摘要：介紹了一種以ARM為核心的嵌入式語音識(shí)別模塊的設(shè)計(jì)與實(shí)現(xiàn)。模塊的核心處理單元選用ST公司的基于ARM Cortex-M3內(nèi)核的32位處理器STM32F103C8T6。本模塊以對(duì)話管理單元為中心，通過以LD3320芯片為核心的硬件單元實(shí)現(xiàn)語音識(shí)別功能，采用嵌入式操作系統(tǒng)μC／OS-II來實(shí)現(xiàn)統(tǒng)一的任務(wù)調(diào)度和外圍設(shè)備管理。經(jīng)過大量的實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，本文設(shè)計(jì)的語音識(shí)別模塊具有高實(shí)時(shí)性、高識(shí)別率、高穩(wěn)定性的優(yōu)點(diǎn)。
關(guān)鍵詞：ARM；語音識(shí)別；對(duì)話管理；LD3320；μC／OS-II

引言
    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(gè)重要發(fā)展方向。目前主流的語音識(shí)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(shí)別系統(tǒng)和PC機(jī)的語音識(shí)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(shí)別的基本原理如圖1所示。語音識(shí)別包括兩個(gè)階段：訓(xùn)練和識(shí)別。不管是訓(xùn)練還是識(shí)別，都必須對(duì)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(kù)的目的。而識(shí)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(kù)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(shí)別結(jié)果輸出。這樣，最終就達(dá)到了語音識(shí)別的目的。

    現(xiàn)有的語音識(shí)別技術(shù)按照識(shí)別對(duì)象可以分為特定人識(shí)別和非特定人識(shí)別。特定人識(shí)別是指識(shí)別對(duì)象為專門的人，非特定人識(shí)別是指識(shí)別對(duì)象是針對(duì)大多數(shù)用戶，一般需要采集多個(gè)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(shí)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(zhǎng)；第二種方法相對(duì)簡(jiǎn)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(jiǎn)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(shí)別技術(shù)在國(guó)內(nèi)外的發(fā)展十分迅速。目前國(guó)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(shí)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(shí)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(shí)別芯片及相關(guān)電路構(gòu)成。語音識(shí)別芯片選用ICRoute公司的LD33 20芯片。

[!--empirenews.page--]

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(shí)別部分。語音進(jìn)入語音識(shí)別部分后，將處理過的數(shù)據(jù)并行傳輸?shù)街骺刂破?，主控制器?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。

2．1 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(chǔ)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(shí)、低功耗、低電壓等特性，同時(shí)保持了高集成度和易于開發(fā)的優(yōu)勢(shì)，將32位MCU世界的性能和功效引向一個(gè)新的級(jí)別。
2．2 語音識(shí)別電路
    圖3為語音識(shí)別部分原理圖，參照了ICRoute發(fā)布的LD3320數(shù)據(jù)手冊(cè)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(shí)別，識(shí)別準(zhǔn)確率高。

   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(hào)，復(fù)位信號(hào)以及中斷返回信號(hào)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(gè)外部8 MHz時(shí)鐘；發(fā)光二極管D1、D2用于復(fù)位后的上電指示；MBS(引腳12)作為麥克風(fēng)偏置，接了一個(gè)RC電路，保證能輸出一個(gè)浮動(dòng)電壓給麥克風(fēng)。

[!--empirenews.page--]

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(shí)別程序設(shè)計(jì)、對(duì)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(gè)源碼公開、可移植、可固化、可裁剪、占先式的實(shí)時(shí)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(shí)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(jí)的劃分至關(guān)緊要?；诜謱踊湍K化的設(shè)計(jì)理念，整個(gè)系統(tǒng)任務(wù)的劃分如表1所列。

