基于非特定人語音識別芯片的技術(shù)方案

0 引言

隨著高新技術(shù)在軍事領(lǐng)域的廣泛運用，武器裝備逐步向高、精、尖方向發(fā)展。傳統(tǒng)的軍事訓練由于訓練時間長、訓練費用高、訓練空間窄，常常不能達到預期的訓練效果，已不能滿足現(xiàn)代軍事訓練的需要。為解決上述問題，模擬訓練應運而生。

為進一步提高訓練效果，本文利用智能語音交互芯片設(shè)計了某模擬訓練器的示教與回放系統(tǒng)。示教系統(tǒng)為操作人員生動的演示標準操作流程及相應的操作現(xiàn)象，極大地縮短了對操作人員的培訓時間，提高了培訓效果?；胤畔到y(tǒng)通過記錄操作訓練過程中各操作人員的口令、聲音強度、動作、時間、操作現(xiàn)象等，待操作訓練結(jié)束后通過重演訓練過程，以便操作者及時糾正自己的問題。示教系統(tǒng)也可理解為對標準操作訓練過程的回放。該系統(tǒng)不需要虛擬現(xiàn)實技術(shù)的支持，在小型的嵌入式系統(tǒng)上就可以實現(xiàn)。

1 系統(tǒng)原理

該模擬訓練器由一臺測控計算機和多臺從設(shè)備組成。如圖1所示。在此僅對一臺從設(shè)備進行介紹，其硬件系統(tǒng)主要由測控計算機、Arduino mega2560 控制器、語音識別單元、聲強檢測單元、語音合成單元、面板控制單元、儀器面板等組成。面板控制單元較為復雜，包含多種控制電路，在模擬訓練中負責該從設(shè)備在Arduinomega2560 控制器的控制下完成整個訓練過程，在示教與回放系統(tǒng)中完成對剛才操作訓練操作現(xiàn)象的重演，其具體電路設(shè)計在此不做介紹。

語音識別單元負責識別操作人員的操作口令;聲強檢測單元負責檢測聲強大小并以此作為判斷是哪臺從設(shè)備操作人員口令的依據(jù);Arduino mega2560控制器負責監(jiān)視儀器面板各元件的狀態(tài)來識別操作人員的動作，從而完成對操作訓練過程的記錄。各儀器的操作現(xiàn)象根據(jù)操作動作事先編制無需記錄。在操作回放過程中，測控計算機根據(jù)所記錄的數(shù)據(jù)，通過控制相應從設(shè)備的Arduino mega2560控制器重現(xiàn)所記錄的操作過程。

2 單元系統(tǒng)設(shè)計

2.1 語音識別單元設(shè)計

目前，語音識別技術(shù)的發(fā)展十分迅速，按照識別對象的類型可以分為特定人和非特定人語音識別。特定人是指識別對象為專門的人，非特定人是指識別對象是針對大多數(shù)用戶，一般需要采集多個人的語音進行錄音和訓練，經(jīng)過學習，從而達到較高的識別率。

本文采用的LD3320語音識別芯片是一顆基于非特定人語音識別(Speaker?Independent Automatic SpeechRecognition，SI?ASR)技術(shù)的芯片。該芯片上集成了高精度的A/D 和D/A 接口，不再需要外接輔助的FLASH 和RAM，即可以實現(xiàn)語音識別、聲控、人機對話功能，提供了真正的單芯片語音識別解決方案。并且，識別的關(guān)鍵詞語列表是可以動態(tài)編輯的。其語音識別過程如圖2所示。

語音識別單元采用ATmega168 作為MCU，負責控制LD3320完成所有和語音識別相關(guān)的工作，并將識別結(jié)果通過串口上傳至Arduino mega2560 控制器。對LD3320芯片的各種操作，都必須通過寄存器的操作來完成，寄存器讀寫操作有2種方式(標準并行方式和串行SPI方式)。在此采用并行方式，將LD3320的數(shù)據(jù)端口與MCU的I/O口相連。其硬件連接圖如圖3所示。

語音識別流程采用中斷方式工作，其工作流程分為初始化、寫入關(guān)鍵詞、開始識別和響應中斷等。MCU的程序采用ARDUINO IDE編寫[5]，調(diào)試完成后通過串口進行燒錄，控制LD3320完成語音識別，并將識別結(jié)果上傳至Arduino mega2560控制器。其軟件流程如圖4所示。

2.2 聲強檢測單元設(shè)計

在進行語音識別時需要判斷是某一臺從設(shè)備操作人員的口令，為此設(shè)計聲強檢測單元電路，該電路僅需能夠判斷出相對聲強的大小，無需檢測聲級，對檢測精度要求較低。

