鄭 微，李正周，田 蕾

（重慶大學(xué)通信工程學(xué)院，重慶 400030）

0 引言

語音識別技術(shù)始于20世紀(jì)50年代，經(jīng)過幾十年的發(fā)展，在技術(shù)上已經(jīng)相當(dāng)成熟。如IBM公司推出的ViaVoic軟件識別系統(tǒng)，可以實現(xiàn)對英語、漢語、德語等多種語言的識別。又如Nuance Communications公司推出的Naturally Speaking語音識別軟件也得到了廣大用戶的認(rèn)可。我國的語音識別工作起步相對較晚，但近年來發(fā)展較為迅速。目前，我國在語音識別方面的水平也基本上與國外同步，并且取得了一系列相應(yīng)的成果。如清華大學(xué)電子工程系研制的非特定人漢語數(shù)碼串連續(xù)語音識別系統(tǒng)，中國科學(xué)院自動化所研制的“天語”中文語音系列產(chǎn)品等。

在語音信號的處理過程中，由于數(shù)據(jù)運(yùn)算量比較龐大、算法較為復(fù)雜，傳統(tǒng)的微處理器（如，單片機(jī)、PLC等）已經(jīng)無法滿足在實時性很高的條件下對于語音信號的處理。另外，傳統(tǒng)微處理器的結(jié)構(gòu)單一也在一定程度上限制了整個人機(jī)交互系統(tǒng)的功能，使得最終的產(chǎn)品功能單調(diào)，集中性不強(qiáng)?；谝陨蠋c(diǎn)，本文探索利用DSP芯片設(shè)計語音命令智能交互系統(tǒng)，以實現(xiàn)與遠(yuǎn)程智能設(shè)備的交互［1，2］。

1 系統(tǒng)硬件設(shè)計

整個系統(tǒng)硬件結(jié)構(gòu)框圖如圖1所示，主要包括TMS320VC5509 DSP、晶振、電源、JTAG 接口、鍵盤、LCD 顯示模塊、數(shù)據(jù)存儲器SDRAM、程序存儲器FLASH、音頻編解碼芯片TLV320AIC23B、無線收發(fā)模塊PTR2000（nRF401）。核心處理芯片采用TI公司TMS320VC5509芯片，該芯片具有低功耗、高速率、高性價比等優(yōu)點(diǎn)，廣泛應(yīng)用于語音處理、便攜式設(shè)備終端信號處理等領(lǐng)域。語音編解碼芯片TLV320AIC23B，采用了先進(jìn)的Sigma-Delta過采樣技術(shù)，可以在8～96 kHz采樣率范圍內(nèi)提供16位、20位、24位和32位采樣，ADC和DAC的信噪比分別可達(dá)90 dB和100 dB。該芯片已廣泛地應(yīng)用于各種音頻信號處理領(lǐng)域。無線部分采用基于nRF401無線通信芯片設(shè)計的PTR2000模塊，該模塊發(fā)射功耗低、靈敏度高、外圍接口簡單，是目前低功耗無線電傳輸?shù)睦硐脒x擇［3，4］。

系統(tǒng)上電之后，首先測試人員通過麥克風(fēng)或線性輸入的方式將語音信號傳遞給音頻編解碼芯片TLV320AIC23B，并通過MCBSP串口傳送給系統(tǒng)核心處理芯片（DSP）。然后，DSP在接收到語音控制信號之后采用相應(yīng)的算法進(jìn)行分析，識別出語音控制命令。最后，系統(tǒng)將識別出的結(jié)果一部分傳遞給LCD顯示模塊以便觀察，另一部分傳遞給無線收發(fā)模塊，以實現(xiàn)與智能設(shè)備的遠(yuǎn)程交互。此外，通過鍵盤可以查詢系統(tǒng)的工作狀態(tài)，并控制顯示電路進(jìn)行顯示，以達(dá)到實時監(jiān)控系統(tǒng)工作的目的。

