基于DSP的孤立詞語音識(shí)別系統(tǒng)的設(shè)計(jì)

　　1 引言

　　隨著語音信號(hào)處理技術(shù)的不斷發(fā)展與成熟，語音識(shí)別正逐步成為信息技術(shù)中人機(jī)接口的關(guān)鍵技術(shù)。DSP芯片，即數(shù)字信號(hào)處理器，是專門為快速實(shí)現(xiàn)各種信號(hào)處理算法而設(shè)計(jì)的、具有特殊結(jié)構(gòu)的微處理器，其處理速度比最快的CPU還快10~50倍。本文介紹的就是基于TMS320VC5402配合TLC320AD50C和AT89S52的實(shí)驗(yàn)室用機(jī)器人的孤立詞語音識(shí)別系統(tǒng)。

　　2 語音識(shí)別系統(tǒng)的基本介紹

　　2.1 語音識(shí)別系統(tǒng)的組成

　　計(jì)算機(jī)語音識(shí)別過程與人對(duì)語音識(shí)別處理過程基本上是一致的。語音信號(hào)本身的特點(diǎn)造成了語音識(shí)別的困難。這些特點(diǎn)包括多變性，動(dòng)態(tài)性，瞬時(shí)性和連續(xù)性等。目前主流的語音識(shí)別技術(shù)是基于統(tǒng)計(jì)模式識(shí)別的基本理論。一個(gè)完整的語音識(shí)別系統(tǒng)可如圖1所示。

　　2.2 語音識(shí)別系統(tǒng)的分類

　　根據(jù)對(duì)說話人說話方式的要求，可以分為孤立詞語音識(shí)別系統(tǒng)，連續(xù)字語音識(shí)別系統(tǒng)和連續(xù)語音識(shí)別系統(tǒng);根據(jù)對(duì)說話人的依賴程度可以分為特定人和非特定人語音識(shí)別系統(tǒng);根據(jù)詞匯量大小，可以分為小詞匯量、中等詞匯量、大詞匯量以及無限詞匯量語音識(shí)別系統(tǒng)。

　　3 硬件系統(tǒng)設(shè)計(jì)

　　此語音識(shí)別系統(tǒng)的目的讓機(jī)器人能聽懂我們所發(fā)出的簡(jiǎn)單的命令，首先由TLC320AD50C采集計(jì)算機(jī)聲卡的語音，經(jīng)過轉(zhuǎn)換后送給TMS320VC5402, TMS320VC5402完成語音信號(hào)處理，即識(shí)別出所發(fā)出的語音，然后把結(jié)果送給AT89S52顯示，同時(shí)通過串行通訊送給機(jī)器人(PC-104)，以使機(jī)器人能夠控制自己的行動(dòng)。其結(jié)構(gòu)框圖如圖2所示。

　　該系統(tǒng)以TMS320VC5402為核心電路，對(duì)孤立詞語音信號(hào)進(jìn)行采集和處理，AIC為TMS320VC5402的模擬接口電路，包括放大、濾波、和A/D轉(zhuǎn)換的電路，把由話筒采集進(jìn)來的模擬語音信號(hào)，轉(zhuǎn)換成數(shù)字語音信號(hào)。其中SRAM和Flash分別為TMS 320VC5402的數(shù)據(jù)存儲(chǔ)器和程序存儲(chǔ)器。鍵盤和顯示部分則由AT89S52來控制，AT89S52把鍵盤操作轉(zhuǎn)換為控制信號(hào)再傳送給TMS320VC5402，控制系統(tǒng)的工作是訓(xùn)練還是識(shí)別，TMS320VC5402把要顯示的系統(tǒng)狀態(tài)通訊給AT89S52，以實(shí)現(xiàn)LCD顯示。這些硬件工作過程如圖3所示。

　　3.1 TMS320VC5402與TLC320AD50C的接口設(shè)計(jì)

　　TMS320VC5402提供了兩個(gè)增強(qiáng)型的高速、全雙工多通道緩存串行口McBSP， McBSP具有全雙工的通信機(jī)制以及雙緩存的發(fā)送寄存器和三緩存的接收寄存器，允許連續(xù)的數(shù)據(jù)流傳輸，數(shù)據(jù)長度可以為8，12，16，20，24，32;同時(shí)還提供了A-律和μ律壓擴(kuò)，多達(dá)128個(gè)通道的發(fā)送與接收。McBSP通過7個(gè)引腳使得一個(gè)數(shù)據(jù)通路和一個(gè)控制通路與外部設(shè)備相連。McBSP的引腳如下：

