廖逢釵

(三明學(xué)院 信息工程學(xué)院，福建 三明 365004)

語音識別技術(shù)經(jīng)過幾十年探索和研究已較為成熟。從特定人、孤立詞的識別到非特定人、大詞匯量連續(xù)語音的識別，一系列技術(shù)上的突破使得語音識別成為人機(jī)交互的重要手段之一[1]，另外，在智能家居、醫(yī)療衛(wèi)生、通信等領(lǐng)域，也有很高的研究及實(shí)用價(jià)值[2-4]。

LD3320是語音識別芯片，它在智能家居聲控系統(tǒng)中得到廣泛的應(yīng)用[5-7]。在聲源處于遠(yuǎn)場的情況，上述應(yīng)用存在識別率不高的問題。因?yàn)檎Z音識別的識別率高低與原始信號的質(zhì)量、識別的算法等密切相關(guān)。聲源與傳聲器間的距離對采集語音信號的質(zhì)量影響較大，近場聲源的語音識別率較高，遠(yuǎn)場聲源的語音識別率明顯降低。在智能家居、免提車載系統(tǒng)等應(yīng)用場景中，為了用戶使用方便，語音識別系統(tǒng)常被設(shè)計(jì)成免提的工作方式，例如，在智能家居中將傳聲器安裝在房間四周或天花板上，人是自由移動的，因此，聲源常常是處于遠(yuǎn)場，傳聲器接收到的語音信號較弱，語音識別的效果不穩(wěn)定。為了解決上述問題，本文以嵌入式微處理器STM32F407和LD3320語音識別芯片模塊為硬件基礎(chǔ)，設(shè)計(jì)了適用于免提情況的語音識別控制系統(tǒng)。

1 系統(tǒng)的硬件設(shè)計(jì)

系統(tǒng)的框架結(jié)構(gòu)如圖1所示，左半部分稱通道1，右半部分稱通道2。每個(gè)通道由聲音采集模塊、LD3320語音識別模塊、主控模塊組成。主控模塊采用STM32F407處理器作為核心部件。每個(gè)通道采集模塊的輸出信號，分別送到語音識別模塊和主控模塊。LD3320-1和LD3320-2語音識別模塊分別把識別的結(jié)果送給主控制模塊1和主控制模塊2。主控制模塊2的功能：接收LD3320-2語音識別模塊識別的結(jié)果，計(jì)算通道2的信噪比SNR2，并把識別結(jié)果和SNR2送給主控制模塊1。最后，主控模塊1比較兩個(gè)通道的信噪比，選擇兩個(gè)語音識別模塊的識別結(jié)果之一作為系統(tǒng)最終的識別結(jié)果。各功能模塊之間的物理連接方式：通道內(nèi)的模塊間連接采用有線串行連接，而通道間的模塊相距較遠(yuǎn)，所以通道間采用無線串行連接。

圖1 系統(tǒng)的框架結(jié)構(gòu)圖

系統(tǒng)硬件的主要器件選用STM32F407和LD3320。STM32F407是以32位Cortex-4為內(nèi)核、具有浮點(diǎn)運(yùn)算功能的低端高速ARM處理器。其內(nèi)部集成了TFT液晶顯示器接口(flexible stactic memory control,FSMC)、攝像頭接口 （camera interface）、DMA控制器等，非常方便使用[8]。

LD3320是一款語音識別專用芯片，它可以采用并行方式直接與各種單片機(jī)相接，其內(nèi)部原理圖如圖2所示。該芯片集成了語音識別處理器和外部電路，包括A/D、D/A轉(zhuǎn)換器、傳聲器接口、聲音輸出接口等。其內(nèi)部集成了快速穩(wěn)定的優(yōu)化算法，無需事先訓(xùn)練語音即可完成非特定人語音識別，不需要外接任何輔助芯片，直接集成在產(chǎn)品中就可以實(shí)現(xiàn)聲控及人機(jī)交互功能[6]。

圖2 LD3320內(nèi)部原理框圖

2 系統(tǒng)的軟件設(shè)計(jì)

系統(tǒng)的軟件設(shè)計(jì)部分主要包括通道間的信噪比評估、程序流程設(shè)計(jì)兩個(gè)部分。

2.1 信噪比估計(jì)

對于寬帶平穩(wěn)隨機(jī)過程，由于相關(guān)函數(shù)Rxx只與平移量有關(guān)，因此二階矩(相當(dāng)于平移量是0)也是不變的量，所以目標(biāo)信號的功率Ps可以通過公式(1)求得。

s(k)是目標(biāo)信號的第k個(gè)采樣點(diǎn)，N是總采樣點(diǎn)數(shù)（窗寬）。噪聲的功率Pn用(2)式估算。

同樣，n(k)是噪聲的第k個(gè)采樣點(diǎn)。如果噪聲是加性噪聲，則有以下3式成立。

目標(biāo)語音信號s(k)和噪聲信號n(k)可以看作是互不相關(guān)的隨機(jī)信號，所以

對兩個(gè)通道的信號，利用(6)可以推出(7)、(8)兩式。

在時(shí)域上信噪比的計(jì)算公式[9]：

所以兩個(gè)通道的信噪比SNR1和SNR2分別是：

在編程時(shí)只要比較出SNR1和SNR2的相對大小即可。假設(shè)噪聲是隨機(jī)噪聲，兩個(gè)通道接收的噪聲的功率看作近似相等的，即Pn1≈Pn2，那么有以下等價(jià)式成立。