圖1 系統(tǒng)硬件結(jié)構(gòu)圖Fig 1 Hardware structure of the system

2 算法分析

目前常用的語音識別算法有動態(tài)時間規(guī)整（DTW）技術(shù)、矢量量化（VQ）技術(shù)、隱馬爾可夫模型（HMM）、基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的識別方法［5］。在孤立詞語的識別中，最為簡單有效的方法是采用DTW算法，該算法成功地運(yùn)用動態(tài)規(guī)劃思想解決了發(fā)音長短不一的模板匹配問題。在孤立詞語的識別方面與其他算法的識別效果相差很小，而且由于DTW算法計算量較小，無需前期的長期訓(xùn)練，便于算法的移植，并且易于在微處理器上實現(xiàn)并保證其實時性［7］。本設(shè)計采用DTW算法實現(xiàn)，其識別原理圖如圖2所示。

圖2 語音識別原理圖Fig 2 Principle diagram of voice recognition

預(yù)處理部分主要包括:分幀和預(yù)加重兩部分。分幀主要是利用語音信號短時間內(nèi)頻譜的平穩(wěn)特性，將一段語音信號劃分為若干連續(xù)的時間小段來進(jìn)行處理。預(yù)加重的主要目的是消除低頻干擾，對有用的高頻部分進(jìn)行加強(qiáng)，一般常用一個高通濾波器進(jìn)行預(yù)加重。

對于特征提取部分主要包括:端點(diǎn)檢測和MFCC系數(shù)生成。利用式（1）～式（3）實現(xiàn)對于語音信號的端點(diǎn)檢測

公式（1）表示相鄰2個時間點(diǎn)的語音信號的幅度值經(jīng)過零值，公式（2）表示相鄰的語音信號幅值之差大于某固定門限（這里delta取經(jīng)驗值為語音信號最大幅值的0.02），公式（3）實現(xiàn)對于語音信號短時能量的累加，以上的整個檢測過程稱為端點(diǎn)檢測。利用公式（4）生成MFCC系數(shù)，公式中bmel表示mel濾波器組系數(shù)，bDCT表示其DCT系數(shù)。

對于語音識別部分，采用比較模板特征與輸入語音的特征的相似程度來實現(xiàn)。根本思想是尋找一個最佳函數(shù)?（in），使得該函數(shù)滿足模板特征與輸入語音的特征的累積距離最短［7］，如公式（5）所示

其中，（d（T（in），R（?（in））表示待測矢量第in幀與訓(xùn)練模板中第in幀之間的距離。

3 系統(tǒng)軟件實現(xiàn)

整個系統(tǒng)的軟件實現(xiàn)流程框圖如圖3所示。首先系統(tǒng)使用片上支持庫初始化語音編解碼芯片、存儲器、無線收發(fā)模塊、時鐘等片上資源。然后打開多通道緩沖串口完成對語音信號的采集，并將采集到的信號傳遞給DSP芯片，以完成語音信號的端點(diǎn)檢測、訓(xùn)練模板生成等操作。在訓(xùn)練模板生成之后，通過DSP的EMIF口將訓(xùn)練模板存儲到存儲器中，然后利用MCBSP串口實現(xiàn)對于語音信號的再次采樣、特征提取等操作。之后將訓(xùn)練模板中的特征分量與本次采樣的結(jié)果進(jìn)行比較，以達(dá)到語音命令識別的目的［8］。

3.1 語音編解碼模塊

語音編解碼芯片TLV320AIC23芯片與DSP通過I2C總線互聯(lián)。系統(tǒng)啟動語音芯片時，首先利用I2C總線完成對于語音芯片控制寄存器的配置，例如:設(shè)置語音采樣速率、音量調(diào)節(jié)、增益倍數(shù)等。在程序的具體實現(xiàn)中DSP主要采用CSL片上支持庫來完成對于語音芯片的配置。然后通過MCBSP串口完成對于語音編解碼芯片的讀寫操作。

3.2 存儲器與無線收發(fā)模塊

同步動態(tài)存儲器大小為4M×16 bit，通過DSP的EMIF口與DSP實現(xiàn)雙向通信，可尋址范圍為0x40 000～0x7fffff。主要實現(xiàn)對于訓(xùn)練模板的存儲。對于擴(kuò)展存儲器的接口配置方法與AIC類似，這里不贅述。

無線收發(fā)模塊采用的是PTR2000模塊，它是一種超小型、低功耗、高速率的無線收發(fā)數(shù)據(jù)傳輸模塊，使用的是nRF401無線通信芯片作為內(nèi)核芯片。整體是一個封裝好的模塊結(jié)構(gòu)，不需要進(jìn)行具體的配置，使用起來極其簡單方便。整個模塊有:VCC電源引腳、GND電源地、PWR低功耗控制、TXEN收發(fā)模式切換、CS頻道選擇引腳、DO/DI數(shù)據(jù)輸入輸出共7個引腳。使用時僅需要簡單地通過DSP的IO口設(shè)置其收發(fā)方式、頻道等簡單的配置引腳就可以保證其正常工作。