　?、?DX：發(fā)送引腳，與McBSP相連發(fā)送數(shù)據(jù)。

　　② DR：接收引腳，與接收數(shù)據(jù)總線相連。

　?、?CLKX：發(fā)送時(shí)鐘引腳。

　　④ CLKR：接收時(shí)鐘引腳。

　　⑤ FSX：發(fā)送幀同步引腳。

　?、?FSR：接收幀同步引腳。

　　TLC320AD50C集成了16位A/D，D/A轉(zhuǎn)換器，采樣速率最高可達(dá)80kHz。在TLC320AD50C內(nèi)部DAC之前有插值濾波器，ADC之后有抽樣濾波器，接收和發(fā)送可同時(shí)進(jìn)行。TLC320AD50C主機(jī)時(shí)鐘信號(hào)來源于外部，通過MCLK引腳輸人。幀同步信號(hào)從內(nèi)部產(chǎn)生，由MCLK導(dǎo)出，其頻率由控制寄存器4設(shè)定。SCLK時(shí)鐘可以由內(nèi)部產(chǎn)生也可由外部插入，在內(nèi)部產(chǎn)生時(shí)，其頻率為幀同步信號(hào)頻率的256倍。其主要特點(diǎn)如下：

　　① 可采用單5V電源供電也可以采用5V模擬、3.3V數(shù)字雙電源供電;

　　② 內(nèi)含16位精度的Σ-△ADC和DAC;

　?、?器件中的ADC為64倍過采樣，DAC為256倍過采樣(內(nèi)部);

　?、?具有85dB的最小信噪比;

　?、?帶有內(nèi)建抗混疊濾波器和sinx/x補(bǔ)償;

　?、?可配置成主機(jī)或從機(jī)方式，一個(gè)串行接口可支持4個(gè)TLC320AD50器件;

　　TLC320AD50C與TMS320VC5402串行通信可以分為首次通信和二次通信。在首次通信中，有兩種數(shù)據(jù)傳送模式，16位傳送模式和15+1位傳送模式，可通過控制寄存器設(shè)定。省卻情況下為15+1位傳送模式。

　　TMS320VC5402與TLC320AD50C的硬件接口電路如圖4所示。

　　3.2 TMS320VC5402與AT89S52的通信

　　AT89S52和TMS320VC5402各自獨(dú)立工作，其信息和數(shù)據(jù)交換通過共享一片外部存儲(chǔ)器來實(shí)現(xiàn)，它們之間信號(hào)聯(lián)絡(luò)通過硬連接和軟件判斷來實(shí)現(xiàn)。

　　外部存儲(chǔ)器采用的是CY7C133，它是高速的2K X 16bit的靜態(tài)異步雙端口RAM，其存儲(chǔ)速度為25ns。它有兩套獨(dú)立的地址線、數(shù)據(jù)線和控制信號(hào)線，允許兩個(gè)控制器件中的數(shù)據(jù)通過共同連接的存儲(chǔ)器來進(jìn)行通信。該雙端口RAM允許兩個(gè)控制器同時(shí)讀取任何存儲(chǔ)單元(包括同時(shí)讀同一單元)，但不允許同時(shí)寫或者一讀一寫統(tǒng)一地址單元。

　　對(duì)于TMS320VC5402，數(shù)據(jù)存儲(chǔ)器CY7C133的對(duì)應(yīng)地址為4000H~47FFH。

　　對(duì)于AT89S52，數(shù)據(jù)存儲(chǔ)器CY7C133的對(duì)應(yīng)地址為2000H~27FFH。

　　4 軟件系統(tǒng)設(shè)計(jì)

　　由圖1可知，軟件系統(tǒng)的設(shè)計(jì)主要包括端點(diǎn)檢測(cè)、特征量提取和模式匹配。

　　4.1 端點(diǎn)檢測(cè)

