語音識別（Speech Recognition）是機器通過訓(xùn)練和匹配過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)。關(guān)于語音識別技術(shù)，先后出現(xiàn)了動態(tài)時間彎折（DTW）、隱馬爾可夫和人工神經(jīng)網(wǎng)絡(luò)三種主要方法[1]。由于每種方法都涉及大量的乘加運算，并且計算精度是算法性能的有效保障，因此對處理器的運算能力要求較高。近年大規(guī)模集成電路的快速發(fā)展，為語音識別的實現(xiàn)創(chuàng)造了硬件條件。目前，基于DSP的語音識別系統(tǒng)多以浮點型DSP為主[2]，但其成本較高。本文以TI公司的較低成本定點DSP TMS320VC5509A作為處理芯片。在軟件編程時，考慮運算速度和精度對性能的影響，將定點運算與基于定點DSP的浮點運算巧妙結(jié)合，既保證了處理速度，又提高了運算精度和識別率。此外，該系統(tǒng)的DSP芯片自帶USB接口，可使程序下載不借助于硬件仿真器，便于推廣應(yīng)用；可編程邏輯器件（CPLD）能夠根據(jù)識別結(jié)果發(fā)出相應(yīng)的控制信號以驅(qū)動各種控制對象；外擴Flash達(dá)1M×16Bit，不僅能存儲較多數(shù)量的模板，也可實現(xiàn)程序的并行加載，使系統(tǒng)能夠脫機運行，便于攜帶。通過對語音信號的采集與識別，能夠完成對特定人、小詞匯量、孤立詞的識別，并且能發(fā)出相應(yīng)的控制信號，以達(dá)到系統(tǒng)的設(shè)計要求。實踐驗證了該系統(tǒng)具有可靠性、穩(wěn)定性和靈活性。
1 語音識別原理
語音識別原理框圖如圖1所示。語音信號輸入之后，預(yù)處理和數(shù)字化是進(jìn)行語音識別的前提條件。其中，預(yù)處理主要是進(jìn)行預(yù)濾波，保留正常人的300～3400Hz的語音信號；數(shù)字化是要進(jìn)行A/D轉(zhuǎn)換及抗混疊等處理；特征提取是進(jìn)行語音信號訓(xùn)練和識別必不可少的步驟。能夠體現(xiàn)語音信號特征的參數(shù)包括：(1)基于LPC的倒譜參數(shù)；(2)Mel系數(shù)的倒譜參數(shù)；(3)采用前沿數(shù)字信號處理技術(shù)的特征分析手段，如小波分析、時/頻域分析、人工神經(jīng)網(wǎng)絡(luò)等。本文采用基于LPC的倒譜參數(shù)表示方法，提取出的特征值存入?yún)⒖寄Ｊ綆熘�，用來匹配待識別語音信號的特征值。匹配計算是進(jìn)行語音識別的核心部分，由待識別人的語音經(jīng)過特征提取后，與系統(tǒng)訓(xùn)練時產(chǎn)生的模板進(jìn)行匹配，在說話人辨認(rèn)中，取與待識別語音相似度最大的模型所對應(yīng)的語音作為識別結(jié)果，這就是語音識別的整個過程[1]。
2 硬件結(jié)構(gòu)部分
本系統(tǒng)的硬件結(jié)構(gòu)框圖如圖2所示。
此系統(tǒng)的核心器件是TI公司的TMS320VC5509A定點DSP芯片。它是系統(tǒng)的運算處理單元，具有2個乘法器(MAC)，4個累加器(ACC)；40位、16位的算術(shù)邏輯單元(ALU)各一個，這大大增強了DSP的運算能力；指令字長不只單一的16位，可擴展到最高48位，數(shù)據(jù)字長16位；在144MHz下工作，指令周期可達(dá)6.94ns。TMS320VC5509A還提供高速的多通道緩沖串口McBSP(Multi-channel Buffererd Serial Ports），DSP可通過McBSP與其他DSP、編解碼器等器件相連。McBSP具有全雙工通信，雙緩沖數(shù)據(jù)寄存器，允許傳送連續(xù)的數(shù)據(jù)流，能夠向CPU發(fā)送中斷，向DMA控制器發(fā)送DMA事件，可設(shè)置幀同步脈沖和時鐘信號的極性等功能，這大大方便了DSP采集音頻信號[3]。除此之外，TMS320VC5509A還提供了更為高效的外部存儲器接口（EMIF），以往DSP的空間選通信號被片選信號取代，而每個片選信號分別占用不同的地址空間，這樣就不需要外部的譯碼電路，從而實現(xiàn)了與外部設(shè)備的無縫連接，可使DSP外部存儲空間擴大到滿足系統(tǒng)要求。值得強調(diào)的是，可通過USB接口對TMS320VC5509A燒寫程序而不必借助仿真器。正是基于這些優(yōu)點，選擇該芯片可節(jié)省開發(fā)資金，減小電路板面積。
TLV320AIC23是TI公司的一款低成本、低功耗的音頻編解碼芯片(CODEC)，在本系統(tǒng)中負(fù)責(zé)采集語音信號。它與本系統(tǒng)相關(guān)的性能參數(shù)如下：(1)支持8kHz～96kHz可調(diào)采樣率；(2)與DSP連接，主從類型可通過軟件編寫來實現(xiàn)；(3)DSP可通過I2C總線來配置TLV320AIC23的寄存器；(4)采集語音信號字長16/20/24/32Bit；(5)MIC音頻輸入具有強抗噪性；(6)具有可調(diào)1～5dB的完整緩存放大系統(tǒng)[4]。
EPM3128ATC100-10可編程邏輯器件(CPLD)在本系統(tǒng)中擔(dān)當(dāng)兩方面的職能：(1)作為控制部件，接收DSP發(fā)出的信號，經(jīng)邏輯判斷后，驅(qū)動諸如電機、發(fā)光二極管等器件；(2)用于DSP地址線的擴展。TMS320VC5509A只有14根地址線，但它的外部存儲空間可以擴展到16MB(字節(jié)尋址)，顯然，DSP的固有地址線是無法滿足要求的。本系統(tǒng)采用CPLD完成地址線的擴展[5][6]。
HY57V641620同步動態(tài)存儲器(SDRAM)，容量為4M×16Bit。作為RAM的擴展，大大增強了DSP的存儲與運算能力[7]。
SST39VF1601閃存存儲器(Flash)，容量為1M×16Bit。在這個系統(tǒng)中[8]，它主要用來存儲程序代碼。上電后，DSP從外部Flash加載并執(zhí)行程序代碼，使系統(tǒng)能夠脫機運行。
3 軟件模塊部分
軟件流程如圖3所示。系統(tǒng)采集語音信號后，首先要進(jìn)行預(yù)濾波和預(yù)加重；接著將語音信號進(jìn)行分幀，由于語音信號具有極強的相關(guān)性，因此在分幀時，要考慮幀重復(fù)。本文將語音信號以256個采樣點為一幀，兩幀之間的重復(fù)點數(shù)為80；然后計算每幀信號的短時能量與短時平均過零率，這也是接下來進(jìn)行端點檢測的依據(jù)；利用門限判決進(jìn)行端點檢測后，提取每幀信號的LPC系數(shù)，作為該幀信號的特征值；最后，用語音信號的特征值與模板逐個進(jìn)行匹配。相似度最大的模板所對應(yīng)的語音信號為識別結(jié)果，根據(jù)識別結(jié)果就可以向外發(fā)出控制信號。
