1. 引言

目前，嵌入式語音識別系統(tǒng)的實(shí)現(xiàn)主要通過單片機(jī)MCU和數(shù)字信號處理器DSP來實(shí)現(xiàn)[1]。但是單片機(jī)運(yùn)算速度慢，處理能力不高；雖然DSP處理速度很快，但是產(chǎn)品的成本很高，電源能量消耗也很大。因此，為了滿足嵌入式交互系統(tǒng)的體積越來越小、功能越來越強(qiáng)的苛刻需求，語音識別片上系統(tǒng)SoC（System on Chip）應(yīng)運(yùn)而生。

語音識別片上系統(tǒng)SoC本身就是一塊芯片，在單一芯片上集成了模擬語音模數(shù)轉(zhuǎn)換器ADC、數(shù)模轉(zhuǎn)換器DAC、信號采集和轉(zhuǎn)換、處理器、存儲器和I/O接口等，只要加上極少的電源就可以具有語音識別的功能，集成了聲音信息的采集、取樣、處理、分析和記憶。SoC具有片內(nèi)處理器和片內(nèi)總線，有著更靈活的應(yīng)用方式。它具有速度快，體積小，成本低，可擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)，有著廣泛的應(yīng)用前景，已經(jīng)成為語音識別技術(shù)應(yīng)用發(fā)展的一個重要方向[2-3]。研究和開發(fā)應(yīng)用于片上系統(tǒng)SoC芯片的語音識別算法有著非常重要的意義。

2. 孤立詞語音識別系統(tǒng)

孤立詞語音識別系統(tǒng)應(yīng)用于嵌入式控制領(lǐng)域，例如數(shù)字家庭控制、車載語音控制和智能語音可控玩具等。在訓(xùn)練階段，用戶將每一個詞依次說一遍，并將計算得到的每一個詞所對應(yīng)的特征矢量序列作為模板存入模板庫中。在識別階段，將輸入語音的特征矢量序列依次與模板庫中的每一模板進(jìn)行相似度比較，將相似度最高者作為識別結(jié)果輸出。

3. 針對片上系統(tǒng)SOC的孤立詞語音識別算法設(shè)計

在SoC芯片中實(shí)現(xiàn)孤立詞語音識別系統(tǒng)，就要根據(jù)語音識別片上系統(tǒng)的特點(diǎn)，來進(jìn)行SoC的語音識別算法的選擇和設(shè)計。

首先是特征提取算法的選擇。MFCC算法考慮到了人的聽覺效果，能很好的表征語音信號，而且在噪聲環(huán)境下能取得很好的識別效果。而LPC系數(shù)主要是模擬人的發(fā)聲模型，對元音有較好的的描述能力，對輔音描述能力較差，抗噪聲性能也相對差一些。但是從算法的計算量來考慮，MFCC提取特征參數(shù)是LPCC 的10倍左右，通常在嵌入式系統(tǒng)下較難實(shí)現(xiàn)實(shí)時性。因此，選用LPCC算法。

模式匹配技術(shù)的選擇。隱馬爾柯夫模型HMM方法是用概率及統(tǒng)計學(xué)理論來對語音信號進(jìn)行分析與處理的，適用于大詞匯量、非特定人的語音識別系統(tǒng)。該算法對系統(tǒng)資源的要求較多。而動態(tài)時間規(guī)整技術(shù)DTW采用模板匹配法進(jìn)行相似度計算，是一個最為小巧的語音識別算法，系統(tǒng)開銷小，識別速度快，可有效節(jié)約系統(tǒng)資源，降低系統(tǒng)成本開支。由于嵌入式系統(tǒng)資源有限，語音命令識別系統(tǒng)所需要的詞匯量有限，所需識別的語音都是簡短的命令，模式匹配算法選擇DTW。

3.1 端點(diǎn)檢測算法設(shè)計

一個好的端點(diǎn)檢測算法可以在一定程度上提高系統(tǒng)的識別率。在雙門限端點(diǎn)檢測原理的基礎(chǔ)上，進(jìn)行語音端點(diǎn)檢測算法的設(shè)計。為了提高端點(diǎn)檢測的精度，采用短時能量E和短時過零率ZCR。

語音采樣頻率為8KHz，量化精度為16位，數(shù)字PCM碼首先經(jīng)過預(yù)加重濾波器H(z)=2-0.95z-1，再進(jìn)行分幀和加窗處理，每幀30ms，240點(diǎn)為一幀，幀移為80，窗函數(shù)采用Hamming窗。然后對每幀語音進(jìn)行歸一化處理，即把每點(diǎn)的值都除以所有語音幀中數(shù)值絕對值的最大值，把值的范圍從[-32767，32767]轉(zhuǎn)換到[-1，1]。

在實(shí)驗(yàn)中發(fā)現(xiàn)，雙門限端點(diǎn)檢測算法對于兩個漢字和三個漢字的語音命令端點(diǎn)檢測效果不好。以語音“開燈”為例，如圖1所示語音波形圖中，端點(diǎn)檢測只能檢測到第一個字。

圖1 改進(jìn)前對語音“開燈”的端點(diǎn)檢測

Fig2. the endpointing detection of speech “kaideng” before ameliorate

如果語音命令中兩個字的間隔過長，使用雙門限端點(diǎn)檢測方法會發(fā)生只檢測到第一個字的情況，在實(shí)際中“開燈”和“開門”等命令只提取了“開”字的語音，從而可能造成語音匹配的錯誤。

為避免該錯誤，采用的辦法是，把可容忍的靜音區(qū)間擴(kuò)大到15幀 (約150ms)。在雙門限的后一門限往后推遲15幀，如15幀內(nèi)一直沒有energy和ZCR超過最低門限，則認(rèn)為語音結(jié)束；如發(fā)現(xiàn)仍然有語音，則繼續(xù)算入在內(nèi)。

圖2 改進(jìn)后對語音“開燈”的端點(diǎn)檢測

Fig3. the endpointing detection of speech “kaideng” after ameliorate

改進(jìn)后，整個語音信號的端點(diǎn)檢測流程設(shè)計為四個階段：靜音、過渡段、語音段和語音結(jié)束。在靜音段，如果能量或過零率超越了低門限，就應(yīng)該開始標(biāo)記起始點(diǎn)，進(jìn)入過渡段。在過渡段中，由于參數(shù)的數(shù)值比較小，不能確信是否處于真正的語音段，因此只要兩個參數(shù)的數(shù)值都回落到低門限以下，就將當(dāng)前狀態(tài)恢復(fù)到靜音狀態(tài)。而如果在過渡段中兩個參數(shù)中的任一個超過了高門限，就可以確信進(jìn)入語音段。在語音段，如果兩個參數(shù)的數(shù)值降低到低門限以下，并且一直持續(xù)15幀，那么語音進(jìn)入停止。如果兩個參數(shù)的數(shù)值降低到低門限以下，但是并沒有持續(xù)到 15幀，后續(xù)又有語音段越過低門限，那么認(rèn)為語音還沒有結(jié)束。最后，如果檢測出的這段語音總長度小于可接受的最小的語音幀數(shù)(設(shè)為15幀)，則認(rèn)為是一段噪音而放棄。

采用改進(jìn)后的端點(diǎn)檢測算法，對于單個漢字或多個漢字的語音命令均識別常。圖2為語音“開燈”的端點(diǎn)檢測圖(兩條紅線以內(nèi)的部分為檢測出來的語音部分)。