　　從背景噪聲中找出語音的開始和終止，這在很多語音處理領(lǐng)域中是基本的問題。特別是在孤立詞的自動(dòng)識(shí)別中，找出每個(gè)單詞的語音信號(hào)范圍是很重要的，確定語音信號(hào)的開始和終止的方案可以用來減少非實(shí)時(shí)系統(tǒng)中的大量計(jì)算，使該系統(tǒng)僅處理語音輸入。本語音識(shí)別系統(tǒng)實(shí)時(shí)、精確的端點(diǎn)檢測(cè)可以排除無聲段的噪聲干擾，使后面的識(shí)別性能得以較大的提高。

　　漢語的音節(jié)末尾都是濁音，只用短時(shí)能量就能較好地判斷一個(gè)詞語的末點(diǎn)。而漢語詞語的起點(diǎn)檢測(cè)不僅有一定的難度，而且檢測(cè)是否準(zhǔn)確對(duì)語音識(shí)別性能影響頗大，因?yàn)榇蠖鄶?shù)聲母都是清聲母，還有送氣與不送氣的塞音和塞擦音，將它們與環(huán)境噪聲分辨是比較困難的。這里用短時(shí)相對(duì)能頻積的方法對(duì)語音信號(hào)的端點(diǎn)進(jìn)行檢測(cè)。

　　語音信號(hào)一般可分為無聲段、清音段、濁音段。無聲段的平均能量最低，濁音段的平均能量最高，清音段的平均能量居于兩者之間。在有噪聲環(huán)境下，語音剛開始的一段，其短時(shí)能量的大小與背景噪聲的短時(shí)能量差不太多。清音段的過零率大多數(shù)情況下最高，無聲段的過零率變化范圍較大，一般情況下比濁音段低一點(diǎn)，但有時(shí)會(huì)比濁音段稍高一點(diǎn)或者差不多。

　　在系統(tǒng)剛啟動(dòng)時(shí)，正常情況下語音信號(hào)的前100ms是無聲段，所以我們可以提取這段語音信號(hào)的平均能量、平均過零率、它們的乘積(稱為能頻積) 作為進(jìn)行判斷的特征參數(shù)。

　　4.2 特征量提取

　　原始語音信號(hào)不能直接用于模板訓(xùn)練和模式匹配，這是因?yàn)?1)原始語音信號(hào)數(shù)據(jù)量太大，系統(tǒng)的運(yùn)算和存貯負(fù)擔(dān)過重;(2)原始語音信號(hào)包含太多的隨機(jī)因素，極大的影響了系統(tǒng)的識(shí)別率。

　　語音識(shí)別系統(tǒng)進(jìn)行模板訓(xùn)練和模式匹配的數(shù)據(jù)是從預(yù)處理后語音信號(hào)中提取的特征參數(shù)。通過預(yù)處理和特征參數(shù)提取技術(shù)，一方面使得進(jìn)行模板訓(xùn)練和模式匹配的數(shù)據(jù)特征明顯，提高了系統(tǒng)的識(shí)別率;另一方面進(jìn)行了信息壓縮，降低了系統(tǒng)的運(yùn)算量和存貯量。

　　特征參數(shù)提取就是從語音信號(hào)中提取有代表性的、合適的特征參數(shù)，進(jìn)行適當(dāng)?shù)臄?shù)據(jù)壓縮。時(shí)域參數(shù)的優(yōu)點(diǎn)是計(jì)算量比較少，對(duì)于區(qū)別語音段和靜音段及清/濁音段比較方便，效果也比較明顯。但由于人耳對(duì)聲音的頻域特性比較敏感，時(shí)域參數(shù)不能恰當(dāng)?shù)胤从尺@種特征。

　　線性預(yù)測(cè)分析法是最有效的語音分析技術(shù)之一。線性頂測(cè)分析所包括的基本概念是，一個(gè)語音抽樣能夠用過去若干個(gè)語音抽樣的線性組合來逼近。通過使實(shí)際語音抽樣和線性預(yù)測(cè)抽樣之間差值的平方和(在一個(gè)有限間隔上)達(dá)到最小值，能夠決定唯一的一組預(yù)測(cè)器系數(shù)(預(yù)測(cè)器系數(shù)是線性組合中所用的加權(quán)系數(shù))。

