語音數(shù)據(jù)計算出識別結(jié)果。

對于第二種情況，需要了解VAD的工作原理：VAD技術(shù)是在一段語音數(shù)據(jù)流中，判斷出哪個時間點是人聲音的開始，哪個時間點是人聲音的結(jié)束。判斷的依據(jù)是，在背景聲音的基礎(chǔ)上有了語音發(fā)音，則視為聲音的開始。而后，檢測到一段持續(xù)時間的背景音（比如600ms），則視為人聲說話結(jié)束。通過VAD判斷出人聲說話的區(qū)域后，語音識別芯片會把這期間的聲音數(shù)據(jù)進(jìn)行識別處理，計算出識別結(jié)果。

除了以上兩種情況外，語音識別算法無法“主動”地判斷出是否識別出了一個結(jié)果。這是因為，在計算過程中的任何時刻，語音識別器都會對已送入識別芯片的聲音數(shù)據(jù)進(jìn)行分析，并根據(jù)匹配程度為識別列表中的關(guān)鍵詞語進(jìn)行打分，最匹配的打分最高。但是，由于識別算法不知道用戶后面是否還繼續(xù)說話，所以無法主動地判斷已經(jīng)識別出的結(jié)果。

3 語音識別芯片LD3320的工作原理

3.1 語音識別系統(tǒng)原理結(jié)構(gòu)

LD3320語音識別芯片采用的就是ASR技術(shù)，圖1就是由LD3320和單片機（或嵌入式系統(tǒng)）組成的語音識別系統(tǒng)原理框圖。圖中給出了LD3320的內(nèi)部原理結(jié)構(gòu)，本文中選用的MCU是STC10L08XE單片機。

圖1 語音識別系統(tǒng)原理框圖

語音識別芯片LD3320是ICRoute公司的產(chǎn)品，它采用ASR技術(shù)，提供了一種脫離按鍵、鍵盤、鼠標(biāo)、觸摸屏等GUI操作方式且基于語音的用戶界面VUI（Voice User Interface），使得用戶對該系統(tǒng)的操作更簡單、快速和自然。

用戶只需要把識別的關(guān)鍵詞語以字符串的形式傳送進(jìn)芯片，即可以在下次識別中立即生效。比如，用戶在51等主控MCU的編程中，簡單地通過設(shè)置芯片的寄存器，把諸如“你好”這樣的識別關(guān)鍵詞語的內(nèi)容動態(tài)地傳入芯片中，芯片就可以識別所設(shè)定的關(guān)鍵詞語了。每個關(guān)鍵詞語可以是單字、詞組、短句或者任何的中文發(fā)音的組合?；贚D3320的語音識別系統(tǒng)可以隨著使用流程，在運行時動態(tài)地更改關(guān)鍵詞語列表的內(nèi)容，這樣可以用一個系統(tǒng)支持多種不同的場景，同時也不需要用戶作任何的錄音訓(xùn)練。

3.2 LD3320的用戶使用模式

LD3320有兩種用戶使用模式，即“觸發(fā)識別模式”和“循環(huán)識別模式”。用戶可以通過編程，設(shè)置兩種不同的用戶使用模式。

觸發(fā)識別模式：系統(tǒng)的主控MCU在接收到外界一個觸發(fā)后（比如用戶按動某個按鍵），啟動LD3320芯片的一個定時識別過程（比如5s），要求用戶在這個定時過程中說出要識別的語音關(guān)鍵詞語。這個過程結(jié)束后，需要用戶再次觸發(fā)才能再次啟動一個識別過程。

循環(huán)識別模式：系統(tǒng)的主控MCU反復(fù)啟動識別過程。如果沒有人說話就沒有識別結(jié)果，則每次識別過程的定時到時后再啟動一個識別過程；如果有識別結(jié)果，則根據(jù)識別作相應(yīng)處理后（比如播放某個聲音作為回答）再啟動一個識別過程。

