【導(dǎo)讀】語音交互是人類交流和交換信息中最便捷的手段和最重要的媒體，長久以來，人們都希望找尋一種新的途徑解決人類與機(jī)器的交互方式，希望機(jī)器設(shè)備能夠“聽”懂人類的語音信息進(jìn)行交互，識別其含義并響應(yīng)、從而做出相應(yīng)動作，這樣的交互方式更能被使用者接受，取代原有的鍵盤、按鈕、開關(guān)等傳統(tǒng)交互方式，基于非特定人的語音識別技術(shù)已然成為人機(jī)交互新方式的一個(gè)重要發(fā)展方向和研究熱點(diǎn)。
語音信號的識別涉及眾多學(xué)科知識體系，與計(jì)算機(jī)、語言學(xué)、通信、數(shù)理統(tǒng)計(jì)、信號處理和人工智能等學(xué)科都有著密切的關(guān)系，由于語音信號具有信息量大、不確定性、動態(tài)性和連續(xù)性的特點(diǎn)，在語音信號的預(yù)處理、特征提取等階段處理數(shù)據(jù)量非常大，對軟件的處理算法和硬件的處理能力都有較高的要求，傳統(tǒng)使用PC機(jī)或者工控機(jī)等高處理性能的平臺實(shí)現(xiàn)語音信號識別，但硬軟件開發(fā)造價(jià)無疑是阻礙普及的重要因素，本系統(tǒng)采用ARM Cortex M3 內(nèi)核ST 公司的32 位高性能單片機(jī)STM32F103C8T6結(jié)合LD3320語音識別芯片，通過構(gòu)建SD卡文件系統(tǒng)實(shí)現(xiàn)非特定人語音識別關(guān)鍵詞動態(tài)編輯功能，適用于嵌入式語音識別場合。系統(tǒng)電路簡單，性價(jià)比高，識別距離和識別精度都可以滿足嵌入式應(yīng)用。
1 非特定人語音識別技術(shù)原理
非特定人語音識別技術(shù)研究的最終目的是讓計(jì)算機(jī)等設(shè)備能夠“聽懂”人類語音，提取出語音中所包含的特定信息，成為人機(jī)通信和交互最便捷的手段。由于語音信號本身具有不確定性、動態(tài)性和連續(xù)性，這就為準(zhǔn)確量化和處理該信號帶來非常大的困難，每個(gè)人的語音要建立不同的語音樣本也為識別的普及帶來瓶頸約束。目前的語音識別是先建立特征庫然后將待識別的信號經(jīng)處理與特征庫比對得到相似結(jié)果判定輸出。從本質(zhì)上屬于基于統(tǒng)計(jì)模式的基本理論，分語言模型訓(xùn)練、識別分析兩個(gè)大階段構(gòu)成和實(shí)現(xiàn)，如圖1所示。
聲學(xué)訓(xùn)練階段通常是離線完成的，由語言學(xué)家對預(yù)先收集好的海量語音樣本、語言數(shù)據(jù)庫、噪聲數(shù)據(jù)進(jìn)行信號處理和知識挖掘，通過語音信號處理理論及相應(yīng)數(shù)學(xué)算法模型建立語音識別系統(tǒng)所需要的“聲學(xué)模型”和“語言模型”.
識別分析階段通常是在線完成的，對用戶實(shí)時(shí)的語音進(jìn)行自動識別。識別過程通常又可以分為“前端”和“后端”兩大模塊：“前端”模塊主要的作用是進(jìn)行端點(diǎn)檢測、降噪、特征提取等;“后端”模塊的作用是利用訓(xùn)練好的“聲學(xué)模型”和“語言模型”對用戶說話的特征向量進(jìn)行統(tǒng)計(jì)模式識別，得到其包含的文字信息，此外，后端模塊還存在一個(gè)“自適應(yīng)”的反饋模塊，可以對用戶的語音進(jìn)行自學(xué)習(xí)，從而對“聲學(xué)模型”和“語音模型”進(jìn)行必要的“校正”,進(jìn)一步提高識別的準(zhǔn)確率。
2 系統(tǒng)設(shè)計(jì)的整體結(jié)構(gòu)
本系統(tǒng)以STM32F103C8T6 微控制器為控制核心，搭配微控制器最小核心電路、LD3320語音識別電路、SD卡電路、電源電路、用戶按鍵輸入電路、串口數(shù)據(jù)輸出電路、狀態(tài)指示電路等綜合組成。該系統(tǒng)體積小巧，可以作為嵌入式組件單元融入用戶電路或者板卡中，上電后STM32F108C8T6內(nèi)部程序進(jìn)行程序初始化、SD 卡文件系統(tǒng)初始化、LD3320初始化、隨后等待識別音頻接收，識別完成后輸出響應(yīng)信息或者解碼音頻，系統(tǒng)整體結(jié)構(gòu)如圖2所示，最終實(shí)現(xiàn)積木式功能組件的全部功能。
