摘 要： 采用SoPC方法，實(shí)現(xiàn)了基于動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法的孤立詞語(yǔ)音識(shí)別系統(tǒng)，該系統(tǒng)可以作為電器系統(tǒng)的語(yǔ)音命令控制模塊使用?？紤]嵌入式系統(tǒng)的特點(diǎn)，對(duì)端點(diǎn)檢測(cè)算法和模式匹配算法進(jìn)行了選擇和調(diào)整。實(shí)驗(yàn)表明，該語(yǔ)音識(shí)別系統(tǒng)運(yùn)行速度和識(shí)別準(zhǔn)確性能夠適應(yīng)語(yǔ)音控制的要求。SoPC設(shè)計(jì)方式靈活，適合對(duì)系統(tǒng)進(jìn)行改進(jìn)升級(jí)。
關(guān)鍵詞： SoPC；Nios II；語(yǔ)音識(shí)別；動(dòng)態(tài)時(shí)間規(guī)整

隨著計(jì)算機(jī)技術(shù)、模式識(shí)別技術(shù)等的發(fā)展，國(guó)內(nèi)外對(duì)語(yǔ)音識(shí)別的研究也不斷進(jìn)步。目前電器、家居智能化的實(shí)際需求使得語(yǔ)音識(shí)別技術(shù)成為一個(gè)研究熱點(diǎn)。例如，美國(guó)約翰·霍普金斯大學(xué)語(yǔ)言和語(yǔ)音處理中心多年來(lái)一直致力于推動(dòng)語(yǔ)言和語(yǔ)音識(shí)別的研究和教育,CLSP每年一度的夏季研討會(huì)對(duì)語(yǔ)音識(shí)別的各個(gè)領(lǐng)域都產(chǎn)生了深遠(yuǎn)的影響。國(guó)內(nèi)，中國(guó)科學(xué)院等也在語(yǔ)音識(shí)別領(lǐng)域有較大進(jìn)展。
相對(duì)于基于PC機(jī)平臺(tái)的大詞匯量語(yǔ)音識(shí)別系統(tǒng)，嵌入式系統(tǒng)中要求語(yǔ)音控制模塊占用資源少，功能簡(jiǎn)潔，可作為獨(dú)立的語(yǔ)音識(shí)別系統(tǒng)或其他系統(tǒng)的語(yǔ)音控制部分。因此，根據(jù)語(yǔ)音識(shí)別系統(tǒng)的準(zhǔn)確性、實(shí)時(shí)性的要求和SoPC實(shí)現(xiàn)方式的特點(diǎn)，在介紹實(shí)現(xiàn)該語(yǔ)音識(shí)別系統(tǒng)的基本流程的基礎(chǔ)上著重探討以下兩部分內(nèi)容：(1)由于端點(diǎn)檢測(cè)算法對(duì)識(shí)別的準(zhǔn)確性影響較大，本系統(tǒng)探索適合SoPC設(shè)計(jì)的端點(diǎn)檢測(cè)算法，從而使得系統(tǒng)的識(shí)別準(zhǔn)確性有所改進(jìn)；(2)模式匹配時(shí)，對(duì)同一模板采用了多個(gè)局部判決函數(shù)，求多個(gè)累加總距離的平均值作為最終的判決依據(jù)，進(jìn)一步提高了識(shí)別結(jié)果的可靠性。
可編程片上系統(tǒng)SoPC(System on Programmable Chip)是Altera公司提出的一種基于FPGA的嵌入式系統(tǒng)解決方法，采用軟硬件結(jié)合設(shè)計(jì)的思想，實(shí)現(xiàn)方式簡(jiǎn)單靈活[1]。設(shè)計(jì)中采用高性?xún)r(jià)比的EP2C70 FPGA芯片。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)運(yùn)行良好，能夠滿(mǎn)足中、小詞匯量孤立詞語(yǔ)音識(shí)別系統(tǒng)的要求。
1 設(shè)計(jì)方案
語(yǔ)音識(shí)別系統(tǒng)的邏輯流程如圖1所示。采樣得到的語(yǔ)音信號(hào)要經(jīng)過(guò)預(yù)處理、端點(diǎn)檢測(cè)、特征參數(shù)提取，然后根據(jù)用戶(hù)指定的工作模式（識(shí)別模式或訓(xùn)練模式），進(jìn)行模式匹配并輸出識(shí)別結(jié)果，或者訓(xùn)練得到該詞條的模板，并存入模板庫(kù)。因此，在硬件資源允許的條件下，用戶(hù)可以自定義訓(xùn)練模板，更新模板庫(kù)，拓展系統(tǒng)的應(yīng)用范圍。