4 語音識別系統(tǒng)軟硬件設(shè)計

4.1 硬件系統(tǒng)設(shè)計

由圖1可知，由LD3320組成的語音識別系統(tǒng)硬件有單片機（或嵌入式系統(tǒng)）及LD33202。圖2和圖3分別是由單片機STC10L08XE構(gòu)成的主控芯片和由LD3320A構(gòu)成的語音識別主系統(tǒng)。

圖2 STC10L08XE構(gòu)成的主控芯片

4.2 軟件系統(tǒng)設(shè)計

圖3 LD3320A構(gòu)成的語音識別主系統(tǒng)

語音識別的操作順序是：先進(jìn)行語音識別的初始化，然后寫入識別列表，系統(tǒng)即開始進(jìn)行語音識別，并準(zhǔn)備好中斷響應(yīng)函數(shù)，打開中斷允許位。這里如果不用中斷方式，也可以通過查詢方式工作。在“開始識別”后，讀取寄存器B2H的值，如果為21H就表示有識別結(jié)果產(chǎn)生。

下面是語音識別的初始化程序段，按照以下序列來設(shè)置寄存器：

初始化后是寫入識別列表。識別列表的規(guī)則是：每個識別條目對應(yīng)一個特定的編號（1個字節(jié)），不同識別條目的編號可以相同，而且不用連續(xù)。LD3320芯片最多支持50個識別條目，每個識別條目是標(biāo)準(zhǔn)普通話的漢語拼音（小寫），每2個字（漢語拼音）之間用1個空格間隔。表1是一個簡單的例子。

表1 識別列表

圖4是由LD3320組成的語音識別系統(tǒng)主程序流程，圖5是語音識別系統(tǒng)中斷服務(wù)程序流程。

圖4 語音識別系統(tǒng)主程序流程

圖5 語音識別系統(tǒng)中斷服務(wù)程序流程

5 聲控電視遙控器

聲控電視遙控器最有用的地方是，在更換頻道時可以直接說出頻道名稱，而不是去記憶頻道名稱和頻道數(shù)字的聯(lián)系。同時，在使用電視遙控器時，遙控器是用電池工作，不能讓識別芯片一直處于工作狀態(tài)。因此在設(shè)計時，可以在遙控器上設(shè)置一個大一點的按鍵，用戶在使用時，按一下這個按鍵，啟動LD3320語音識別芯片，此時可以播放一聲“嘀”的提示音，然后在限定的時間內(nèi)（如5s），接收用戶的語音命令，并給出識別結(jié)果。比如用戶說“體育臺”，識別芯片把識別結(jié)果提供給遙控器的主控MCU。隨后遙控器的主控MCU就根據(jù)事先設(shè)定好的對應(yīng)關(guān)系，發(fā)出對應(yīng)頻道的紅外編碼，實現(xiàn)換臺?？梢圆患哟_認(rèn)過程直接換臺。圖6為聲控電視遙控器工作流程。

結(jié) 語

圖6 聲控電視遙控器工作流程

這種語音識別系統(tǒng)也容易引起誤識別，如當(dāng)用戶說的內(nèi)容不在識別列表內(nèi)時，必然會引起誤識別。為了克服這些缺點，降低誤識別率，可在設(shè)定好要識別的關(guān)鍵詞語后，再添加一些與識別列表內(nèi)的單詞有聯(lián)系的任意其他詞匯，用來吸收錯誤識別，從而達(dá)到降低誤識別率的目的。

由LD3320組成的語音識別系統(tǒng)有很廣泛的應(yīng)用，如語音控制的點歌系統(tǒng)、語音控制的手機、音控智能導(dǎo)航儀、音控智能家電產(chǎn)品等。

［1］LD3320 數(shù)據(jù) 手冊 ［EB／OL］.（2010－06－08）［2011－09］.http：／／www.icroute.com／index.html.

［2］肖來勝，馮建蘭，夏術(shù)泉.單片機技術(shù)實用教程 ［M］.武漢：華中科技大學(xué)出版社，2004.

［3］宗光華，李大寨.多單片機系統(tǒng)應(yīng)用技術(shù)［M］.北京：國防工業(yè)出版社，2003.