語(yǔ)音識(shí)別是人機(jī)交互的一種重要技術(shù)手段。根據(jù)實(shí)際需要和應(yīng)用場(chǎng)合的不同，語(yǔ)音識(shí)別可以分為孤立詞識(shí)別和連續(xù)語(yǔ)音識(shí)別、特定人識(shí)別和非特定人識(shí)別。語(yǔ)音識(shí)別追求的主要指標(biāo)為高識(shí)別率、實(shí)時(shí)性和大詞匯量；而對(duì)于一個(gè)語(yǔ)音識(shí)別系統(tǒng)，還應(yīng)考慮軟硬件設(shè)計(jì)簡(jiǎn)單、價(jià)格低廉、外圍控制靈活、人機(jī)交互便捷等特點(diǎn)。性能良好且成本低廉的語(yǔ)音識(shí)別系統(tǒng)在智能家電接口、智能玩具、智能儀器等領(lǐng)域提供便捷的人機(jī)交互服務(wù)，將具有廣闊的應(yīng)用前景。

語(yǔ)音識(shí)別系統(tǒng)構(gòu)成

語(yǔ)音識(shí)別系統(tǒng)主要包括識(shí)別單元選取、預(yù)處理、特征提取、模式匹配、參考模式庫(kù)等幾個(gè)部分。根據(jù)模式識(shí)別的原理，對(duì)未知的語(yǔ)音的模板與已知語(yǔ)音的參考模板逐一進(jìn)行比較，得到的最佳匹配的參考模板就是識(shí)別的最終結(jié)果。語(yǔ)音識(shí)別的系統(tǒng)框圖如圖1所示。

初步處理：語(yǔ)音信號(hào)首先經(jīng)過話筒會(huì)變成電信號(hào)，之后進(jìn)行初步處理。初步處理包括對(duì)信號(hào)進(jìn)行的濾波、數(shù)字化、預(yù)加重、分幀加窗以及端點(diǎn)檢測(cè)等一系列步驟。通過這些處理，將語(yǔ)音信號(hào)變成數(shù)字信號(hào)，并利用窗函數(shù)把語(yǔ)音數(shù)據(jù)序列分成連續(xù)的信號(hào)幀，找出信號(hào)中的語(yǔ)音部分。

特征提?。盒盘?hào)經(jīng)過初步處理之后，進(jìn)入特征提取單元進(jìn)行特征分析和特征提取。提取特征單元的功能一般是完成基于頻譜的特征矢量的計(jì)算，提取出代表信號(hào)特征的參數(shù)，形成矢量模板。語(yǔ)音幀的特征矢量按照一定的規(guī)則進(jìn)行處理之后，作為參考模型和待識(shí)別語(yǔ)音的模板。

參考模型庫(kù)：參考模型庫(kù)就是語(yǔ)音信號(hào)的參考模板庫(kù)，通常是對(duì)說話人進(jìn)行多次重復(fù)的語(yǔ)音訓(xùn)練之后，使用平均或者聚類的分析方法，對(duì)這些語(yǔ)音信號(hào)進(jìn)行一系列的分析和計(jì)算得到的特征矢量模板組成。

模板匹配：模板匹配單元完成特征矢量與已存語(yǔ)音信號(hào)模板之間的匹配計(jì)算。將輸入語(yǔ)音形成的特征矢量模板與訓(xùn)練得的到語(yǔ)音模板庫(kù)進(jìn)行分析比較，根據(jù)一定的搜索和匹配原則找出與參考模板中差別最小的特征矢量模板，然后根據(jù)此模板對(duì)應(yīng)的語(yǔ)音信號(hào)找出識(shí)別結(jié)果。

語(yǔ)音識(shí)別系統(tǒng)的設(shè)計(jì)思想

隨著語(yǔ)音識(shí)別算法的發(fā)展以及嵌入式設(shè)備的運(yùn)算能力的提高，在具有一定計(jì)算能力和存儲(chǔ)空間的嵌入式硬件平臺(tái)上實(shí)現(xiàn)語(yǔ)音識(shí)別，進(jìn)而取代一些繁雜的直接操作已經(jīng)成為了語(yǔ)音識(shí)別的重要發(fā)展方向。本系統(tǒng)是基于C8051F040單片機(jī)的語(yǔ)音識(shí)別系統(tǒng)，其識(shí)別框架如圖2所示。

