孤立詞語(yǔ)音識別系統的DSP實(shí)現

2．2 系統主要功能模塊構成
語(yǔ)音處理模塊采用TI TMS320VC5402，其主要特點(diǎn)包括：采用改進(jìn)的哈佛結構，一條程序總線(xiàn)(PB)，三條數據總線(xiàn)(CB，DB，EB)和四條地址總線(xiàn)(PAB，CAB，DAB，EAB)，帶有專(zhuān)用硬件邏輯CPU(40位算術(shù)邏輯單元(ALU)，包括1個(gè)40位桶形移位器和二個(gè)40位累加器；一個(gè)17×17乘法器和一個(gè)40位專(zhuān)用加法器，允許16位帶或不帶符號的乘法)，片內存儲器(八個(gè)輔助寄存器及一個(gè)軟件棧)，片內外專(zhuān)用的指令集，允許使用業(yè)界最先進(jìn)的定點(diǎn)DSP C語(yǔ)言編譯器。TMS320VC5402含4 KB的片內ROM和16 KB的雙存取RAM，一個(gè)HPI(HostPortInterface)接口，二個(gè)多通道緩沖單口MCBSP(Multi-Channel Buffered SerialPort)，單周期指令執行時(shí)間10 ns，帶有符合IEEE1149．1標準的JTAG邊界掃描仿真邏輯。語(yǔ)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(jiǎn)單，性能高、功耗低，已成為當前語(yǔ)音處理的主流產(chǎn)品。16位數據結構，音頻采樣頻率為2～22．05 kHz，內含抗混疊濾波器和重構濾波器的模擬接口芯片，還有一個(gè)能與許多DSP芯片相連的同步串行通信接口。TLC320AD50C片內還包括一個(gè)定時(shí)器(調整采樣率和幀同步延時(shí))和控制器(調整編程放大增益、鎖相環(huán)PLL、主從模式)。TLC320AD50C與TMS320VC5402的硬件連接，如圖3所示。

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