    表1中除OSTaskStat和OSTaskIdle任務(wù)為系統(tǒng)自帶，其他7個(gè)任務(wù)均為用戶創(chuàng)建。App_TaskStart是系統(tǒng)的第一個(gè)任務(wù)，對(duì)系統(tǒng)時(shí)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(duì)系統(tǒng)狀態(tài)進(jìn)行監(jiān)測(cè)；App_TaskSR完成語音識(shí)別；App_TaskCmd完成對(duì)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(duì)話集的更新；App_TaskPB是按鍵掃描任務(wù)，負(fù)責(zé)檢測(cè)3個(gè)獨(dú)立按鍵，分為短按和長(zhǎng)按檢測(cè)；App_TaskLed驅(qū)動(dòng)4個(gè)LED指示燈，指示當(dāng)前工作狀態(tài)。
3．2 語音識(shí)別程序設(shè)計(jì)
    語音識(shí)別程序的設(shè)計(jì)，參考了LD332X開發(fā)手冊(cè)，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(shí)別用初始化-寫入識(shí)別列表-開始識(shí)別-響應(yīng)中斷。
    ①通用初始化和語音識(shí)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(shí)鐘頻率設(shè)定、FIFO設(shè)定。
    ②寫入識(shí)別列表。列表的規(guī)則是，每個(gè)識(shí)別條目對(duì)應(yīng)一個(gè)特定的編號(hào)(1個(gè)字節(jié))，編號(hào)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(gè)識(shí)別條目，每個(gè)識(shí)別條目是標(biāo)準(zhǔn)普通話的漢語拼音(小寫)，每2個(gè)字(漢語拼音)之間用一個(gè)空格間隔。本文中采取了連續(xù)不同編號(hào)的識(shí)別條目，表2是簡(jiǎn)單的示例。

    ③開始識(shí)別。設(shè)置幾個(gè)相關(guān)的寄存器，即可開始語音的識(shí)別。圖4是相關(guān)的流程。ADC通道即為麥克風(fēng)輸入通道，ADC增益也就是麥克風(fēng)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(shí)別啟動(dòng)越敏感，但可能帶來更多誤識(shí)別；值越小代表MIC音量越小，需要近距離說話才能啟動(dòng)識(shí)別功能，好處是對(duì)遠(yuǎn)處的干擾語音沒有反應(yīng)。本文中設(shè)定值為43H。

    ④響應(yīng)中斷。如果麥克風(fēng)采集到聲音，不管是否識(shí)別出正常結(jié)果，都會(huì)產(chǎn)生一個(gè)中斷信號(hào)。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(gè)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。

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

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

4 性能測(cè)試與應(yīng)用
    為了保證設(shè)計(jì)的語音識(shí)別模塊的語音識(shí)別率、穩(wěn)定性和響應(yīng)時(shí)間，本文對(duì)所描述的語音識(shí)別模塊做了相應(yīng)的測(cè)試，測(cè)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(duì)每條語音指令分別進(jìn)行10次測(cè)試，每個(gè)環(huán)境下對(duì)每個(gè)特定人的總實(shí)驗(yàn)次數(shù)為80次，記錄成功識(shí)別的次數(shù)。測(cè)試結(jié)果如表4所列。

    測(cè)試中的3個(gè)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(duì)非特定人的語音識(shí)別率可達(dá)到90％以上，嘈雜的醫(yī)院環(huán)境下的語音識(shí)別率也可達(dá)82．5％以上。識(shí)別率方面，在嘈雜環(huán)境下比在安靜環(huán)境下的語音識(shí)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(gè)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(shí)別；實(shí)時(shí)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(shí)性，響應(yīng)時(shí)間一般不超過1 s，在噪聲環(huán)境下的響應(yīng)時(shí)間相對(duì)長(zhǎng)一些。

結(jié)語
    本文討論了基于STM32的嵌入式語音識(shí)別模塊的設(shè)計(jì)和實(shí)現(xiàn)，對(duì)模塊各個(gè)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(shí)別模塊具有穩(wěn)定性好、語音識(shí)別率高、抗噪聲干擾能力強(qiáng)、結(jié)構(gòu)簡(jiǎn)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(gè)領(lǐng)域。