LD3320的嵌入式語音識(shí)別系統(tǒng)的應(yīng)用

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

1 概述
在現(xiàn)代社會(huì)，“懶人科技”大行其道。當(dāng)面臨眾多繁瑣的按鍵操作和菜單選擇的時(shí)候，簡(jiǎn)單地說出指令，是最具有人情味的人機(jī)操作界面。讓身邊的各種電子設(shè)備可“聽從”人類的語音，是從電影“星球大戰(zhàn)”就開始的科技發(fā)展目標(biāo)。雖然目前的科技還不能做到讓計(jì)算機(jī)完全理解人類的所有自然語音，但是可以在一定程度上實(shí)現(xiàn)這個(gè)夢(mèng)想。

2 特定人語音識(shí)別技術(shù)及原理
特定人語音識(shí)別(ASR，Auto Speech Recognition)技術(shù)是基于“關(guān)鍵詞語列表”的識(shí)別技術(shù)，它是對(duì)大量的語音數(shù)據(jù)(相當(dāng)于對(duì)數(shù)千人采集的數(shù)萬小時(shí)的有效聲音數(shù)據(jù))經(jīng)語言學(xué)家語音模型分析，建立數(shù)學(xué)模型，并經(jīng)過反復(fù)訓(xùn)練提取基元語音的細(xì)節(jié)特征，以及提取各基元間的特征差異，得到在統(tǒng)計(jì)概率最優(yōu)化意義上的各個(gè)基元語音特征，最后才由資深工程師將算法以及語音模型轉(zhuǎn)換成硬件芯片并應(yīng)用在嵌入式系統(tǒng)中。
ASR技術(shù)每次識(shí)別的過程就是把用戶說出的語音內(nèi)容，通過頻譜轉(zhuǎn)換為語音特征，再將這個(gè)轉(zhuǎn)換后的語音特征和“關(guān)鍵詞語列表”中的條目一一進(jìn)行匹配，最優(yōu)匹配的一條即作為識(shí)別結(jié)果。比如ASR技術(shù)在語音控制的手機(jī)應(yīng)用中，這個(gè)“關(guān)鍵詞語列表”的內(nèi)容就是電話本中的人名、手機(jī)的菜單命令或手機(jī)存儲(chǔ)卡中的歌曲名字。不論這個(gè)列表的條目?jī)?nèi)容是什么，只需要用戶設(shè)置相關(guān)的寄存器，就可以把相應(yīng)的待識(shí)別條目?jī)?nèi)容以字符形式傳遞給識(shí)別引擎。
由此可見，語音識(shí)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音特征，再和關(guān)鍵詞語列表中的關(guān)鍵詞語進(jìn)行對(duì)比匹配，最后找出得分最高的關(guān)鍵詞語作為識(shí)別結(jié)果輸出。
通常基于ASR技術(shù)的語音識(shí)別芯片能在兩種情況下給出識(shí)別結(jié)果：
①外部送入預(yù)定時(shí)間的語音數(shù)據(jù)(比如5 s的語音數(shù)據(jù))，芯片對(duì)這些語音數(shù)據(jù)運(yùn)算分析后，給出識(shí)別結(jié)果。
②外部送入語音數(shù)據(jù)流，語音識(shí)別芯片通過端點(diǎn)檢測(cè)(VAD，Voice Activity Detection)技術(shù)檢測(cè)出用戶停止說話，把用戶開始說話到停止說話之間的語音數(shù)據(jù)進(jìn)行運(yùn)算分析后，給出識(shí)別結(jié)果。
對(duì)于第一種情況，可以理解為設(shè)定了一個(gè)定時(shí)錄音(如5 s的語音數(shù)據(jù))，芯片在5 s后會(huì)停止把聲音送入識(shí)別引擎，并且根據(jù)已送入引擎的語音數(shù)據(jù)計(jì)算出識(shí)別結(jié)果。
對(duì)于第二種情況，需要了解VAD的工作原理：VAD技術(shù)是在一段語音數(shù)據(jù)流中，判斷出哪個(gè)時(shí)間點(diǎn)是人聲音的開始，哪個(gè)時(shí)間點(diǎn)是人聲音的結(jié)束。判斷的依據(jù)是，在背景聲音的基礎(chǔ)上有了語音發(fā)音，則視為聲音的開始。而后，檢測(cè)到一段持續(xù)時(shí)間的背景音(比如600 ms)，則視為人聲說話結(jié)束。通過VAD判斷出人聲說話的區(qū)域后，語音識(shí)別芯片會(huì)把這期間的聲音數(shù)據(jù)進(jìn)行識(shí)別處理，計(jì)算出識(shí)別結(jié)果。
除了以上兩種情況外，語音識(shí)別算法無法“主動(dòng)”地判斷出是否識(shí)別出了一個(gè)結(jié)果。這是因?yàn)?，在?jì)算過程中的任何時(shí)刻，語音識(shí)別器都會(huì)對(duì)已送人識(shí)別芯片的聲音數(shù)據(jù)進(jìn)行分析，并根據(jù)匹配程度為識(shí)別列表中的關(guān)鍵詞語進(jìn)行打分，最匹配的打分最高。但是，由于識(shí)別算法不知道用戶后面是否還繼續(xù)說話，所以無法主動(dòng)地判斷已經(jīng)識(shí)別出的結(jié)果。