電容式MIC聲音傳感器將外部聲音信號轉(zhuǎn)換成電信號，經(jīng)NE5532放大電路進行放大，將輸入的微弱音頻信號轉(zhuǎn)換為具有一定幅值的電壓信號，該電壓信號經(jīng)AC/DC有效值轉(zhuǎn)換電路進行裝換后進行再次放大，最終由Arduino mega2560控制器的A/D進行采樣。圖5給出了聲強檢測單元的電路原理圖，其中D1 端接Arduinomega2560控制器的A/D，INT1端接Arduino mega2560控制器的外部中斷1.當外界聲音信號大于預設(shè)的閾值時，三極管導通INT1端由高電平變?yōu)榈碗娖疆a(chǎn)生外部中斷，控制器響應中斷并進行A/D 采樣，采樣數(shù)據(jù)經(jīng)均值濾波后保存，待測控計算機查詢時上傳該聲強數(shù)據(jù)。

2.3 語音合成單元設(shè)計

TTS(Text To Speech)文本轉(zhuǎn)語音技術(shù)是人機智能對話發(fā)展的趨勢?；赥TS技術(shù)的語音系統(tǒng)無需事先錄音就能夠隨時根據(jù)查詢條件查出并合成語音進行播報，從而大大減少了系統(tǒng)維護的工作量。利用此技術(shù)，通過MCU或者PC機就能控制語音芯片發(fā)音[4]。

本文采用SYN6658中文語音合成芯片進行語音合成。SYN6658 通過UART 接口或SPI接口通信方式，接收待合成的文本數(shù)據(jù)，實現(xiàn)文本到語音(或TTS語音)的轉(zhuǎn)換[6]?？刂破骱蚐YN6658 語音合成芯片之間通過UART接口連接，控制器通過串口通信向SYN6658語音合成芯片發(fā)送控制命令和文本，SYN6658語音合成芯片把接收到的文本合成為語音信號輸出，輸出的信號經(jīng)LM386 功率放大器進行放大后連接到喇叭進行播放。

如圖6所示。

SYN6658語音合成電路采用芯片硬件數(shù)據(jù)手冊提供的典型應用電路進行設(shè)計[5]，在此不做介紹，功率放大電路采用美國國家半導體生產(chǎn)的音頻功率放大器LM386進行放大。

在進行語音合成時首先進行初始化，包括發(fā)音人選擇、數(shù)字處理策略、語速調(diào)節(jié)、語調(diào)調(diào)節(jié)、音量調(diào)節(jié)等。

由于該系統(tǒng)要模擬多人發(fā)音，所以不同的從設(shè)備設(shè)置不同的發(fā)音人及語調(diào)與語速以便于區(qū)分。初始化后等待測控計算機的語音合成命令，待收到命令后芯片會向上位機發(fā)送1字節(jié)的狀態(tài)回傳，上位機可根據(jù)這個回傳來判斷芯片目前的工作狀態(tài)。語音合成流程圖如圖7所示。

3 系統(tǒng)軟件設(shè)計

示教與回放系統(tǒng)的軟件設(shè)計包括測控計算機的軟件設(shè)計和各從設(shè)備Arduino mega260控制器的軟件設(shè)計。

測控計算機是整個系統(tǒng)的控制核心，其軟件采用C#進行編寫，在示教與回放系統(tǒng)中主要是對操作數(shù)據(jù)的記錄以便根據(jù)所記錄的數(shù)據(jù)對操作過程進行精確回放，需要記錄的數(shù)據(jù)包括：各從設(shè)備操作人員的操作口令，操作動作，口令及動作時間，各操作對應的操作現(xiàn)象。為簡化記錄數(shù)據(jù)，事先編制好各事件代碼，記錄過程只記錄代碼，大大提高程序效率。建立結(jié)構(gòu)體如下：

在操作訓練過程中測控計算機每隔50 ms 對下位機進行控制及輪詢，并記錄反饋數(shù)據(jù)，在數(shù)據(jù)記錄時以50 ms 為一個單位。采用定時器對時間進行控制。在回放過程中首先比對當前時間和所記錄的時間，當所記錄的時間與當前時間吻合時測控計算機控制下位機執(zhí)行該事件，完成事件回放。

Arduino mega2560控制器負責接收測控計算機的控制指令并執(zhí)行指令，讀取語音識別結(jié)果，對聲強數(shù)據(jù)采集和處理，控制語音合成單元進行語音合成等。Arduinomega2560 控制器采用串口中斷的方式進行命令接收。

只有正確接收到命令才會執(zhí)行并回傳結(jié)果，若測控計算機在限定時間內(nèi)未收到回傳結(jié)果則表明發(fā)生錯誤，測控計算機需重新發(fā)送。數(shù)據(jù)接收流程圖如圖8所示。

4 總結(jié)

本文利用智能語音芯片設(shè)計了某模擬訓練器的示教與回放系統(tǒng)，該系統(tǒng)不需要現(xiàn)在流行的虛擬現(xiàn)實技術(shù)的支持，僅在MCU 的控制下就可以運行。該系統(tǒng)也可以在小型的便攜式設(shè)備上實現(xiàn)，具有良好的應用前景。