李小林++許春冬++杜燕

摘 要：針對(duì)市場(chǎng)上語(yǔ)音識(shí)別系統(tǒng)難以個(gè)性化更改關(guān)鍵詞識(shí)別列表、實(shí)時(shí)性不佳等問(wèn)題，文中設(shè)計(jì)了一款基于嵌入式的非特定人語(yǔ)音識(shí)別系統(tǒng)。該系統(tǒng)具有可個(gè)性化設(shè)置識(shí)別列表、完成非特定人語(yǔ)音識(shí)別等功能。通過(guò)對(duì)不同說(shuō)話人的語(yǔ)音進(jìn)行測(cè)試表明，該設(shè)計(jì)達(dá)到了預(yù)期效果，在相對(duì)安靜的條件下，系統(tǒng)的識(shí)別率接近95%，且操作便捷、算法簡(jiǎn)單，具有很好的實(shí)時(shí)性，可進(jìn)一步運(yùn)用于與語(yǔ)音識(shí)別相關(guān)的電子產(chǎn)品中。

關(guān)鍵詞：嵌入式；語(yǔ)音識(shí)別；非特定人；隱馬爾科夫模型；LD3320；LP2303

中圖分類號(hào)：TP39；TN912 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）10-00-03

0 引 言

當(dāng)今社會(huì)已經(jīng)朝著現(xiàn)代化、信息化、智能化的方向發(fā)展，信息技術(shù)的浪潮定會(huì)使得人們的生活邁上一個(gè)新臺(tái)階。在這其中，人工智能將體現(xiàn)出巨大的優(yōu)勢(shì)，語(yǔ)音識(shí)別作為人工智能的一個(gè)重要分支，是進(jìn)行人機(jī)交互的關(guān)鍵技術(shù)。

非特定人語(yǔ)音識(shí)別技術(shù)已滲透到人們生活及工作的方方面面，嵌入式系統(tǒng)具有功耗低、性能高、成本低等諸多優(yōu)點(diǎn)，可以滿足現(xiàn)代社會(huì)對(duì)語(yǔ)音識(shí)別產(chǎn)品高性能的需求。因此基于嵌入式語(yǔ)音識(shí)別系統(tǒng)具有更大的應(yīng)用范圍[1]。當(dāng)前大部分語(yǔ)音識(shí)別系統(tǒng)都基于軟件實(shí)現(xiàn)，而理想的嵌入式非特定語(yǔ)音實(shí)時(shí)識(shí)別系統(tǒng)相對(duì)欠缺，且傳統(tǒng)的嵌入式系統(tǒng)有其固有缺點(diǎn)[1]，因此，在研究語(yǔ)音識(shí)別關(guān)鍵技術(shù)基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了一款新穎的嵌入式非特定人語(yǔ)音識(shí)別系統(tǒng)。

1 語(yǔ)音識(shí)別理論基礎(chǔ)

語(yǔ)音識(shí)別的前期工作，需要對(duì)語(yǔ)音信號(hào)進(jìn)行處理。由于語(yǔ)音信號(hào)是模擬信號(hào)，很難直接進(jìn)行識(shí)別，應(yīng)先進(jìn)行數(shù)字化處理，將語(yǔ)音模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)。

由于語(yǔ)音信號(hào)的能量大部分都分布在頻率較低的部分，所以需要提高高頻部分的能量。而由于語(yǔ)音信號(hào)具有暫時(shí)平穩(wěn)的特點(diǎn)，因此可將語(yǔ)音信號(hào)進(jìn)行分幀加窗處理，更方便分析。找出語(yǔ)音信號(hào)的開(kāi)始和結(jié)束時(shí)刻，可以提高識(shí)別效率。因此需要再對(duì)數(shù)字信號(hào)進(jìn)行預(yù)處理（預(yù)加重、分幀加窗、語(yǔ)音降噪、端點(diǎn)檢測(cè)）。預(yù)處理之后，需要對(duì)信號(hào)進(jìn)行特征參數(shù)提取，為語(yǔ)音識(shí)別做準(zhǔn)備。目前使用較多的特征參數(shù)提取方法是Mel頻率倒譜系數(shù)（MFCC），因?yàn)镸FCC更能體現(xiàn)出人耳的聽(tīng)覺(jué)特點(diǎn)[2]。

