一種嵌入式語音識別模塊的設(shè)計(jì)與實(shí)現(xiàn)

服務(wù)機(jī)器人以服務(wù)為目的，因此人們需要一種更方便、更自然、更加人性化的方式與機(jī)器人交互，而不再滿足于復(fù)雜的鍵盤和按鈕操作?；诼犛X的人機(jī)交互是該領(lǐng)域的一個重要發(fā)展方向。目前主流的語音識別技術(shù)是基于統(tǒng)計(jì)模式。然而，由于統(tǒng)計(jì)模型訓(xùn)練算法復(fù)雜，運(yùn)算量大，一般由工控機(jī)、PC機(jī)或筆記本來完成，這無疑限制了它的運(yùn)用。嵌入式語音交互已成為目前研究的熱門課題。

嵌入式語音識別系統(tǒng)和PC機(jī)的語音識別系統(tǒng)相比，雖然其運(yùn)算速度和內(nèi)存容量有一定限制，但它具有體積小、功耗低、可靠性高、投入小、安裝靈活等優(yōu)點(diǎn)，特別適用于智能家居、機(jī)器人及消費(fèi)電子等領(lǐng)域。

1 模塊整體方案及架構(gòu)

語音識別的基本原理如圖1所示。語音識別包括兩個階段：訓(xùn)練和識別。不管是訓(xùn)練還是識別，都必須對輸入語音預(yù)處理和特征提取。訓(xùn)練階段所做的具體工作是通過用戶輸入若干次訓(xùn)練語音，經(jīng)過預(yù)處理和特征提取后得到特征矢量參數(shù)，最后通過特征建模達(dá)到建立訓(xùn)練語音的參考模型庫的目的。而識別階段所做的主要工作是將輸入語音的特征矢量參數(shù)和參考模型庫中的參考模型進(jìn)行相似性度量比較，然后把相似性最高的輸入特征矢量作為識別結(jié)果輸出。這樣，最終就達(dá)到了語音識別的目的。

圖1 語音識別的基本原理

現(xiàn)有的語音識別技術(shù)按照識別對象可以分為特定人識別和非特定人識別。特定人識別是指識別對象為專門的人，非特定人識別是指識別對象是針對大多數(shù)用戶，一般需要采集多個人的語音進(jìn)行錄音和訓(xùn)練，經(jīng)過學(xué)習(xí)，達(dá)到較高的識別率。

基于現(xiàn)有技術(shù)開發(fā)嵌入式語音交互系統(tǒng)，目前主要有兩種方式：一種是直接在嵌入式處理器中調(diào)用語音開發(fā)包；另一種是嵌入式處理器外圍擴(kuò)展語音芯片。第一種方法程序量大，計(jì)算復(fù)雜，需要占用大量的處理器資源，開發(fā)周期長；第二種方法相對簡單，只需要關(guān)注語音芯片的接口部分與微處理器相連，結(jié)構(gòu)簡單，搭建方便，微處理器的計(jì)算負(fù)擔(dān)大大降低，增強(qiáng)了可靠性，縮短了開發(fā)周期。

語音識別技術(shù)在國內(nèi)外的發(fā)展十分迅速。目前國內(nèi)在PC應(yīng)用領(lǐng)域，具有代表性的有：科大訊飛的InterReco2.0、中科模式識別的Pattek ASR3.0、捷通華聲的jASRv5.5；在嵌入式應(yīng)用領(lǐng)域，具有代表性的有：凌陽的SPCE061A、ICRoute的LD332X、上海華鎮(zhèn)電子的WS-117。

本文的語音識別方案是以嵌入式微處理器為核心，外圍加非特定人語音識別芯片及相關(guān)電路構(gòu)成。語音識別芯片選用ICRoute公司的LD33 20芯片。

2 硬件電路設(shè)計(jì)

如圖2所示，硬件電路主要包括主控核心部分和語音識別部分。語音進(jìn)入語音識別部分后，將處理過的數(shù)據(jù)并行傳輸?shù)街骺刂破鳎骺刂破鹘?jīng)過處理后，發(fā)送命令數(shù)據(jù)到USART，USART可用于擴(kuò)展外圍串行設(shè)備，如語音合成模塊等。

圖2 硬件電路

2.1 語音識別電路

圖3為語音識別部分原理圖，參照了ICRoute發(fā)布的LD3320數(shù)據(jù)手冊進(jìn)行設(shè)計(jì)。LD3320的內(nèi)部集成了快速穩(wěn)定的優(yōu)化算法，不需外接Fla-sh、RAM，不需要用戶事先訓(xùn)練和錄音而完成非特定人語音識別，識別準(zhǔn)確率高。

