摘要：與機(jī)器進(jìn)行語音交流，讓機(jī)器明白你說什么，這是人們長期以來夢寐以求的事情。中國物聯(lián)網(wǎng)校企聯(lián)盟形象得把語音識別比做為“機(jī)器的聽覺系統(tǒng)”。文章發(fā)表在《硅谷》上，是國家級電子論文發(fā)表范文，供同行參考。

　　關(guān)鍵詞：語音識別,家電遙控器,應(yīng)用前景

　　語音識別技術(shù)就是讓機(jī)器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。語音識別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個方面。語音識別技術(shù)車聯(lián)網(wǎng)也得到了充分的引用，例如在翼卡車聯(lián)網(wǎng)中，只需按一鍵通客服人員口述即可設(shè)置目的地直接導(dǎo)航，安全、便捷。

　　1 語音識別算法目前，常以單片機(jī)(MCU)或DSP作炎硬件平臺的實現(xiàn)消費類電子產(chǎn)品中的語音識別。這類語音識別主要為孤立詞識別，它有兩種實現(xiàn)方案：一種是基于隱含馬爾科夫統(tǒng)計模型(HMM)框架的非特定人識別;另一種是基于動態(tài)規(guī)劃(DP)原理的特定人識別。它們在應(yīng)用上各有優(yōu)缺點。

　　HMM非特定人員的優(yōu)點是用戶無需經(jīng)過訓(xùn)練，可以直接使用;并且具良好的穩(wěn)定性(即對使用者而言，語音識別性能不會隨著時間的延長而降低)。但非特定人語音識別也有其很難克服的缺陷。首先，使用該方法需要預(yù)先采集大量的語料庫，以便訓(xùn)練出相應(yīng)的識別模型，這就大大提高了應(yīng)用此技術(shù)的前期成本;其次，非特定人語音識別很難解決漢語中不同方言的問題，限制了它的使用區(qū)域;另外還有一個因素也應(yīng)予以考慮，家電中用于控制的具體命令詞語最好不要完全固定，應(yīng)當(dāng)根據(jù)的用戶的習(xí)慣而改變，這一點在非特定人識別中幾乎不可能實現(xiàn)。

　　因此大多數(shù)家電遙控器不適合采用此方案。DP特定人識別的優(yōu)點是方法簡單，對硬件資源要求較低;此外，這一方法中的訓(xùn)練過程也很簡單，不需預(yù)先采集過多的樣本，不僅降低了前期成本，而且可以根據(jù)用戶習(xí)慣，由用戶任意定義控制項目的具體命令語句，因而適合大多數(shù)家電遙控器的應(yīng)用。DP特定識別的嚴(yán)重缺點是它的穩(wěn)健性不理想，對有些人的語音識別率高，有的人識別率卻不高;剛訓(xùn)練完時識別率較高，但隨著時間的推遲而識別率降低。些缺點往往給用戶帶來不便。

　　第二級根據(jù)輸入語音頻譜的FFT分析結(jié)果，分別計算出高頻、中頻和低頻段的能量分布特性，用來判別輕輔音、濁輔音和元音;在確定了元音、濁音段后，再向前后兩端擴(kuò)展搜索包含語音端點的幀。FRED端點檢測算法根據(jù)語音的本質(zhì)特征進(jìn)行端點檢測，可以更好地適應(yīng)環(huán)境的干擾和變化，提高端點檢測的精度。在特定人識別中，比較了常用的FED(Fast Endpoint Detection)[5]和FRED兩種端點檢測算法的性能。兩種算法測試使用相同的數(shù)據(jù)庫，包括7個人的錄音，每個人說100個人名，每個人名讀3遍。測試中的DP模板訓(xùn)練和識別算法為傳統(tǒng)的固定端點動態(tài)時間伸縮(DTW)模板匹配算法[4]。兩種端點檢測算法的識別率測試結(jié)果列在表1中。

　　語音識別在家電遙控器中的應(yīng)用 :