1.1 預(yù)加重和端點(diǎn)檢測(cè)
系統(tǒng)采用8 kHz采樣，由音頻編/解碼芯片WM8731采樣得到的語(yǔ)音數(shù)據(jù)，經(jīng)過(guò)FIFO數(shù)據(jù)緩存器傳輸?shù)较到y(tǒng)的SDRAM中，然后對(duì)SDRAM中的數(shù)據(jù)進(jìn)行后續(xù)處理。設(shè)定256個(gè)采樣點(diǎn)作為一幀，每個(gè)孤立詞采集100幀（3.2 s）數(shù)據(jù)。
（1）預(yù)加重：處理的第一步要對(duì)采集到的數(shù)字語(yǔ)音信號(hào)進(jìn)行預(yù)處理，主要是預(yù)加重。預(yù)加重的目的是提升高頻部分，使信號(hào)的頻譜變得平坦，保持在低頻到高頻的整個(gè)頻帶中能用相同的信噪比求頻譜。通過(guò)一個(gè)濾波器對(duì)信號(hào)進(jìn)行濾波，濾波器的傳遞函數(shù)為：
H（z）=1-0.98z^-1（1）
（2）端點(diǎn)檢測(cè)：從數(shù)字語(yǔ)音信號(hào)中快速有效地切分出語(yǔ)音段，對(duì)于整個(gè)系統(tǒng)的識(shí)別速度和識(shí)別準(zhǔn)確性影響較大。根據(jù)漢語(yǔ)語(yǔ)音的特點(diǎn)，一般一個(gè)漢語(yǔ)單詞的開(kāi)始部分是清音，接下來(lái)是濁音，清音較弱，濁音較強(qiáng)。因此在端點(diǎn)檢測(cè)部分，采用了基于短時(shí)能量和短時(shí)過(guò)零率的雙重檢測(cè)。首先根據(jù)濁音粗判起始幀，然后根據(jù)清音，細(xì)判起始幀。語(yǔ)音的起始幀和終止幀都是經(jīng)過(guò)粗判和細(xì)判之后得出，從而保證端點(diǎn)檢測(cè)的準(zhǔn)確性[2]。