圖3 語音識別部分原理圖

圖中，LD3320采用并行方式直接與STM32F103C8T6相接，均采用1kΩ電阻上拉，A0用于判斷是數(shù)據(jù)段還是地址段；控制信號

，復(fù)位信號

以及中斷返回信號INTB與STM32F103C8T6直接相連，采用10kΩ電阻上拉，輔助系統(tǒng)穩(wěn)定工作；和STM32F103C8T6采用同一個外部8 MHz時鐘；發(fā)光二極管D1、D2用于復(fù)位后的上電指示；MBS（引腳12）作為*偏置，接了一個RC電路，保證能輸出一個浮動電壓給*。

2.2主控制器電路

本文的主控制器選用的是ST公司的STM32F103C8T6芯片。該芯片基于ARM Cottex-M3 32位的RISC內(nèi)核，工作頻率最高可達(dá)72 MHz，內(nèi)置高速存儲器（64 KB的閃存和20 KB的SRAM），豐富的增強(qiáng)I／O端口和聯(lián)接到兩條APB總線的外設(shè)。STM32系列提供了全新的32位產(chǎn)品選項(xiàng)，結(jié)合了高性能、實(shí)時、低功耗、低電壓等特性，同時保持了高集成度和易于開發(fā)的優(yōu)勢，將32位MCU世界的性能和功效引向一個新的級別。

3 軟件系統(tǒng)設(shè)計(jì)

軟件系統(tǒng)的設(shè)計(jì)主要包括3部分：主控單元的嵌入式操作系統(tǒng)μC／OS-II移植、LD3320的語音識別程序設(shè)計(jì)、對話管理單元的設(shè)計(jì)。

3.1 嵌入式操作系統(tǒng)μC／OS-II移植

μC／OS-II是一個源碼公開、可移植、可固化、可裁剪、占先式的實(shí)時多任務(wù)操作系統(tǒng)。它是專門為計(jì)算機(jī)的嵌入式應(yīng)用設(shè)計(jì)的，絕大部分代碼采用C語言編寫，具有執(zhí)行效率高、占用空間小、實(shí)時性能優(yōu)良和可擴(kuò)展性強(qiáng)等特點(diǎn)，最小內(nèi)核可至2 KB。在μC／OS-II中，任務(wù)的概念尤為重要，它是可剝奪型的內(nèi)核，因此任務(wù)優(yōu)先級的劃分至關(guān)緊要?；诜謱踊湍K化的設(shè)計(jì)理念，整個系統(tǒng)任務(wù)的劃分如表1所列。

表1 主控系統(tǒng)任務(wù)優(yōu)先級規(guī)劃

表1中除OSTaskStat和OSTaskIdle任務(wù)為系統(tǒng)自帶，其他7個任務(wù)均為用戶創(chuàng)建。App_TaskStart是系統(tǒng)的第一個任務(wù)，對系統(tǒng)時鐘和底層設(shè)備進(jìn)行初始化，創(chuàng)建所有事件和其他各項(xiàng)用戶任務(wù)，并對系統(tǒng)狀態(tài)進(jìn)行監(jiān)測；App_TaskSR完成語音識別；App_TaskCmd完成對話集中命令的解析和執(zhí)行，并通過USART1向外發(fā)送；App_TaskCom作為外圍擴(kuò)展任務(wù)，通過USART2向外發(fā)送指令或數(shù)據(jù)，負(fù)責(zé)控制外圍擴(kuò)展設(shè)備，如語音合成設(shè)備等；

App_TaskUpdate通過解析USART1接收的命令和數(shù)據(jù)進(jìn)行對話集的更新；App_TaskPB是按鍵掃描任務(wù)，負(fù)責(zé)檢測3個獨(dú)立按鍵，分為短按和長按檢測；App_TaskLED驅(qū)動4個LED指示燈，指示當(dāng)前工作狀態(tài)。

3.2 語音識別程序設(shè)計(jì)

語音識別程序的設(shè)計(jì)，參考了LD332X開發(fā)手冊，本文中采用中斷方式工作，其工作流程分為通用初始化一語音識別用初始化-寫入識別列表-開始識別-響應(yīng)中斷。

①通用初始化和語音識別用初始化。在初始化程序里，主要完成軟復(fù)位、模式設(shè)定、時鐘頻率設(shè)定、FIFO設(shè)定。

②寫入識別列表。列表的規(guī)則是，每個識別條目對應(yīng)一個特定的編號（1個字節(jié)），編號可以相同，可以不連續(xù)，但是數(shù)值要小于256（00H～FFH）。本芯片最多支持50個識別條目，每個識別條目是標(biāo)準(zhǔn)普通話的漢語拼音（小寫），每2個字（漢語拼音）之間用一個空格間隔。本文中采取了連續(xù)不同編號的識別條目，表2是簡單的示例。

