LD3320的嵌入式語(yǔ)音識別系統的應用

摘要：語(yǔ)音交互系統是比較人性化的人機操作界面，它需要語(yǔ)音識別系統的支持。LD3320就是這樣一款語(yǔ)音識別芯片。介紹了該芯片的工作原理及應用，給出了LD3320與微處理器的硬件接口電路及軟件程序。隨著(zhù)高檔MCU的不斷出現，以MCU為核心的嵌入式語(yǔ)音交互系統會(huì )有非常好的應用前景。
關(guān)鍵詞：嵌入式芯片；語(yǔ)音識別；語(yǔ)音交互系統

1 概述
在現代社會(huì )，“懶人科技”大行其道。當面臨眾多繁瑣的按鍵操作和菜單選擇的時(shí)候，簡(jiǎn)單地說(shuō)出指令，是最具有人情味的人機操作界面。讓身邊的各種電子設備可“聽(tīng)從”人類(lèi)的語(yǔ)音，是從電影“星球大戰”就開(kāi)始的科技發(fā)展目標。雖然目前的科技還不能做到讓計算機完全理解人類(lèi)的所有自然語(yǔ)音，但是可以在一定程度上實(shí)現這個(gè)夢(mèng)想。

2 特定人語(yǔ)音識別技術(shù)及原理
特定人語(yǔ)音識別(ASR，Auto Speech Recognition)技術(shù)是基于“關(guān)鍵詞語(yǔ)列表”的識別技術(shù)，它是對大量的語(yǔ)音數據(相當于對數千人采集的數萬(wàn)小時(shí)的有效聲音數據)經(jīng)語(yǔ)言學(xué)家語(yǔ)音模型分析，建立數學(xué)模型，并經(jīng)過(guò)反復訓練提取基元語(yǔ)音的細節特征，以及提取各基元間的特征差異，得到在統計概率最優(yōu)化意義上的各個(gè)基元語(yǔ)音特征，最后才由資深工程師將算法以及語(yǔ)音模型轉換成硬件芯片并應用在嵌入式系統中。
ASR技術(shù)每次識別的過(guò)程就是把用戶(hù)說(shuō)出的語(yǔ)音內容，通過(guò)頻譜轉換為語(yǔ)音特征，再將這個(gè)轉換后的語(yǔ)音特征和“關(guān)鍵詞語(yǔ)列表”中的條目一一進(jìn)行匹配，最優(yōu)匹配的一條即作為識別結果。比如ASR技術(shù)在語(yǔ)音控制的手機應用中，這個(gè)“關(guān)鍵詞語(yǔ)列表”的內容就是電話(huà)本中的人名、手機的菜單命令或手機存儲卡中的歌曲名字。不論這個(gè)列表的條目?jì)热菔鞘裁?，只需要用?hù)設置相關(guān)的寄存器，就可以把相應的待識別條目?jì)热菀宰址问絺鬟f給識別引擎。
由此可見(jiàn)，語(yǔ)音識別芯片完成的工作就是：把MIC(麥克風(fēng))輸入的聲音進(jìn)行頻譜分析后提取語(yǔ)音特征，再和關(guān)鍵詞語(yǔ)列表中的關(guān)鍵詞語(yǔ)進(jìn)行對比匹配，最后找出得分最高的關(guān)鍵詞語(yǔ)作為識別結果輸出。
通?；贏(yíng)SR技術(shù)的語(yǔ)音識別芯片能在兩種情況下給出識別結果：
①外部送入預定時(shí)間的語(yǔ)音數據(比如5 s的語(yǔ)音數據)，芯片對這些語(yǔ)音數據運算分析后，給出識別結果。
②外部送入語(yǔ)音數據流，語(yǔ)音識別芯片通過(guò)端點(diǎn)檢測(VAD，Voice Activity Detection)技術(shù)檢測出用戶(hù)停止說(shuō)話(huà)，把用戶(hù)開(kāi)始說(shuō)話(huà)到停止說(shuō)話(huà)之間的語(yǔ)音數據進(jìn)行運算分析后，給出識別結果。
對于第一種情況，可以理解為設定了一個(gè)定時(shí)錄音(如5 s的語(yǔ)音數據)，芯片在5 s后會(huì )停止把聲音送入識別引擎，并且根據已送入引擎的語(yǔ)音數據計算出識別結果。
對于第二種情況，需要了解VAD的工作原理：VAD技術(shù)是在一段語(yǔ)音數據流中，判斷出哪個(gè)時(shí)間點(diǎn)是人聲音的開(kāi)始，哪個(gè)時(shí)間點(diǎn)是人聲音的結束。判斷的依據是，在背景聲音的基礎上有了語(yǔ)音發(fā)音，則視為聲音的開(kāi)始。而后，檢測到一段持續時(shí)間的背景音(比如600 ms)，則視為人聲說(shuō)話(huà)結束。通過(guò)VAD判斷出人聲說(shuō)話(huà)的區域后，語(yǔ)音識別芯片會(huì )把這期間的聲音數據進(jìn)行識別處理，計算出識別結果。
除了以上兩種情況外，語(yǔ)音識別算法無(wú)法“主動(dòng)”地判斷出是否識別出了一個(gè)結果。這是因為，在計算過(guò)程中的任何時(shí)刻，語(yǔ)音識別器都會(huì )對已送人識別芯片的聲音數據進(jìn)行分析，并根據匹配程度為識別列表中的關(guān)鍵詞語(yǔ)進(jìn)行打分，最匹配的打分最高。但是，由于識別算法不知道用戶(hù)后面是否還繼續說(shuō)話(huà)，所以無(wú)法主動(dòng)地判斷已經(jīng)識別出的結果。