目前主流的語(yǔ)音識(shí)別算法有DTW（動(dòng)態(tài)時(shí)間彎折技術(shù)）、HMM（隱馬爾科夫模型）、ANN（人工神經(jīng)元網(wǎng)絡(luò)）[3]。結(jié)合本文設(shè)計(jì)的特點(diǎn)，HMM包含兩個(gè)隨機(jī)過(guò)程，巧妙模仿了人類的發(fā)音特點(diǎn)，因此選取HMM模型更為合理[4]。

2 系統(tǒng)的軟硬件設(shè)計(jì)

2.1 總體方案設(shè)計(jì)

設(shè)計(jì)的非特定人語(yǔ)音識(shí)別系統(tǒng)，主要由三大部分組成，包含以STM32F103ZET6為核心的STM32開(kāi)發(fā)板、LD3320非特定人語(yǔ)音識(shí)別芯片、LP2303接口轉(zhuǎn)換模塊。將LD3320模塊和LD3320模塊通過(guò)SPI接口和USART接口連接到STM32開(kāi)發(fā)板上，組成了一個(gè)完整的非特定人語(yǔ)音識(shí)別系統(tǒng)。

系統(tǒng)采用STM32F103ZET6單片機(jī)作為主控制器。這是一款擁有低功耗、低成本、高性能特點(diǎn)的單片機(jī)，ARM Cortex-M3為其內(nèi)核，同時(shí)內(nèi)部還擁有128 KB Flash、20 KB SRAM、兩個(gè)SPI、三個(gè)串口、一個(gè)USB、一個(gè)CAN等[5，6]。選取LD3320作為語(yǔ)音識(shí)別芯片。LD3320是一款專用的非特定人語(yǔ)音識(shí)別芯片，可直接用于識(shí)別，并且支持識(shí)別列表隨意編寫(xiě)，使得使用更加方便。通過(guò)LP3320接口轉(zhuǎn)換模塊可以將PC機(jī)和語(yǔ)音識(shí)別系統(tǒng)連接起來(lái)，從而將識(shí)別結(jié)果打印在串口中，方便查看語(yǔ)音識(shí)別結(jié)果[7]。

2.2 硬件設(shè)計(jì)

本系統(tǒng)作為非特定人語(yǔ)音識(shí)別系統(tǒng)，語(yǔ)音識(shí)別芯片的選擇尤為重要。綜合各方面考慮，系統(tǒng)選用LD3320語(yǔ)音識(shí)別芯片。將STM32開(kāi)發(fā)板、LD3320模塊和LP2303模塊連接起來(lái)，組成一個(gè)完整的語(yǔ)音識(shí)別系統(tǒng)，通過(guò)觀察開(kāi)發(fā)板上LED燈的變化情況和串口顯示結(jié)果判斷識(shí)別結(jié)果。硬件設(shè)計(jì)框架如圖1所示[8]。

2.3 軟件設(shè)計(jì)

文中選擇LD3320作為語(yǔ)音識(shí)別芯片。LD3320是由ICRoute公司設(shè)計(jì)生產(chǎn)的非特定人語(yǔ)音識(shí)別芯片，該芯片識(shí)別原理如圖2所示[9]。論文的軟件設(shè)計(jì)主要應(yīng)用Source Insight開(kāi)發(fā)環(huán)境。Source Insight是一種性能優(yōu)良的語(yǔ)言編輯工具，幾乎適用所有語(yǔ)言[10]。

（1） 初始化。完成復(fù)位、工作模式設(shè)定、設(shè)置工作頻率以及FIFO設(shè)定的操作[11，12]。

（2） 寫(xiě)入識(shí)別列表。識(shí)別關(guān)鍵詞的格式是 “標(biāo)號(hào)識(shí)別關(guān)鍵詞”[13]。識(shí)別關(guān)鍵詞需要以字符串的格式來(lái)設(shè)置。關(guān)鍵詞格式見(jiàn)表1所列[14]。