表2 識別列表示例

③開始識別。設(shè)置幾個相關(guān)的寄存器，即可開始語音的識別。圖4是相關(guān)的流程。ADC通道即為*輸入通道，ADC增益也就是*音量，可設(shè)定值00H～7FH，建議設(shè)置值為40H～6FH，值越大代表MIC音量越大，識別啟動越敏感，但可能帶來更多誤識別；值越小代表MIC音量越小，需要近距離說話才能啟動識別功能，好處是對遠(yuǎn)處的干擾語音沒有反應(yīng)。本文中設(shè)定值為43H。

圖4 開始識別流程

④響應(yīng)中斷。如果*采集到聲音，不管是否識別出正常結(jié)果，都會產(chǎn)生一個中斷信號。而中斷程序要根據(jù)寄存器的值分析結(jié)果。讀取BA寄存器的值，可以知道有幾個候選答案，而C5寄存器里的答案是得分最高、最可能正確的答案。

3.3 對話管理單元設(shè)計(jì)

為了方便進(jìn)行對話的管理，本文中設(shè)計(jì)了一個對話管理單元，用于對等待識別的語句和等待執(zhí)行的命令進(jìn)行存儲，在主控制器中通過定義二維數(shù)組來實(shí)現(xiàn)。LD3320每次識別最多可以設(shè)置50項(xiàng)候選識別句，每個識別句可以是單字、詞組或短句，長度為不超過10個漢字或者79個字節(jié)的拼音串?；谏鲜鲈?，本文設(shè)計(jì)的對話管理數(shù)組如表3所列。

表3 對話管理單元數(shù)組

行為數(shù)組中存儲要執(zhí)行的行為編號，對應(yīng)于50條語音識別語句，共有50組指令，每組指令中可以最多包含6個行為，并行的行為可以歸為一步，通過多個行為的組合，就可以完成更復(fù)雜的任務(wù)。

4 性能測試與應(yīng)用

為了保證設(shè)計(jì)的語音識別模塊的語音識別率、穩(wěn)定性和響應(yīng)時間，本文對所描述的語音識別模塊做了相應(yīng)的測試，測試環(huán)境分別為安靜的家庭環(huán)境和嘈雜的醫(yī)院環(huán)境，共8條語音指令，對每條語音指令分別進(jìn)行10次測試，每個環(huán)境下對每個特定人的總實(shí)驗(yàn)次數(shù)為80次，記錄成功識別的次數(shù)。測試結(jié)果如表4所列。

表4 測試結(jié)果

測試中的3個非特定人中，非特定人1為女性，非特定人2和非特定人3為男性。由表中數(shù)據(jù)可以看出，家庭環(huán)境下對非特定人的語音識別率可達(dá)到90％以上，嘈雜的醫(yī)院環(huán)境下的語音識別率也可達(dá)82.5％以上。識別率方面，在嘈雜環(huán)境下比在安靜環(huán)境下的語音識別率有所降低；穩(wěn)定性方面，在安靜環(huán)境下系統(tǒng)的穩(wěn)定性較好，語音說1遍，最多說2遍模塊就可以做出正確的響應(yīng)；在噪聲環(huán)境下，系統(tǒng)的穩(wěn)定性有所下降，個別語音命令需要說3遍甚至3遍以上才能被模塊準(zhǔn)確識別；實(shí)時性方面，在安靜環(huán)境下的語音能保證系統(tǒng)響應(yīng)的實(shí)時性，響應(yīng)時間一般不超過1 s，在噪聲環(huán)境下的響應(yīng)時間相對長一些。

結(jié)語

本文討論了基于STM32的嵌入式語音識別模塊的設(shè)計(jì)和實(shí)現(xiàn)，對模塊各個組成單元的硬件電路及軟件實(shí)現(xiàn)進(jìn)行了詳細(xì)的介紹。大量實(shí)驗(yàn)及實(shí)際應(yīng)用表明，本文設(shè)計(jì)的語音識別模塊具有穩(wěn)定性好、語音識別率高、抗噪聲干擾能力強(qiáng)、結(jié)構(gòu)簡單和使用方便等特點(diǎn)。該模塊實(shí)用性強(qiáng)，可廣泛應(yīng)用于服務(wù)機(jī)器人智能空間、智能家居和消費(fèi)電子產(chǎn)品等多個領(lǐng)域。