3 系統(tǒng)硬件電路設(shè)計(jì)
3.1 微控制核心方案選型及電路
系統(tǒng)采用ARM Cortex M3內(nèi)核ST公司的32位高性能單片機(jī)STM32F103C8T6 為控制核心，該芯片可以達(dá)到72 MHz的工作頻率，內(nèi)置高速存儲器(64 KB的閃存和20 KB的SRAM)，擁有豐富的I/O口資源和鏈接到兩條APB 總線的外設(shè)。包括了12 b 的ADC、通用16 b 的定時(shí)器、還包括I2C、SPI、USART、USB、CAN等總線或串行通信接口，片內(nèi)資源和擴(kuò)展接口都十分豐富，該微控制核心是專門設(shè)計(jì)于滿足高穩(wěn)定性、低功耗、實(shí)時(shí)性、高性價(jià)比的嵌入式產(chǎn)品應(yīng)用。該內(nèi)核芯片可以滿足非特定人語音識別的功能要求，利用相關(guān)電路構(gòu)成STM32F103C8T6 的最小系統(tǒng)，在硬件PCB 中還集成了功能引針輸出接口、SD卡接口、USB下載調(diào)試電路，用戶按鍵、電源電路等，核心系統(tǒng)電路圖如圖3所示，配合其他外圍擴(kuò)展達(dá)到功能要求。
3.2 非特定人語音識別方案選型及電路
本系統(tǒng)中選用IC Route公司生產(chǎn)的LD3320非特定人語音識別芯片，該芯片是非特定人語音識別的專用芯片，內(nèi)部已經(jīng)集成了語音識別處理器和一些信號調(diào)制電路，擁有高性能的A/D轉(zhuǎn)換器、D/A轉(zhuǎn)換器、麥克風(fēng)音頻信號輸入接口、音頻解碼輸出接口等，用戶只需要用軟件編輯好待識別的關(guān)鍵詞列表，LD3320最大可以支持50 條關(guān)鍵詞句，把這些列別以字符的形式傳送到芯片中，就可以對待識別的語音信號進(jìn)行近似度分析，識別后輸出結(jié)果。
LD3320 整體工作電路如圖4 所示，總體上可以把電路圖分為8個(gè)部分，分別是LD3320基礎(chǔ)外圍電路、電源電路、外部晶體振蕩器電路、麥克風(fēng)信號處理電路、去耦合濾波電路、解碼音頻去直流成分電路、功能引針輸出電路、狀態(tài)信號指示電路。語音識別單元對于電源供電電路的要求較高，電路中注重對供電純凈度的要求，由系統(tǒng)中的LDO芯片LM1117-3.3 V為語音識別系統(tǒng)供電，加上電感、電容為供電進(jìn)行濾波，RSTB為LD3320復(fù)位引腳，連接到主控制器進(jìn)行復(fù)位控制。LD3320支持并行數(shù)據(jù)通信和串行數(shù)據(jù)通信，在本系統(tǒng)設(shè)計(jì)中考慮對主控I/O 資源的占用問題，故而選用串行通信方式對LD3320 進(jìn)行數(shù)據(jù)傳送和控制，LD3320 的MD 引腳通過上拉電阻鉗位為高電平。SPI總線的SDI、SDO、SDCK和SCS引腳連接到主控芯片對應(yīng)引腳。INTB為中斷信號引腳，遇到識別結(jié)果輸出或者是內(nèi)部音頻文件解碼完成等狀態(tài)，該引腳會對應(yīng)輸出電平狀態(tài)通知主控。MBS引腳作為麥克風(fēng)偏置電壓輸入，連接了RC電路，保證產(chǎn)生一個(gè)浮動電壓供給麥克風(fēng)信號。
4 系統(tǒng)軟件功能設(shè)計(jì)
4.1 語音識別軟件設(shè)計(jì)
系統(tǒng)主控上電后首先進(jìn)行各項(xiàng)初始化，包括LD3320 需要的8M 時(shí)鐘信號，由STM32 初始化后輸出8M 頻率供給LD3320使用，初始化STM32內(nèi)部時(shí)鐘、SD卡文件系統(tǒng)、SPI相關(guān)寄存器、SDIO數(shù)據(jù)初始化、中斷設(shè)置等等。經(jīng)過初始化后SD 卡文件系統(tǒng)會在SD 卡中尋找system.ini配置文件，將里面的字段進(jìn)行拆分后提取，送給LD3320相關(guān)寄存器，隨后把關(guān)鍵字句列表和長度信息傳送給LD3320并啟動識別過程，當(dāng)識別成功后串口會發(fā)出響應(yīng)的返回值參數(shù)，并且按照用戶需求可以指定需要解碼的音頻文件，經(jīng)過LD3320進(jìn)行MP3文件解碼輸出，程序流程圖如圖5所示。