1.2 特征提取
經(jīng)過(guò)預(yù)加重和端點(diǎn)檢測(cè)之后得到語(yǔ)音段采樣值構(gòu)成的向量序列。接下來(lái)對(duì)該向量序列進(jìn)行特征參數(shù)分析，目的是提取合適的語(yǔ)音特征參數(shù)，使特征向量序列在語(yǔ)音識(shí)別時(shí)，類(lèi)內(nèi)距離盡量小，類(lèi)間距離盡量大。特征參數(shù)的提取同樣是語(yǔ)音識(shí)別的關(guān)鍵問(wèn)題，特征參數(shù)的選擇直接影響到語(yǔ)音識(shí)別的精度。結(jié)合SoPC設(shè)計(jì)的需求，選擇提取語(yǔ)音信號(hào)的美爾特征參數(shù)（MFCC）[3]。MFCC能夠較好地反映人耳的聽(tīng)覺(jué)特性。
為求識(shí)別系統(tǒng)簡(jiǎn)潔，每詞條固定采集3.2 s的語(yǔ)音信號(hào)，采樣頻率為8 kHz，經(jīng)端點(diǎn)檢測(cè)切分出語(yǔ)音段，然后將語(yǔ)音段進(jìn)行分幀（每幀256個(gè)采樣點(diǎn)），每幀提取一組14維的MFCC參數(shù)，組成一組特征參數(shù)向量序列，作為待識(shí)別語(yǔ)音段的特征參數(shù)。
1.3 模式匹配
對(duì)于大詞匯量的非特定人語(yǔ)音識(shí)別系統(tǒng)，模式匹配多采用基于模型參數(shù)的隱馬爾可夫模型（HMM）的方法或基于非模型參數(shù)的矢量量化（VQ）的方法。但是HMM算法模型數(shù)據(jù)過(guò)大，對(duì)存儲(chǔ)空間和處理速度的要求高，不適合嵌入式系統(tǒng)。VQ算法雖然訓(xùn)練和識(shí)別的時(shí)間較短，對(duì)內(nèi)存要求也較小，但識(shí)別性能較差。因此考慮到嵌入式系統(tǒng)系統(tǒng)資源有限以及運(yùn)算能力限制，而又需要保證識(shí)別準(zhǔn)確性，決定采用基于動(dòng)態(tài)時(shí)間規(guī)整的算法（DTW）進(jìn)行模式匹配。
由于每個(gè)人的發(fā)音習(xí)慣不同，以及同一個(gè)人每次說(shuō)同一個(gè)單詞時(shí)說(shuō)話(huà)速度具有隨機(jī)性，因此會(huì)導(dǎo)致每次采樣得到的語(yǔ)音數(shù)據(jù)序列長(zhǎng)度具有隨機(jī)性。DTW算法由日本學(xué)者板倉(cāng)（Itakura）提出[4]，能夠較好地解決語(yǔ)音識(shí)別時(shí)單詞長(zhǎng)度具有隨機(jī)性這一問(wèn)題。
DTW[5-6]算法將時(shí)間規(guī)整和距離測(cè)度計(jì)算相結(jié)合，描述如下：
(1)將特征提取部分提取出來(lái)的特征向量序列與模板庫(kù)中每個(gè)詞條的特征向量序列逐幀計(jì)算距離，得到距離矩陣。對(duì)應(yīng)幀之間的距離是兩幀的特征向量中對(duì)應(yīng)分量的差值的平方和。距離矩陣中元素的計(jì)算式為：

其中，D[i][j]為距離矩陣的元素，表示待識(shí)別語(yǔ)音段特征向量序列第i幀和該條參考模板向量序列第j幀之間的距離，i=0，1，2，…，I-1；j=0，1，2，…，J-1。I、J分別為待識(shí)別語(yǔ)音的特征向量序列和該條參考模板序列的總幀數(shù)。x[i][m]為待識(shí)別語(yǔ)音的特征向量序列第i幀向量的第m維分量，y[j][m]為該條參考模板的第j幀向量的第m維分量。K為對(duì)切分出的語(yǔ)音段每幀語(yǔ)音的原始采樣數(shù)據(jù)提取的特征向量的維數(shù)，該識(shí)別系統(tǒng)中每幀提取14維的MFCC參數(shù)，因此K=14。
(2)按照一定的局部判決函數(shù)，由距離矩陣計(jì)算出累加距離矩陣（求得的累加距離矩陣最末一個(gè)元素的值即為待識(shí)別語(yǔ)音和該條參考模板之間的總距離），得到累加距離矩陣的同時(shí)得出最佳規(guī)整路徑[3-4]。圖3所示為設(shè)計(jì)中采用的三種局部判決函數(shù)。


同理，對(duì)待測(cè)語(yǔ)音與模板庫(kù)中的每條模板求得一個(gè)統(tǒng)計(jì)平均距離。由判決邏輯判斷出各統(tǒng)計(jì)平均距離值中的最小值,相應(yīng)的模板所指向的單詞即為最終的識(shí)別結(jié)果。
2 系統(tǒng)實(shí)現(xiàn)
系統(tǒng)硬件部分如圖4所示，包括FPGA芯片、Flash、SDRAM、音頻編解碼芯片WM8731、按鍵以及LCD1602。在FPGA芯片中添加NiosII軟核CPU，并建立片外Flash、SDRAM、音頻編解碼芯片WM8731和LCD1602的接口部分。