摘要：為解決特殊群體使用計(jì)算器困難的問題，設(shè)計(jì)了一種基于TMS320VC5509 DSP的可語音識(shí)別的計(jì)算器系統(tǒng)。該計(jì)算器系統(tǒng)的核心是采用HMM算法建立語音識(shí)別模型。通過對實(shí)時(shí)語音信號(hào)(數(shù)字、運(yùn)算符號(hào)等語音)進(jìn)行處理，將得到的參數(shù)與模板庫參數(shù)進(jìn)行匹配并加以識(shí)別，利用TMS320VC5509 DSP自帶的計(jì)算模塊實(shí)現(xiàn)語音信號(hào)整數(shù)100以內(nèi)的加、減、乘、除等計(jì)算功能。實(shí)驗(yàn)結(jié)果表明，該計(jì)算器系統(tǒng)在低噪聲場合和高噪聲場合下識(shí)別率分別達(dá)到94．73％和76．55％。
關(guān)鍵詞：語音識(shí)別；DSP；HMM；計(jì)算器；TMS320VC5509

    隨著電子技術(shù)的高速發(fā)展，現(xiàn)代普通民用計(jì)算器在保留基本的加減乘除等運(yùn)算外，加入了大量如三角函數(shù)、冪函數(shù)等比較復(fù)雜的運(yùn)算。但是其基本的操作沒有發(fā)生變化，依然是運(yùn)用手指操作，對于需要進(jìn)行實(shí)時(shí)數(shù)字計(jì)算的一些特殊人群(殘疾人士)或是在一些特殊場合在無法手動(dòng)操作計(jì)算器的情況下，用加入了語音識(shí)別模塊的計(jì)算器來進(jìn)行實(shí)時(shí)數(shù)字計(jì)算就有相當(dāng)?shù)谋匾?br />    語音識(shí)別技術(shù)是人機(jī)最自然、最簡潔的交流方式，它就是讓機(jī)器能夠自動(dòng)識(shí)別并理解說話人要表達(dá)的意思，將語音信號(hào)轉(zhuǎn)變?yōu)檎_的文本或者命令的高科技技術(shù)。根據(jù)實(shí)際的應(yīng)用，語音識(shí)別可以分為：特定人與非特定人的識(shí)別、孤立詞與連續(xù)詞的識(shí)別、中小詞匯量與無限詞匯量的識(shí)別。
    考慮到成本及使用范圍因素，本文中應(yīng)用的是基于TMS320VC5509 DSP的非特定人、孤立詞、小詞匯量的語音識(shí)別系統(tǒng)。通過實(shí)際測試，使用該DSP的語音識(shí)別系統(tǒng)有著較高的實(shí)時(shí)性、識(shí)別率，基于該系統(tǒng)的計(jì)算器對實(shí)時(shí)數(shù)字計(jì)算有較高準(zhǔn)確性，基本能解決特殊群體和特殊地點(diǎn)使用計(jì)算器困難的情況。

1 系統(tǒng)硬件設(shè)計(jì)
1．1 語音識(shí)別系統(tǒng)
    語音識(shí)別的基本原理框圖如圖l所示。語音識(shí)別過程主要包括語音信號(hào)前處理、特征提取、模式匹配等部分。語音信號(hào)輸入之后，預(yù)處理和數(shù)字化是進(jìn)行語音識(shí)別的前提條件。特征提取是進(jìn)行語音信號(hào)訓(xùn)練和識(shí)別必不可少的步驟，本文采用的是提取每幀的Mel系數(shù)的倒譜參數(shù)作為語音信號(hào)的特征值。模板匹配算法目前有DTW算法、HMM隱馬爾科夫模型、ANN人工神經(jīng)網(wǎng)絡(luò)等。本文采用HMM隱馬爾科夫模型的方法，提取出的特征值存入?yún)⒖寄Ｊ綆熘校脕砥ヅ浯R(shí)別語音信號(hào)的特征值。匹配計(jì)算是進(jìn)行語音識(shí)別的核心部分，由待識(shí)別人的語音經(jīng)過特征提取后，與系統(tǒng)訓(xùn)練時(shí)產(chǎn)生的模板進(jìn)行匹配，在說話人辨認(rèn)中，取與待識(shí)別語音相似度最大的模型所對應(yīng)的語音作為識(shí)別結(jié)果。