表1 識(shí)別列表實(shí)例

標(biāo) 號(hào) 字符串

1 yuwen

2 qianrushi

3 woxihuanyundong

（3） 開(kāi)始識(shí)別。設(shè)置相關(guān)寄存器中的內(nèi)容，為進(jìn)行開(kāi)始語(yǔ)音識(shí)別的工作作相應(yīng)的準(zhǔn)備。語(yǔ)音識(shí)別流程如圖3所示[15]。ADC增益可設(shè)置在00H-7FH之間，最佳設(shè)置在40H-6F之間。聲音增益的大小和系統(tǒng)敏感性有直接聯(lián)系，增益越大，系統(tǒng)對(duì)外界環(huán)境越敏感，增益越小，可避免遠(yuǎn)處噪聲對(duì)系統(tǒng)的干擾。

（4） 響應(yīng)中斷。當(dāng)麥克風(fēng)采集到聲音時(shí)，不管識(shí)別結(jié)果如何，都會(huì)產(chǎn)生一個(gè)中斷信號(hào)。中斷服務(wù)程序的具體流程如圖4所示[15]。從BA寄存器中可以得到若干識(shí)別結(jié)果，最佳識(shí)別結(jié)果從C5中得出。

3 實(shí)驗(yàn)結(jié)果與分析

對(duì)非特定人語(yǔ)音識(shí)別系統(tǒng)進(jìn)行測(cè)試，通過(guò)實(shí)驗(yàn)結(jié)果來(lái)判定系統(tǒng)性能的優(yōu)劣情況。語(yǔ)音識(shí)別系統(tǒng)的性能與詞條長(zhǎng)度和聲音（每個(gè)人聲音不同）有關(guān)。本次測(cè)試分別選擇2個(gè)字、3個(gè)字、4個(gè)字及5個(gè)字的詞條，同時(shí)選擇不同的人與不同長(zhǎng)度的詞條，經(jīng)多次測(cè)試來(lái)判斷系統(tǒng)性能。endprint

完成設(shè)計(jì)的測(cè)試工作，需要經(jīng)過(guò)編寫(xiě)程序—編譯—參數(shù)設(shè)置—下載流程。

在語(yǔ)音識(shí)別前期，需完成一些準(zhǔn)備工作。首先建立Keil工程。本次設(shè)計(jì)在Device下選擇STM32F103ZET6；在Keil工具欄中選擇Project，然后點(diǎn)擊Options for Targe tUSART，在Output中勾選“Creat EX File”，在Debug中選擇“ST-Link Debugger”；在串口調(diào)試助手中設(shè)置相應(yīng)的參數(shù)，其中，波特率為115 200，數(shù)據(jù)位為8，停止位為1，校驗(yàn)位為None，流控位為None。

對(duì)著LD3320 Board的MIC順序說(shuō)出測(cè)試指令，并及時(shí)記錄每一條指令識(shí)別成功的次數(shù)，完成相關(guān)測(cè)試工作，測(cè)試結(jié)果見(jiàn)表2所列。

根據(jù)本次系統(tǒng)的測(cè)試，可得出以下結(jié)論：

（1） 比較表2中第4列和第5列的數(shù)據(jù)可知，與相對(duì)安靜的環(huán)境相比，在存在少許噪聲的情況下系統(tǒng)成功識(shí)別的次數(shù)下降。由此可知，在相對(duì)安靜的條件下，系統(tǒng)的識(shí)別率較高；在有少許噪聲的情況下，系統(tǒng)的識(shí)別率下降。

（2） 比較表2中第1行、第3行、第5行和第7行的數(shù)據(jù)可知，隨著指令長(zhǎng)度的增加，系統(tǒng)識(shí)別成功的次數(shù)將減少。因此系統(tǒng)的識(shí)別率將會(huì)隨著指令長(zhǎng)度的增加而下降。