又由(8)式可得：

所以在實(shí)際程序中只要計(jì)算采樣點(diǎn)的平方和即可。為了便于表述，記

并分別稱之為通道1、2的短時(shí)能量。為了更方便比較大小，對短時(shí)能量進(jìn)行如下歸一化處理。

2.2 程序流程設(shè)計(jì)

系統(tǒng)軟件的流程圖如圖3所示，其中(a)、(b)、(c)、(d)分別是LD3320-1語音識別模塊、主控模塊1、主控模塊2、LD3320-2語音識別模塊的流程圖。

圖3 基于信噪比判決的多結(jié)果篩選算法程序流程

對圖3的4個(gè)流程圖做如下說明。

(a)和(d)圖程序流程是一樣的，它們的LD3320語音識別模塊都工作于普通模式。首先，采集語音信號；第二，識別語音獲得識別結(jié)果；第三，把識別結(jié)果發(fā)送到主控模塊。

(b)圖的程序流程：主控模塊1采集語音數(shù)據(jù)并存放在環(huán)形緩沖區(qū)B1中，使用環(huán)形緩沖區(qū)的目的是只保留最近采集的N個(gè)數(shù)據(jù)，環(huán)形緩沖區(qū)的大小設(shè)成64 k，即16 bit、16 kHz采樣率情況下，可以存放2 s的數(shù)據(jù)?！白x取識別結(jié)果1”是直接通過串口讀取LD3320-1的識別結(jié)果。程序流程中的第一個(gè)判斷框的條件是：主控模塊2是否向主控模塊1發(fā)送了短時(shí)能量W2和LD3320-2的識別結(jié)果，如果條件為真，則不管LD3320-1是否結(jié)果有效，都要進(jìn)行兩個(gè)通道的短時(shí)能量的比較，選相短時(shí)能量大的通道識別結(jié)果作為最終的結(jié)果。

(c)圖與(b)圖基本相同，(c)沒有短時(shí)能量的比較和兩個(gè)識別結(jié)果的選擇。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)條件

圖4 實(shí)驗(yàn)裝置中傳聲器和聲源的位置示意圖

為了驗(yàn)證上述設(shè)計(jì)的有效性，設(shè)計(jì)以下實(shí)驗(yàn)：傳聲器和聲源的位置示意圖如圖4所示，圖中L和R分別放置兩個(gè)語音采集模塊的傳聲器，S是聲源（即人所在的位置），它與兩個(gè)傳聲器的距離分別是d1、d2，兩個(gè)傳聲器間的距離是d3(后續(xù)的每組實(shí)驗(yàn)d3都取236 cm)。

實(shí)驗(yàn)用的測試語音指令集如表1所示，總共有21個(gè)。用表1的語音指令集做了5組的實(shí)驗(yàn)，第1組至第5組聲源與兩個(gè)傳聲器的距離 d1和d2分別是260和70、150和150、110和260、300和170、120和 110 cm。

表1 測試語音指令集

3.2 測試結(jié)果與分析

圖5是第一組兩個(gè)通道的波形圖片段，上方為通道1的波形，下方為通道2的波形。從圖可以直觀看出，通道2的傳聲器與聲源的距離較短，因此W'2>W'1，通道2的識別率更高，與后續(xù)的實(shí)驗(yàn)結(jié)果是一致的。

根據(jù)采集的聲音數(shù)據(jù)，計(jì)算每組兩個(gè)通道的歸一化短時(shí)平均能量(如表2所示)。

語音指令識別結(jié)果見表3。表中“ILi”、“IRi”和“ICi”分別表示第i組左通道的識別結(jié)果、右通道的識別結(jié)果、兩個(gè)通道綜合的識別結(jié)果，“T” 表示識別正確，“F”表示識別錯(cuò)誤。

圖5 第1組兩個(gè)通道的波形圖片段

表2 每組兩個(gè)通道的歸一化短時(shí)平均能量

統(tǒng)計(jì)表3數(shù)據(jù)可以得到單個(gè)識別模塊與兩個(gè)識別模塊識別率的不同情況，如表4所示，后者的識別率有較大的改善。

表3 語音指令測試結(jié)果

表4 單個(gè)識別模塊與兩個(gè)識別模塊識別率

4 結(jié)束語

遠(yuǎn)場語音識別的應(yīng)用將越來越廣，但遠(yuǎn)場語音識別的正確率會明顯降低，針對該問題，本文設(shè)計(jì)了多LD3320語音識別系統(tǒng)，它能自動選擇通道信噪比高的識別結(jié)果作為總體的結(jié)果，使整個(gè)系統(tǒng)的識別率得到提高。信噪比大小比較時(shí)，采用歸一化近似估計(jì)，解決噪聲能量難以估計(jì)的問題，同時(shí)，可以降低計(jì)算量。該系統(tǒng)在現(xiàn)代智能家居、醫(yī)療衛(wèi)生、通信等領(lǐng)域有廣闊的應(yīng)用前景。如果繼續(xù)增加LD3320的語音識別模塊的數(shù)量，那么被選中通道傳聲器與聲源距離就可能變得更小，這樣指令識別率會進(jìn)一步改善。另外，如果不同的傳聲器接收噪聲的功率不同時(shí)，可以在不同的通道進(jìn)行語音活動檢測(voice activity detection,VAD)，利用純噪聲段來估計(jì)噪聲的功率，這樣系統(tǒng)的結(jié)果選擇就會更加精確。