主控程序初始化代碼如下：
4.2 SD卡文件系統(tǒng)軟件設(shè)計(jì)
在實(shí)際應(yīng)用中，修改主控制單片機(jī)程序較為復(fù)雜，本系統(tǒng)將識別關(guān)鍵語句寫在一個(gè)命名為system.ini文件中，將此文件拷貝到SD卡中，SD卡需要實(shí)現(xiàn)格式化，只能出現(xiàn)一個(gè)。ini 文件，其他的文件均為XXX.mp3 文件，SD 的片選信號CS、數(shù)據(jù)輸入信號DI、數(shù)據(jù)輸出信號DO、時(shí)鐘信號SCLK 在硬件上已經(jīng)與STM32的SPI接口相連接，系統(tǒng)上電后會初始化SD卡文件系統(tǒng)，發(fā)送至少74個(gè)時(shí)鐘以上確保SD卡片選正常后將SD卡復(fù)位等待8個(gè)時(shí)鐘周期進(jìn)入SPI讀寫模式，通過STM32內(nèi)部編寫好的文件系統(tǒng)程序找尋“配置文件”即system.ini文件，讀取關(guān)鍵詞識別列表內(nèi)容，在系統(tǒng)軟件編程中，采用3個(gè)字段進(jìn)行功能約定，字段功能約定配置如下：
5 性能測試與分析
為保證系統(tǒng)對非特定人的語音識別效果、環(huán)境底噪影響、語音識別過程響應(yīng)時(shí)間、非特定人聲音樣本識別成功率等參數(shù)達(dá)標(biāo)，本文針對各項(xiàng)參數(shù)指定了測試方案，實(shí)驗(yàn)環(huán)境分為安靜環(huán)境(如家居環(huán)境)和相對嘈雜的環(huán)境(如課堂環(huán)境)進(jìn)行了實(shí)測，指定3名發(fā)音人作為3個(gè)不同的聲音識別樣本，選定了短句識別語句、中長句識別語句，長句識別語句各2條進(jìn)行樣本測試(約定3字以下為短句，3~5字為中長句，5字以上為長句)，每種測試語句結(jié)合不同發(fā)音人重復(fù)20次結(jié)果進(jìn)行統(tǒng)計(jì)，在安靜環(huán)境下測試短句識別準(zhǔn)確率為93.37%、中長句識別準(zhǔn)確率為91.67%、長句識別準(zhǔn)確率為90.23%.在嘈雜環(huán)境下測試短句識別準(zhǔn)確率為87.25%、中長句識別準(zhǔn)確率為84.36%、長句識別準(zhǔn)確率為81.12%.從實(shí)驗(yàn)數(shù)據(jù)上分析，制約識別準(zhǔn)確率的原因是多方面的，與發(fā)音人本身聲音質(zhì)量、環(huán)境底噪、識別語句近似度、識別語句長度均有關(guān)系，單從數(shù)據(jù)上不難得到總體識別率應(yīng)該是在81%以上，可以滿足應(yīng)用需求，系統(tǒng)實(shí)物圖如圖6所示，硬件結(jié)構(gòu)小巧，功耗低、性價(jià)比高，因此具備市場應(yīng)用前景和市場需求。
6 結(jié)語
普及語音識別技術(shù)是當(dāng)前研究和發(fā)展的新趨勢，特別是對于非特定人的語音識別是語音信號領(lǐng)域處理的熱點(diǎn)和難點(diǎn)，本方案利用了STM32F103C8T6與LD3320結(jié)合，配合各種外圍電路完成了非特定人語音識別的嵌入式平臺，在平臺中通過硬軟件構(gòu)建，在不更改主控制芯片程序的前提下，用戶可以通過更改SD 卡內(nèi)配置文件的方法隨意設(shè)定識別關(guān)鍵語句，經(jīng)過不同發(fā)音人和環(huán)境的實(shí)測，該系統(tǒng)在嘈雜環(huán)境中的識別準(zhǔn)確率可達(dá)81%,在安靜環(huán)境中的識別準(zhǔn)確率可達(dá)90%以上，本系統(tǒng)可以方便的嵌入用戶系統(tǒng)或者板卡中，積木式搭建靈活實(shí)用，因而具有廣泛的市場需求和應(yīng)用前景。
相關(guān)閱讀：
非特定人車載音響語音控制系統(tǒng)的設(shè)計(jì)
語音識別技術(shù)系統(tǒng)結(jié)構(gòu)
語音合成&語音識別技術(shù)-打造能聽會說的智能家電