整個軟件設(shè)計流程的片上外設(shè)均采用DSP片上支持庫來編寫，使用了一組標(biāo)準(zhǔn)化的方法來訪問和控制片上資源，整個系統(tǒng)的可裁剪性較好，易于移植。軟件流程如圖3。

圖3 系統(tǒng)的軟件實現(xiàn)流程框圖Fig 3 Flow chart of system software realization

4 實驗分析

如圖4所示為輸入語音命令和模板信號動態(tài)波形?？梢钥吹秸Z音信號的兩次比較結(jié)果是有很大差異的，然而，利用語音信號在短時時間內(nèi)的語音頻譜的平穩(wěn)性和不同發(fā)音在信號頻譜分析中出現(xiàn)的先后順序，是可以有效地將待測信號檢測出來的。表1是系統(tǒng)檢測仿真實驗結(jié)果，可以看出:數(shù)字2對應(yīng)著2號檢測結(jié)果，8對應(yīng)著8號檢測結(jié)果。這里取差異最小的檢測值所對應(yīng)的模板信號為檢測結(jié)果。實驗結(jié)果證明了此方法的可行性。

圖4 輸入信號與模板信號動態(tài)波形圖Fig 4 Dynamic waveforms of input sygnal and template signal

表1 待測信號實驗檢測結(jié)果Tab 1 Experimental results of the tested signal

5 結(jié)論

在實際應(yīng)用中，利用語音命令來實現(xiàn)與設(shè)備的交互，讓機(jī)器根據(jù)人的指令完成相應(yīng)的操作有著廣泛的實用意義。智能人機(jī)交互系統(tǒng)可以克服在一些比較復(fù)雜的環(huán)境下，人們無法與設(shè)備直接接觸來控制設(shè)備的情況，可以很好地滿足復(fù)雜工業(yè)現(xiàn)場的需要。整個系統(tǒng)的設(shè)計基于DSP強(qiáng)大的實時運(yùn)算功能和豐富的片上外設(shè)資源，采用片上支持庫（CSL）方便地實現(xiàn)對于液晶顯示、AIC、外部擴(kuò)展存儲器、無線收發(fā)等模塊的控制，完成對于語音命令的采集、處理，以達(dá)到與遠(yuǎn)程智能設(shè)備交互的目的。整個系統(tǒng)的設(shè)計實時性較好、功能集成度較高，具有一定的通用性。另外，由于系統(tǒng)核心處理芯片具有豐富的片上資源以及擴(kuò)展接口，易與其他設(shè)備互聯(lián)同時也方便整個系統(tǒng)的升級。

［1］Hok，Yang T Y，Par K K J，et al.Robustvoice activity detection algorithm for estimating noise spectrum［J］.IEEE Electronics Letters，2002，36（2）:180 －181.

［2］黃程韋，趙 艷，于寅驊，等.用語音情感的特征分析與識別的研究［J］.電子與信息學(xué)報，2011（33）:112－116.

［3］宋 輝，劉 加.基于微分麥克風(fēng)陣列的自適應(yīng)語音增強(qiáng)算法研究及 DSP實現(xiàn)［J］.自動化學(xué)報，2009，35（9）:1240－1244.

［4］曹曉琳，吳 平，丁鐵夫.基于DSP的語音處理系統(tǒng)設(shè)計［J］.儀器儀表學(xué)報，2005，26（8）:583 －588.

［5］Campbell J P.Speaker recognition:A tutorial［C］//Proc of IEEE，1997:1437－1462.

［6］姜干新，陳 偉.嵌入式語音識別系統(tǒng)中的DTW在線并行算法［J］.計算機(jī)應(yīng)用研究，2010，27（3）:977 －980.

［7］Rohit S，Umesh S.A shift-based approach to speaker normalization using non-linear frequeney scaling model［J］.Speech Communication，2008，50（3）:191 －202.

［8］郭良濤，黃建國，韓 晶，等.基于DSP的小型數(shù)字語音通信平臺設(shè)計［J］.計算機(jī)測量與控制2009，17（6）:1209 －1214.