1．2 系統(tǒng)硬件結(jié)構(gòu)
    圖2為系統(tǒng)硬件結(jié)構(gòu)框圖。此系統(tǒng)的核心器件是TI公司的TMS320VC5509定點(diǎn)DSP。在本系統(tǒng)中，它不僅是語音識(shí)別的核心，還負(fù)責(zé)計(jì)算器的運(yùn)算部分。TMS320VC5509是系統(tǒng)的運(yùn)算處理單元，具有2個(gè)乘法器(MAC)，4個(gè)累加器(ACC)；40位、16位的算術(shù)邏輯單元(ALU)各一個(gè)，這大大增強(qiáng)了DSP的運(yùn)算能力；指令字長不只單一的16位，可擴(kuò)展到最高48位，數(shù)據(jù)字長16位；可通過USB接口對TMS320VC5509燒寫程序而不必借助仿真器。正是基于這些優(yōu)點(diǎn)，選擇該器件可節(jié)省開發(fā)資金，減小電路板面積。DSP與TLV320AIC23的接口電路如圖3所示。

[!--empirenews.page--]
    TLV320AIC23是Tl公司的一款低成本、低功耗的音頻編解碼器(CODEC)，在本系統(tǒng)中負(fù)責(zé)采集語音信號(hào)。它與本系統(tǒng)相關(guān)的性能參數(shù)有：支持8～96 kHz可調(diào)采樣率；可調(diào)1～5dB的完整緩存放大系統(tǒng)等。圖4是TLV320AIC23的電路圖。

    AM29LV800B存儲(chǔ)器又稱閃存(Flash)，它具有在線電擦寫、低功耗、大容量等特點(diǎn)，其存儲(chǔ)容量為8Mbit。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(jī)運(yùn)行。在本系統(tǒng)中，它主要用來存儲(chǔ)程序代碼、語音模型、以及壓縮后的語音數(shù)據(jù)。
    HY57V641620同步動(dòng)態(tài)存儲(chǔ)器(SDRAM)，容量為4 M×16 bit。作為RAM的擴(kuò)展，它大大增強(qiáng)了DSP的存儲(chǔ)與運(yùn)算能力。在系統(tǒng)初始化的時(shí)候，用來裝載放在Flash中的聲學(xué)模型。這樣在語音識(shí)別的過程中可以通過片外的SDRAM來訪問聲學(xué)模型，比直接訪問Flash來獲取聲學(xué)模型數(shù)據(jù)要快。LCD顯示器用來實(shí)時(shí)顯示經(jīng)過語音識(shí)別后的數(shù)字、運(yùn)算符號(hào)，并在得到需要顯示最終結(jié)果的提示后顯示答案。

2 系統(tǒng)軟件設(shè)計(jì)
2．1 系統(tǒng)軟件流程
    圖5為系統(tǒng)的軟件流程。整個(gè)系統(tǒng)開始運(yùn)行后，初始化DSP及TLV320AIC23，以使各個(gè)寄存器的初值符合要求。在系統(tǒng)通過TLV320AIC23采集語音信號(hào)后，首先要進(jìn)行預(yù)濾波和預(yù)加重；接著將語音信號(hào)進(jìn)行分幀；然后計(jì)算每幀信號(hào)的短時(shí)能量與短時(shí)平均過零率，為接下來的門限判決提供依據(jù)；利用門限判決進(jìn)行端點(diǎn)檢測后，提取每幀的Mel倒譜參數(shù)(MFCC)，作為該幀信號(hào)的特征值；最后，用處理后的語音信號(hào)的特征值與模板進(jìn)行匹配，這一部分是系統(tǒng)的重點(diǎn)。以相似度最大的模板鎖對應(yīng)的語音信號(hào)為識(shí)別結(jié)果。根據(jù)識(shí)別的結(jié)果在顯示器上顯示數(shù)字和運(yùn)算符號(hào)，由運(yùn)算規(guī)則得出結(jié)果并顯示。