3 語音識(shí)別芯片LD3320的工作原理
3．1 語音識(shí)別系統(tǒng)原理結(jié)構(gòu)
LD3320語音識(shí)別芯片采用的就是ASR技術(shù)，圖1就是由LD3320和單片機(jī)(或嵌入式系統(tǒng))組成的語音識(shí)別系統(tǒng)原理框圖。圖中給出了LD3320的內(nèi)部原理結(jié)構(gòu)，本文中選用的MCU是STC10L08XE單片機(jī)。

語音識(shí)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、鼠標(biāo)、觸摸屏等GUI操作方式且基于語音的用戶界面VUI(Voice User Interface)，使得用戶對(duì)該系統(tǒng)的操作更簡(jiǎn)單、快速和自然。
用戶只需要把識(shí)別的關(guān)鍵詞語以字符串的形式傳送進(jìn)芯片，即可以在下次識(shí)別中立即生效。比如，用戶在51等主控MCU的編程中，簡(jiǎn)單地通過設(shè)置芯片的寄存器，把諸如“你好”這樣的識(shí)別關(guān)鍵詞語的內(nèi)容動(dòng)態(tài)地傳入芯片中，芯片就可以識(shí)別所設(shè)定的關(guān)鍵詞語了。每個(gè)關(guān)鍵詞語可以是單字、詞組、短句或者任何的中文發(fā)音的組合?；贚D3320的語音識(shí)別系統(tǒng)可以隨著使用流程，在運(yùn)行時(shí)動(dòng)態(tài)地更改關(guān)鍵詞語列表的內(nèi)容，這樣可以用一個(gè)系統(tǒng)支持多種不同的場(chǎng)景，同時(shí)也不需要用戶作任何的錄音訓(xùn)練。
3．2 LD3320的用戶使用模式
LD3320有兩種用戶使用模式，即“觸發(fā)識(shí)別模式”和“循環(huán)識(shí)別模式”。用戶可以通過編程，設(shè)置兩種不同的用戶使用模式。
觸發(fā)識(shí)別模式：系統(tǒng)的主控MCU在接收到外界一個(gè)觸發(fā)后(比如用戶按動(dòng)某個(gè)按鍵)，啟動(dòng)LD3320芯片的一個(gè)定時(shí)識(shí)別過程(比如5 s)，要求用戶在這個(gè)定時(shí)過程中說出要識(shí)別的語音關(guān)鍵詞語。這個(gè)過程結(jié)束后，需要用戶再次觸發(fā)才能再次啟動(dòng)一個(gè)識(shí)別過程。
循環(huán)識(shí)別模式：系統(tǒng)的主控MCU反復(fù)啟動(dòng)識(shí)別過程。如果沒有人說話就沒有識(shí)別結(jié)果，則每次識(shí)別過程的定時(shí)到時(shí)后再啟動(dòng)一個(gè)識(shí)別過程；如果有識(shí)別結(jié)果，則根據(jù)識(shí)別作相應(yīng)處理后(比如播放某個(gè)聲音作為回答)再啟動(dòng)一個(gè)識(shí)別過程。