嵌入式語(yǔ)音識(shí)別系統(tǒng)的工作過程：首先采集語(yǔ)音信號(hào)，在程序運(yùn)行時(shí)，通過控制模塊輸入當(dāng)前需要進(jìn)行的模板的訓(xùn)練操作，輸入完成后系統(tǒng)采集特定人的語(yǔ)音信號(hào)，A/D轉(zhuǎn)換之后進(jìn)入控制器，通過一系列的算法建立起該特定人的標(biāo)準(zhǔn)語(yǔ)音庫(kù)，并將其存入存儲(chǔ)電路之中；在語(yǔ)音識(shí)別時(shí)，首先通過控制模塊輸入當(dāng)前需要進(jìn)行的操作，然后采集用戶的語(yǔ)音，將采集到的信號(hào)進(jìn)行一系列運(yùn)算處理提取出特征矢量模板，存入存儲(chǔ)單元之中，并與標(biāo)準(zhǔn)語(yǔ)音庫(kù)中的語(yǔ)音命令進(jìn)行比較，在允許的誤差范圍內(nèi)找出語(yǔ)音庫(kù)中最接近該段音頻的語(yǔ)音信號(hào)，并把該語(yǔ)音信號(hào)作為識(shí)別結(jié)果通過顯示模塊告知用戶。

語(yǔ)音識(shí)別系統(tǒng)的硬件結(jié)構(gòu)

語(yǔ)音識(shí)別系統(tǒng)的硬件部分主要由聲音采集模塊（拾音器以及功率放大電路）、帶通濾波器、存儲(chǔ)電路、串口通信電路、鍵盤控制電路、顯示電路以及微控制器等幾個(gè)基本單元組成。系統(tǒng)的硬件組成框圖如圖3所示。

系統(tǒng)的微控制器部分是整個(gè)系統(tǒng)的控制中心，主要完成對(duì)語(yǔ)音信號(hào)的存儲(chǔ)、對(duì)外部命令的響應(yīng)、算法的實(shí)現(xiàn)以及實(shí)驗(yàn)結(jié)果的輸出。本系統(tǒng)的采樣功能由單片機(jī)本身實(shí)現(xiàn)，選用的C8051F040型號(hào)單片機(jī)包含有A/D采樣的功能，而且采樣速率能夠滿足進(jìn)行語(yǔ)音信號(hào)時(shí)所需要的采樣頻率。

進(jìn)行語(yǔ)音實(shí)驗(yàn)時(shí)，語(yǔ)音首先要進(jìn)入聲音采集模塊。聲音采集模塊由拾音器和功率放大器組成。拾音器用于將語(yǔ)音信號(hào)轉(zhuǎn)化成電信號(hào)。當(dāng)語(yǔ)音信號(hào)從拾音器出來之后會(huì)轉(zhuǎn)換成微弱的電信號(hào)（毫伏級(jí)），因此在拾音器的后端需要將該電信號(hào)進(jìn)行放大處理（放大到伏級(jí)），這就是該模塊中功率放大電路的作用。

一般的語(yǔ)音最高頻率是3.4KHz，最低頻率為300Hz，而在語(yǔ)音信號(hào)通過輸入系統(tǒng)之后需要對(duì)該頻率段之外的頻率成分濾除，以提高語(yǔ)音的信噪比。帶通濾波器用于對(duì)語(yǔ)音信號(hào)進(jìn)行濾波，以保留300Hz~3.4KHz的信號(hào)。為了實(shí)現(xiàn)對(duì)放大后信號(hào)的濾波處理，帶通濾波器可由低通濾波器和高通濾波器級(jí)聯(lián)而成，即設(shè)計(jì)一個(gè)下限截止頻率為300Hz的高通濾波器和上限截止頻率為3.4KHz的低通濾波器來級(jí)聯(lián)。

語(yǔ)音信號(hào)的采集一般需要8KHz的采樣頻率，而單片機(jī)本身片上資源較少，當(dāng)存儲(chǔ)語(yǔ)音數(shù)據(jù)時(shí)可能會(huì)有存儲(chǔ)空間不夠的情況，此時(shí)，系統(tǒng)需要外部存儲(chǔ)器。

鍵盤控制模塊用于對(duì)語(yǔ)音的錄入、模版的訓(xùn)練和語(yǔ)音信號(hào)的識(shí)別過程進(jìn)行控制。

LCD顯示模塊用于顯示當(dāng)前的系統(tǒng)狀況和識(shí)別結(jié)果，以便提示用戶進(jìn)行下一步的操作。

串口通信模塊用于實(shí)現(xiàn)上下位機(jī)之間的點(diǎn)對(duì)點(diǎn)通訊。

語(yǔ)音識(shí)別系統(tǒng)的硬件設(shè)計(jì)

微控制器

語(yǔ)音信號(hào)的數(shù)據(jù)量非常大，系統(tǒng)語(yǔ)音識(shí)別時(shí)需要具有較強(qiáng)的計(jì)算能力。系統(tǒng)選用C8051F040單片機(jī)作為處理器。