3 語(yǔ)音識別芯片LD3320的工作原理
3．1 語(yǔ)音識別系統原理結構
LD3320語(yǔ)音識別芯片采用的就是ASR技術(shù)，圖1就是由LD3320和單片機(或嵌入式系統)組成的語(yǔ)音識別系統原理框圖。圖中給出了LD3320的內部原理結構，本文中選用的MCU是STC10L08XE單片機。

語(yǔ)音識別芯片LD3320是ICRoute公司的產(chǎn)品，它采用ASR技術(shù)，提供了一種脫離按鍵、鍵盤(pán)、鼠標、觸摸屏等GUI操作方式且基于語(yǔ)音的用戶(hù)界面VUI(Voice User Interface)，使得用戶(hù)對該系統的操作更簡(jiǎn)單、快速和自然。
用戶(hù)只需要把識別的關(guān)鍵詞語(yǔ)以字符串的形式傳送進(jìn)芯片，即可以在下次識別中立即生效。比如，用戶(hù)在51等主控MCU的編程中，簡(jiǎn)單地通過(guò)設置芯片的寄存器，把諸如“你好”這樣的識別關(guān)鍵詞語(yǔ)的內容動(dòng)態(tài)地傳入芯片中，芯片就可以識別所設定的關(guān)鍵詞語(yǔ)了。每個(gè)關(guān)鍵詞語(yǔ)可以是單字、詞組、短句或者任何的中文發(fā)音的組合?；贚D3320的語(yǔ)音識別系統可以隨著(zhù)使用流程，在運行時(shí)動(dòng)態(tài)地更改關(guān)鍵詞語(yǔ)列表的內容，這樣可以用一個(gè)系統支持多種不同的場(chǎng)景，同時(shí)也不需要用戶(hù)作任何的錄音訓練。
3．2 LD3320的用戶(hù)使用模式
LD3320有兩種用戶(hù)使用模式，即“觸發(fā)識別模式”和“循環(huán)識別模式”。用戶(hù)可以通過(guò)編程，設置兩種不同的用戶(hù)使用模式。
觸發(fā)識別模式：系統的主控MCU在接收到外界一個(gè)觸發(fā)后(比如用戶(hù)按動(dòng)某個(gè)按鍵)，啟動(dòng)LD3320芯片的一個(gè)定時(shí)識別過(guò)程(比如5 s)，要求用戶(hù)在這個(gè)定時(shí)過(guò)程中說(shuō)出要識別的語(yǔ)音關(guān)鍵詞語(yǔ)。這個(gè)過(guò)程結束后，需要用戶(hù)再次觸發(fā)才能再次啟動(dòng)一個(gè)識別過(guò)程。
循環(huán)識別模式：系統的主控MCU反復啟動(dòng)識別過(guò)程。如果沒(méi)有人說(shuō)話(huà)就沒(méi)有識別結果，則每次識別過(guò)程的定時(shí)到時(shí)后再啟動(dòng)一個(gè)識別過(guò)程；如果有識別結果，則根據識別作相應處理后(比如播放某個(gè)聲音作為回答)再啟動(dòng)一個(gè)識別過(guò)程。