　　線性預(yù)測(cè)系數(shù)(LPC)倒譜系數(shù)其實(shí)是復(fù)倒譜。復(fù)倒譜是信號(hào)通過z變換以后取對(duì)數(shù)，再求反G變換而得到的。線性預(yù)測(cè)分析方法是一種譜估計(jì)的方法，而且其聲道模型系統(tǒng)函數(shù)H(z)反映了聲道的頻率響應(yīng)和原始信號(hào)的譜包絡(luò)，因此用lgH(z)做反Z變換即可求出其復(fù)倒譜系數(shù)。該復(fù)倒譜系數(shù)是根據(jù)線性預(yù)測(cè)模型直接得到的，因此又稱之為LPC倒譜系數(shù)。

　　4.3 模式匹配

　　模板匹配法是多維模式識(shí)別系統(tǒng)中最常用的一種相似度計(jì)算方法。在訓(xùn)練過程中，經(jīng)過特征提取和特征維數(shù)的壓縮，并采用聚類方法，針對(duì)每個(gè)模式類各產(chǎn)生一個(gè)或幾個(gè)模板，識(shí)別階段將待識(shí)別模式的特征矢量與各模板進(jìn)行相似度計(jì)算，然后判別它屬于哪個(gè)類。語音識(shí)別也可以用模板匹配法進(jìn)行相似度計(jì)算，但它在特征維數(shù)方面存在一個(gè)時(shí)間對(duì)準(zhǔn)問題，是通常模式識(shí)別匹配計(jì)算時(shí)不具備的一些特殊情況。孤立詞識(shí)別時(shí)，每個(gè)類是一個(gè)詞，每個(gè)詞由一個(gè)或多個(gè)音素或類音素構(gòu)成。在訓(xùn)練或識(shí)別過程中，每次說同一個(gè)詞時(shí)，其持續(xù)時(shí)間長度和各個(gè)詞的各音素或類音素的相對(duì)時(shí)長都會(huì)隨機(jī)地改變。因此在匹配時(shí)如果只對(duì)特征矢量序列進(jìn)行線性時(shí)間規(guī)整，其中的音素或類音素就可能對(duì)不準(zhǔn)。而應(yīng)該采用某種非線性時(shí)間對(duì)準(zhǔn)算法。動(dòng)態(tài)時(shí)間規(guī)整(DTW)就是效果最好的一種非線性時(shí)間規(guī)整模板匹配算法。

　　不同的人所發(fā)的語音信號(hào)，其模式有很大的差異，即使是同一個(gè)人，在不同的時(shí)間由于方法不同，其語音特征參數(shù)也有變化。在模式匹配時(shí)，由于這些變化會(huì)影響測(cè)度的估計(jì)，從而識(shí)別率降低。為了提高識(shí)別率，首先要把語音信號(hào)的起始點(diǎn)檢測(cè)出來;其次，為了克服兩次同樣的語音而發(fā)音時(shí)間長短的不同，采用對(duì)標(biāo)準(zhǔn)模式的語音信號(hào)均勻地伸長或縮短直到它與未知語音信號(hào)長度相一致。這種方法能達(dá)到的識(shí)別精度完全取決于端點(diǎn)檢測(cè)的精度。

　　5 結(jié)語

　　本系統(tǒng)主要工作是服務(wù)于實(shí)驗(yàn)室智能機(jī)器人的孤立詞語音控制。實(shí)踐證明，本系統(tǒng)能夠?qū)C(jī)器人常用的一些命令詞進(jìn)行識(shí)別，并且比實(shí)驗(yàn)室的傳統(tǒng)機(jī)器人的控制方式方便得多，經(jīng)過改進(jìn)可以用到工業(yè)機(jī)器人的控制系統(tǒng)中去。

　　本文作者創(chuàng)新點(diǎn)是利用DSP對(duì)A/D采集來的語音信號(hào)進(jìn)行處理，然后和計(jì)算機(jī)通信，同時(shí)將處理結(jié)果送給單片機(jī)實(shí)現(xiàn)LCD顯示。