C8051F040單片機(jī)是完全集成的混合信號(hào)系統(tǒng)級(jí)芯片，采用了流水線處理技術(shù)，除了不再劃分時(shí)鐘周期和機(jī)器周期，還能在執(zhí)行指令期間對(duì)下一條指令進(jìn)行預(yù)處理，因而大大提高了指令的執(zhí)行速度。C8051F040有著強(qiáng)大的處理能力，它在一個(gè)芯片內(nèi)集成了數(shù)據(jù)采集和控制所需的幾乎全部硬件外設(shè)，代表了目前8位單片機(jī)的發(fā)展方向。

電源系統(tǒng)

本系統(tǒng)外部提供9V的直流電源，因此采用線性穩(wěn)壓芯片7805作為電壓調(diào)節(jié)和穩(wěn)壓器件來將較高的直流電壓轉(zhuǎn)變成所需的工作電壓，即將9V~12V電源轉(zhuǎn)換為穩(wěn)定的5V直流電源。

使用7805芯片進(jìn)行穩(wěn)壓之后，采用AS1117芯片穩(wěn)壓數(shù)字電源DV和模擬電源AV的輸入。

輸入系統(tǒng)

輸入系統(tǒng)用于把語(yǔ)音信號(hào)通過麥克風(fēng)變成電信號(hào)。同時(shí)，由于語(yǔ)音信號(hào)比較微弱，所以必須要將電信號(hào)適當(dāng)?shù)胤糯?。一般情況下，拾音器的輸出為毫伏級(jí)的電壓，要將電壓信號(hào)放大到伏級(jí)，需要放大的倍數(shù)大致為1000倍。

由于輸入到放大器的信號(hào)很微小，為了減小動(dòng)態(tài)誤差，本系統(tǒng)處于深度反饋之中。同相放大器的電壓放大倍數(shù)一般在1~100之間，由于放大倍數(shù)為1000左右，本文選擇NE5532芯片進(jìn)行兩級(jí)同向放大器的設(shè)計(jì)。在兩級(jí)放大電路中，前一級(jí)的輸出信號(hào)就是后一級(jí)的輸入信號(hào)，后一級(jí)的輸入電阻就是前一級(jí)的負(fù)載。兩級(jí)放大電路的電壓放大倍數(shù)等于各級(jí)電壓放大倍數(shù)的乘積。

帶通濾波電路

語(yǔ)音的頻率范圍一般為300Hz~3.4KHz，為了提高語(yǔ)音信號(hào)的質(zhì)量，可以在輸入與輸出的回路中設(shè)計(jì)一個(gè)帶通濾波器來濾除語(yǔ)音頻率范圍以外的頻率成分。本文采用運(yùn)算放大器NE5532設(shè)計(jì)巴特沃斯帶通濾波器。這個(gè)帶通濾波器通過前級(jí)的二階壓控型低通濾波器與后級(jí)的二階壓控高通濾波器級(jí)聯(lián)而成。需要低通濾波器的上限截止頻率為3.4KHz，高通濾波器的下限截止頻率為300Hz。

存儲(chǔ)系統(tǒng)

在系統(tǒng)中，對(duì)語(yǔ)音信號(hào)的存儲(chǔ)以及識(shí)別算法要求系統(tǒng)有足夠的空間來存儲(chǔ)這些原始數(shù)據(jù)和中間數(shù)據(jù)。本文選擇的C8051F040單片機(jī)雖然集成了4KB的外部?jī)?nèi)存，但是對(duì)于系統(tǒng)大量的存儲(chǔ)需要，還需要擴(kuò)展外部?jī)?nèi)存。語(yǔ)音識(shí)別時(shí)采用8KHz的采樣率，每段2s的音頻信號(hào)至少需要16KB的存儲(chǔ)空間，因此系統(tǒng)使用外擴(kuò)256K字節(jié)的FLASH ROM作為語(yǔ)音參考模板的存儲(chǔ)空間。對(duì)于待識(shí)別語(yǔ)音，本系統(tǒng)外擴(kuò)了32K字節(jié)的SRAM作為存儲(chǔ)空間，這樣就至少能錄制4s的語(yǔ)音信號(hào)，滿足需求。在擴(kuò)展內(nèi)存之時(shí)，為了配置端口的方便考慮，將其擴(kuò)展到P4~P7口，即P7口對(duì)應(yīng)于8位數(shù)據(jù)線，P6口對(duì)應(yīng)于地址線的高8位。

通信電路

為了便于系統(tǒng)調(diào)試，系統(tǒng)采用串口通信作為單片機(jī)與上位機(jī)之間的通訊方式，將計(jì)算數(shù)據(jù)和識(shí)別結(jié)果傳輸?shù)綑C(jī)之中。

C8051F040有兩種串行通信總線：增強(qiáng)型串行通信總線UART0和異步全雙工串行通信總線UART1。