2．2 前處理
    前處理是對語音信號(hào)采樣、A／D轉(zhuǎn)換、預(yù)濾波和預(yù)加重、分幀等。以8 kHz和16位的采樣頻率采集的語音模擬信號(hào)。本系統(tǒng)使用帶通濾波器來濾波，上截頻率為3．4 kHz。下截頻率為60 Hz。由于語音信號(hào)具有極強(qiáng)的相關(guān)性，因此，分幀時(shí)要考慮幀重復(fù)的問題。本文將語音信號(hào)以256個(gè)采樣點(diǎn)為一幀，兩頓之間的重復(fù)點(diǎn)數(shù)為80，通過一個(gè)一階的濾波器H(z)=1-a／z對采集的信號(hào)進(jìn)行處理。
    端點(diǎn)檢測就是從說話人的語音命令中，檢測出孤立詞的語音開始和結(jié)束的始點(diǎn)。端點(diǎn)檢測是語音識(shí)別過程的一個(gè)重要環(huán)節(jié)，只有將孤立詞從說話人的背景噪聲中分割出來，才能夠進(jìn)一步進(jìn)行語音識(shí)別工作。本文采用短時(shí)能量和過零率檢測端點(diǎn)。語音信號(hào)的短時(shí)能量分析給出了反應(yīng)其幅度變化的一個(gè)合適描述方法。
    短時(shí)過零率，即指每幀內(nèi)信號(hào)通過零值的次數(shù)，能夠在一定程度上反映信號(hào)的頻譜特性。一幀語音信號(hào)內(nèi)短時(shí)平均過零率定義為：
   
    用短時(shí)能量參數(shù)檢測結(jié)束點(diǎn)，信號(hào){x(n)}的短時(shí)能量定義為：
   
式中，{x(n)}為輸入信號(hào)序列。
    在正式端點(diǎn)檢測開始后，短時(shí)能量與短時(shí)過零率作為門限來判決說話人命令字的開始與結(jié)束；連續(xù)5幀語音信號(hào)超過門限值視為說話人命令字的開始，連續(xù)8幀語音信號(hào)低于門限值視為說話人命令字的結(jié)束。
2．3 特征值提取
    提取每幀的Mel倒譜參數(shù)(MFCC)為該幀信號(hào)的特征值。由倒譜特征是用于說話人個(gè)性特征和說話人識(shí)別的最有效的特征之一，它是基于人耳模型而提出的。其提取過程如下：
    1)原始語音信號(hào)S(n)經(jīng)過預(yù)加重、加窗等處理，得到每個(gè)語音幀的時(shí)域信號(hào)x(n)。然后經(jīng)過離散傅里葉變換(DFT)后得到離散頻譜X(k)。

    式中，N表示傅里葉變換的點(diǎn)數(shù)。[!--empirenews.page--]
    2)將離散譜X(k)通過M個(gè)Mel頻率濾波器組可得到Mel頻譜并通過對數(shù)能量的處理，得到對數(shù)頻譜S(n)。計(jì)算S(n)通過每一個(gè)濾波器的輸出，得到M個(gè)h(m)參數(shù)。
   
    3)對所有濾波器輸出進(jìn)行對數(shù)運(yùn)算，再進(jìn)一步進(jìn)行離散余弦變換(DCT)，即可得到MFCC參數(shù)。
   
    一般在Mel濾波器的選擇中。Mel濾波器組都選擇三角形的濾波器，但也可以是其他形狀，如正弦形的濾波器組等。
2．4 模板匹配(HMM算法)
    本文采用隱馬爾科夫模型(HMM算法)進(jìn)行模式匹配。它將特征矢量作為模板，在語音識(shí)別模式匹配時(shí)，對輸人的語音與模板庫中的模板進(jìn)行比較，最后將相似度最高的作為輸出結(jié)果。HMM算法解決由于說話人語速不同和連續(xù)說話的而帶來的失真問題，還能大大減少運(yùn)算時(shí)間，提高識(shí)別率。
    隱馬爾可夫模型是一個(gè)雙重隨機(jī)過程的統(tǒng)計(jì)模型，其基本隨機(jī)過程是隱藏起來觀測不到的，另一個(gè)隨機(jī)過程則產(chǎn)生觀測序列。對于語音識(shí)別系統(tǒng)，觀測序列0就是矢量量化后的結(jié)果序列，模型λ就是由訓(xùn)練語音得到的模板。語音的訓(xùn)練過程就是產(chǎn)生模板λ的過程，而語音的識(shí)別過程就是求出在模板λ下，待識(shí)別語音的結(jié)果序列0的條件概率P[O／λ]。
    由α(i)和β(i)的定義可直接得到：P[O／λ]=αt(i)βt(i)。而語音的訓(xùn)練算法則較復(fù)雜，目前都采用迭代的方法得到a和b的近似解，其迭代公式如：
   