　　表1 比較FED和FRED端點檢測算法對DTW模板匹配識別率的影響端點檢測算法第1人第2人第3人第4人第5人第6人第7人平均FED92.5%87%92.6%95.6%96.2%96.8%100%94.4%FRED94.3%89.9%93.2%99.4%99.4%98.8%100%96.4%測試結(jié)果說明：使用FRED端點檢測算法，所有說話人的識別率都有了不同程度的提高。

　　因此，本系統(tǒng)采用這種兩級端點檢測方案。1.2 模擬匹配算法DTW是典型的DP特定人算法，為了克服自然語速的差異，用動態(tài)時間規(guī)整方法將模板特征序列和語音特征序列進(jìn)行匹配，比較兩者之間的失真，得出識別判決的依據(jù)。假設(shè)存儲的一個詞條模板包括M幀倒譜特征R={r(m)m=1,2,∧,M};識別特征序列包括N幀倒譜特征T={t(n)n=1,2, ∧,N}。在r(i)和t(i)之間定義幀局部失真D(i,j),D(i,j)=|r(i)-t(i)| 2，通過動態(tài)規(guī)劃過程，在搜索路徑中找到累積失真最小的路徑，即最優(yōu)的匹配結(jié)果。采用對稱形式DTW：其中S(i,j)是累積失真,D(i,j)是局部失真。

　　當(dāng)動態(tài)規(guī)劃過程計算到固定結(jié)點(N，M)時，可以計算出該模板動態(tài)匹配的歸一化距離，識別結(jié)果即該歸一化距離最小的模板詞條：x=argmin{S(N,Mx)}。為了提高DTW識別算法的識別性能和模板的穩(wěn)健性，提出了雙模板策略，即x=argmin{S(N,M2x)}。第一次輸入的訓(xùn)練詞條存儲為第一個模板，第二次輸入的相同訓(xùn)練詞條存儲為第二個模板，希望每個詞條通過兩個較穩(wěn)健的模板來保持較高的識別性能。與上面測試相同，也利用7個人說的100個人名，每個人名含3遍的數(shù)據(jù)庫，比較DTW單模板和雙模板的性能差別，結(jié)果更在表2中。

　　論文語音識別在家電遙控器中的應(yīng)用

　　表2 DTW不同模板數(shù)的識別率比較DTW第1人第2人第3人第4人第5人第6人第7人平均單模板94.3%89.9%93.2%99.4%99.4%98.8%100%96.4%雙模板99.4%96.6%98.5%100%100%98.8%100%99.0%測試結(jié)果說明：通過存儲兩個模板，相當(dāng)大地提高了DTW識別的性能，其穩(wěn)健性也有很大的提高。因此，對特定人識別系統(tǒng)，采用DTW雙模板是簡單有效的策略。綜上所述，該嵌入式語音識別芯片系統(tǒng)采用了改進(jìn)端點檢測性能的FRED算法，12階Mel頻標(biāo)倒譜參數(shù)(MFCC)作為特征參數(shù)，使用雙模板訓(xùn)練識別策略。

　　通過一系列測試，證明該系統(tǒng)對特定人的識別達(dá)到了很好的識別性能，完全可以滿足家用電器中聲控應(yīng)用的要求。2 語音控制遙控器設(shè)計目前家用遙控器主要為按鍵式，并有兩種類型：一種是固定碼型，每個鍵對應(yīng)一種或幾種碼型，都是生產(chǎn)廠家預(yù)先設(shè)定好的，用戶不能更改;另一種是學(xué)習(xí)型，具有自我學(xué)習(xí)遙控碼的功能，可由用戶定義遙控器的每個鍵對應(yīng)的碼型，它能夠?qū)⒍喾N遙控器集于一身，用一個遙控器就可控制多個家電，又可以作為原配遙控器的備份。由于現(xiàn)代家電功能不斷增加，上述兩種遙控器都有按鍵過多，用戶不易記住每個鍵的含義等問題。將語音識別技術(shù)應(yīng)用于學(xué)習(xí)型遙控器，利用語音命令代替按者對命令的記憶和使用，同時省去了大量按鍵，縮小了遙控器的體積。

　　語音控制遙控器的硬件框圖如圖2所示，它由兩個獨立的模塊組成：語音信號處理模塊和系統(tǒng)控制模塊。語音信號算是模塊由DSP、快閃存儲器(FLASH)、編解碼器(CODEC)組成。其中DSP是整個語音識別模塊的核心，負(fù)責(zé)語音識別、語音編解碼，以及FLASH的讀寫控制。