（3） 在識(shí)別過(guò)程中發(fā)現(xiàn)，隨著指令長(zhǎng)度的增加，在能夠識(shí)別成功的條件下，系統(tǒng)的識(shí)別時(shí)間將會(huì)增加。當(dāng)識(shí)別詞條分別為2個(gè)字和5個(gè)字的情況下，差別會(huì)更加明顯。

4 結(jié) 語(yǔ)

在安靜環(huán)境下，LD3320語(yǔ)音識(shí)別模塊的識(shí)別率較高，指令內(nèi)容較短時(shí)，其平均識(shí)別率接近95%。該系統(tǒng)具有可動(dòng)態(tài)編寫(xiě)識(shí)別列表、可完成非特定人實(shí)時(shí)語(yǔ)音識(shí)別功能，并具有良好的可擴(kuò)展性，可進(jìn)一步應(yīng)用在實(shí)時(shí)語(yǔ)音識(shí)別的電子設(shè)備中。

參考文獻(xiàn)

[1]許春冬，夏日升，應(yīng)冬文，等.面向語(yǔ)音增強(qiáng)的序貫隱馬爾可夫模型時(shí)頻語(yǔ)音存在概率估計(jì)[J].聲學(xué)學(xué)報(bào)，2014， 39（5）： 647-654.

[2]方敏， 浦劍濤， 李成榮，等.嵌入式語(yǔ)音識(shí)別系統(tǒng)的研究和實(shí)現(xiàn)[J].中文信息學(xué)報(bào)，2003， 18（6）： 73-75.

[3]許春冬，張震，戰(zhàn)鴿.面向語(yǔ)音增強(qiáng)的約束序貫高斯混合模型噪聲功率譜估計(jì)[J].聲學(xué)學(xué)報(bào)， 2017， 42（5）： 633-640.

[4] KARRAY L， MARTN A. Toward improving speech detection robustness for speech recognition in adverse environments[J]. Speech Communication，2003，40（3）：261-276.

[5]張戟，楊騰飛.車載自動(dòng)語(yǔ)音識(shí)別系統(tǒng)設(shè)計(jì)[J]. 佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，29（2）： 201-205.

[6]龍順宇， 鄭澤龍， 譚冬鳳.基于STM32和SD卡文件系統(tǒng)的非特定人語(yǔ)音識(shí)別系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)， 2013，36（21）： 62-66.

[7]文治洪，胡文東，李曉京.基于PL2303的USB接口設(shè)計(jì)[J].電子設(shè)計(jì)工程， 2010，18（1）：32-34.

[8] Yang B， Lugger M. Emotion recognition from speech signals using new harmony features[J]. Signal processing， 2010，90（5）：1415-1423.

[9]金鑫，田犇，闕大順.基于LD3320的語(yǔ)音控制系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)[J].電腦與信息技術(shù)，2011， 19（6）：22-25.

[10] Reichl W， Chou W.Robust decision tree state tying for continuous speech recognition[J]. IEEE Transactions on Speech and Audio Processing， 2000，8（5）：555-566.

[11]楊熙，張文昭，梁曉琳.語(yǔ)音識(shí)別在智能家居控制系統(tǒng)的應(yīng)用[J].湖南科技學(xué)院學(xué)報(bào)，2016， 37（10）：34-35.

[12] Lavner Y， Gath L， Rosenhouse J. The efects of acoustic modifications on the identification of familiar voices speaking isolated vowles[J]. Speech Communication， 2000，30（1）：9-26.

[13] Joseph Pieone.Continuous Speech Recognition using Hidden Markov Models[J].IEEE Assp Mag， 1990，7（3）： 26-41.

[14]鐘晨帆.基于LD3320芯片的語(yǔ)音識(shí)別系統(tǒng)[D].南京：南京大學(xué)，2015.

[15] LD3320開(kāi)發(fā)手冊(cè)[EB/OL].http：//www. icroute.com.endprint