    在實(shí)際應(yīng)用中，僅對詞條的少數(shù)次發(fā)音進(jìn)行訓(xùn)練的語音識(shí)別系統(tǒng)。不可能對各種復(fù)雜語境下的不同發(fā)音都有較高的識(shí)別率。某些較陳舊的識(shí)別算法如動(dòng)態(tài)時(shí)間彎曲法，只能把單詞的多次訓(xùn)練發(fā)音形成多個(gè)模板，造成模板數(shù)量成倍增加，影響系統(tǒng)的實(shí)時(shí)性。而HMM能夠?qū)σ粋€(gè)詞的多個(gè)訓(xùn)練序列進(jìn)行有效的融合而形成一個(gè)模板。當(dāng)訓(xùn)練發(fā)音的數(shù)量增多時(shí)，只會(huì)造成訓(xùn)練過程的計(jì)算量增大。而不會(huì)使識(shí)別過程的計(jì)算量有絲毫增加，這對系統(tǒng)的實(shí)時(shí)性是相當(dāng)有利的。

3 系統(tǒng)測試
    針對計(jì)算器的使用特點(diǎn)和環(huán)境，分別在2個(gè)地點(diǎn)測試系統(tǒng)的性能。1)封閉的實(shí)驗(yàn)室(地點(diǎn)1)，噪聲較小，采集的信號(hào)較為良好，缺點(diǎn)是有回聲。2)課間休息的教室(地點(diǎn)2)，噪聲及大，干擾很強(qiáng)，信號(hào)的采集質(zhì)量很差。
    因?yàn)檎麄€(gè)系統(tǒng)的設(shè)計(jì)是實(shí)現(xiàn)計(jì)算器的計(jì)算功能，因此本次的實(shí)驗(yàn)是在系統(tǒng)識(shí)別數(shù)字和運(yùn)算符號(hào)等語音后在顯示器上顯示數(shù)學(xué)運(yùn)算公式，并在識(shí)別出“等于”或“得出”2個(gè)詞組的語音后顯示出“=”和最后的計(jì)算結(jié)果。
    在測試前預(yù)先采集5男5女共1 000個(gè)語音樣本(內(nèi)容為數(shù)字0到100，加、減、乘、除、等于和十、百、千、萬等基本計(jì)算所需要的數(shù)字和運(yùn)算符號(hào)讀音)，并且對所有樣本進(jìn)行訓(xùn)練。另外找10人(4女，6男)在各實(shí)驗(yàn)地點(diǎn)進(jìn)行實(shí)時(shí)測試，每人10個(gè)，共100個(gè)未經(jīng)訓(xùn)練的樣本。用這些樣本對系統(tǒng)進(jìn)行測試，其測試結(jié)果如表1所示。

    由表l所示，在相同的實(shí)驗(yàn)設(shè)備條件下，在噪聲較小的環(huán)境下的系統(tǒng)識(shí)別率要遠(yuǎn)高于在嘈雜的環(huán)境下。特別是非經(jīng)訓(xùn)練的樣本在嘈雜環(huán)境下的識(shí)別率比較低，主要是因?yàn)榄h(huán)境中的噪聲相當(dāng)復(fù)雜，查看頻譜圖發(fā)現(xiàn)噪聲幾乎與說話人語音混雜疊加，算法難以識(shí)別。

4 結(jié)論
    本文設(shè)計(jì)的語音識(shí)別計(jì)算器系統(tǒng)，除兼有語音識(shí)別的功能，還能對識(shí)別的語音信號(hào)做進(jìn)一步處理。由于采用HMM模型對語音信號(hào)進(jìn)行端點(diǎn)檢測，大大提高語音信號(hào)起止點(diǎn)判斷準(zhǔn)確性，提高了識(shí)別的準(zhǔn)確率。由于系統(tǒng)運(yùn)算復(fù)雜。計(jì)算量和存儲(chǔ)量都很大，同時(shí)也需要實(shí)時(shí)處理語音信號(hào)與算法，系統(tǒng)所采用的TMS320VC5509，由于其具有0．05 MW／MIPS的功耗，800 MIPS的運(yùn)算能力等優(yōu)越的性能，完全能夠滿足實(shí)時(shí)識(shí)別功能。實(shí)驗(yàn)表明，該計(jì)算器系統(tǒng)處理速度快，運(yùn)行穩(wěn)定，達(dá)到了設(shè)計(jì)要求。