孤立詞語音識別系統(tǒng)的DSP實現(xiàn)

2．2 系統(tǒng)主要功能模塊構(gòu)成
語音處理模塊采用TI TMS320VC5402，其主要特點包括：采用改進的哈佛結(jié)構(gòu)，一條程序總線(PB)，三條數(shù)據(jù)總線(CB，DB，EB)和四條地址總線(PAB，CAB，DAB，EAB)，帶有專用硬件邏輯CPU(40位算術(shù)邏輯單元(ALU)，包括1個40位桶形移位器和二個40位累加器；一個17×17乘法器和一個40位專用加法器，允許16位帶或不帶符號的乘法)，片內(nèi)存儲器(八個輔助寄存器及一個軟件棧)，片內(nèi)外專用的指令集，允許使用業(yè)界最先進的定點DSP C語言編譯器。TMS320VC5402含4 KB的片內(nèi)ROM和16 KB的雙存取RAM，一個HPI(HostPortInterface)接口，二個多通道緩沖單口MCBSP(Multi-Channel Buffered SerialPort)，單周期指令執(zhí)行時間10 ns，帶有符合IEEE1149．1標準的JTAG邊界掃描仿真邏輯。語音輸入、輸出的模擬前端采用TI公司的TLC320ADSOC，它是一款集成ADC和DAC于一體的模擬接口電路，并且與DSP接口簡單，性能高、功耗低，已成為當前語音處理的主流產(chǎn)品。16位數(shù)據(jù)結(jié)構(gòu)，音頻采樣頻率為2～22．05 kHz，內(nèi)含抗混疊濾波器和重構(gòu)濾波器的模擬接口芯片，還有一個能與許多DSP芯片相連的同步串行通信接口。TLC320AD50C片內(nèi)還包括一個定時器(調(diào)整采樣率和幀同步延時)和控制器(調(diào)整編程放大增益、鎖相環(huán)PLL、主從模式)。TLC320AD50C與TMS320VC5402的硬件連接，如圖3所示。

3 語音識別算法實現(xiàn)
3．1 語音信號的端點檢測
語音的端點檢測是語音識別中最基本的模塊，在嵌入式語音識別系統(tǒng)中更是占有非常重要的地位：一方面端點檢測的結(jié)果不準確，系統(tǒng)的識別性能就得不到保證；另一方面如果端點檢測的結(jié)果過于放松，雖然語音部分被很好地包含在處理的信號中，但是增加過多的靜音則會增加系統(tǒng)的運算量，同時對識別性能也有負面影響。因此為能量和過零率兩個參數(shù)分別設(shè)定兩個門限，一個是比較低的門限，數(shù)值比較小，對信號的變化比較敏感，很容易就被超過。另一個是比較高的門限，數(shù)值比較大，信號必須達到一定的強度，該門限才可能被超過。低門限被超過未必就是語音的開始，有可能是時間很短的噪聲引起的。高門限被超過，則基本確信是由于語音信號引起的。
整個語音信號的端點檢測可以分為四段：靜音、過渡段、語音段、結(jié)束。程序中使用一個變量status來表示當前所處的狀態(tài)。在靜音段，如果能量或過零率超越了低門限，就應(yīng)該開始標記起始點，進入過渡段。在過渡段中，由于參數(shù)的數(shù)值比較小，不能確信是否處于真正的語音段，因此只要兩個參數(shù)的數(shù)值都回落到低門限以下，就將當前狀態(tài)恢復到靜音狀態(tài)。而如果在過渡段中兩個參數(shù)中任意一個超過了高門限，就可以確信進入語音段了。一些突發(fā)性的噪聲可以引發(fā)短時能量或過零率的數(shù)值很高，但是往往不能維持足夠長的時間，這些可以通過設(shè)定最短時間門限來判別。當前狀態(tài)處于語音段時，如果兩個參數(shù)的數(shù)值降低到低門限以下，而且總的計時長度小于最短時間門限，則認為這是一段噪音，繼續(xù)掃描以后的語音數(shù)據(jù)。否則就標記好結(jié)束端點，并返回。
3．2 語音特征參數(shù)的提取
近年來，一種能夠比較充分利用人耳這種特殊的感知特新的參數(shù)得到了廣泛的應(yīng)用，這就是Mel尺度倒譜參數(shù)(Mel-scaled Cepstrum Coefficients，MFCC)。它和線性頻率的轉(zhuǎn)換關(guān)系是：
fMel=2 596log10(1+f／700)
MFCC參數(shù)是按幀計算的。首先要通過FFT得到該幀信號的功率譜，轉(zhuǎn)換為Mel頻率下的功率譜。這需要在計算之前先在語音的頻譜范圍內(nèi)設(shè)置若干個帶通濾波器Hm(n)。MFCC參數(shù)的計算流程為：
(1)確定每一幀語音采樣序列的點數(shù)，本系統(tǒng)采取N=256點。對每幀序列s(n)進行預加重處理后再經(jīng)過離散FFT變換，取模的平方得到離散功率譜s(n)。
(2)計算s(n)通過M個Hm(n)后所得的功率值，即計算s(n)和Hm(n)在各個離散頻率點上乘積之和，得到M個參數(shù)Pm，m=0，1，…，M-1。
(3)計算Pm的自然對數(shù)，得到Lm，m=0，1，…，M-1。
(4)對L0，L1,…,LM-1計算其離散余弦變換，得到Dm，m=0，1，…，M-1。
(5)舍去代表直流成分的D0，取D1，D2，…，DK作為MFCC參數(shù)。此處K=12。
3．3 特定人語音識別算法
在孤立詞語音識別中，最為簡單有效的方法是采用DTW動態(tài)時間規(guī)整算法，設(shè)參考模板特征矢量序列為A={a1，a2，…，aj)，輸入語音特征矢量序列為B={b1，b2，…，bk)，j≠k。DTW算法就是要尋找一個最佳的時間規(guī)整函數(shù)，使得語音輸入B的時間軸k映射到參考模板A的時間軸j上總的累計失真最小。
將己經(jīng)存入模板庫的各個詞條稱為參考模板，一個參考模板可以表示為{R(1)，R(2)，…，R(M)}，m為訓練語音幀的時序標號，m=1為起點語音幀，m=M為終點語音幀，因此M為該模式包含的語音幀總數(shù)，R(m)為第m幀語音的特征矢量。所要識別的一個輸入詞條語音稱為參考模板，可表示為{T(1)，T(2)，…，T(N))，n為測試語音幀標號，模板中共包含N幀音，T(n)為第n幀音的特征矢量。