　　FLASH和CODEC也都選用3.3V工作電壓的芯片。FLASH為美國ATMEL公司的AT29LV040A(4M Bit)，它作為系統(tǒng)的存儲器，主要用于存放以下內(nèi)容：提示語音合成所需的參數(shù)，特定人訓(xùn)練后的碼本數(shù)據(jù)，DSP系統(tǒng)的應(yīng)用程序和學(xué)習(xí)和遙控碼數(shù)據(jù)。CODEC選用美國TI公司的TLV320AC37，用來進(jìn)行A/D、D/A變換、編碼和解碼。系統(tǒng)控制模塊由單片機(jī)、紅外接收發(fā)送器、電源管理電路組成。單片機(jī)負(fù)責(zé)整個遙控器的系統(tǒng)控制。單片機(jī)作為主控芯片，進(jìn)行鍵盤掃描，根據(jù)用戶通過鍵盤輸入的指令，分別完成學(xué)習(xí)遙控碼;控制DSP進(jìn)行語音訓(xùn)練、回放、識別;將識別結(jié)果轉(zhuǎn)換成相應(yīng)的遙控碼，通過紅外發(fā)光管發(fā)射出去。單片機(jī)與DSP之間通過標(biāo)準(zhǔn)的RS232串行協(xié)議通訊。

　　語音識別在家電遙控器中的應(yīng)用 :

　　系統(tǒng)的控制軟件流程圖如圖3所示。在使用前，按“學(xué)習(xí)鍵”進(jìn)入學(xué)習(xí)狀態(tài)，用戶先對學(xué)習(xí)型遙控器訓(xùn)練語音命令，并使其學(xué)習(xí)與各語音命令相對應(yīng)的原理控碼型。使用時按“識別鍵”，進(jìn)入語音識別狀態(tài)，等待語音處理模塊返回結(jié)果，若返回正確的識別結(jié)果，則把相應(yīng)的遙控碼發(fā)射出去。

　　例如，原電視遙控器數(shù)字鍵“1”對應(yīng)中央1臺，用戶的訓(xùn)練命令為“中央1臺”，學(xué)習(xí)了原遙控器的數(shù)字鍵“1”的遙控碼，并使其與訓(xùn)練命令“中央1臺”對應(yīng)起來。于是使用時只需對著學(xué)習(xí)型遙控器的麥克風(fēng)說出“中央1臺”，電視就會切換到中央1臺。這樣用戶不需要記住每個電視臺與臺號的對應(yīng)關(guān)系，相對于枯燥的頻道數(shù)字，用戶自定義的命令更容易記住。若連續(xù)的30秒無正確的命令則遙控器進(jìn)入休眠狀態(tài)，單片機(jī)控制電源管理電路切換DSP和FLASH電源，單片機(jī)本身也進(jìn)入休眠狀態(tài)，直至用戶按鍵，喚醒單片機(jī)，再由單片機(jī)控制恢復(fù)DSP和FLASH供電，重新開始工作。

　　這是因為整個系統(tǒng)中，DSP的功耗最大，長時間不用時，關(guān)閉語音信號處理模塊，可以顯著地降低整個系統(tǒng)的功耗。從實驗室走向市場的過程中，可靠性與成本是遇到的最大挑戰(zhàn)。采用雙模板的DTW和兩組端點檢測FRED算法，可在系統(tǒng)資源和反應(yīng)延時增加極小的情況下，有效地提高識別率和穩(wěn)健性。該項技術(shù)成功地運用在學(xué)習(xí)型遙控器上，展現(xiàn)了語音識別技術(shù)在家電領(lǐng)域的廣闊前景。

　　職稱電子論文快速發(fā)表：《硅谷》雜志是由中國科學(xué)技術(shù)協(xié)會主管，中國科技新聞學(xué)會主辦，經(jīng)國家新聞出版總署批準(zhǔn)，國內(nèi)外公開發(fā)行的國家級科技類學(xué)術(shù)刊物。