基于DSP的高速實(shí)時(shí)語(yǔ)音識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

　　實(shí)時(shí)語(yǔ)音識(shí)別系統(tǒng)中，由于語(yǔ)音的數(shù)據(jù)量大，運(yùn)算復(fù)雜，對(duì)處理器性能提出了很高的要求，適于采用高速DSP實(shí)現(xiàn)。雖然DSP提供了高速和靈活的硬件設(shè)計(jì)，但是在實(shí)時(shí)處理系統(tǒng)中，還需結(jié)合DSP器件的結(jié)構(gòu)及工作方式，針對(duì)語(yǔ)音處理的特點(diǎn)，對(duì)軟件進(jìn)行反復(fù)優(yōu)化，以縮短識(shí)別時(shí)間，滿足實(shí)時(shí)的需求。因此如何對(duì)DSP進(jìn)行優(yōu)化編程，解決算法的復(fù)雜性和硬件存儲(chǔ)容量及速度之間的矛盾，成為實(shí)現(xiàn)系統(tǒng)性能的關(guān)鍵。本文基于TMS320C6713設(shè)計(jì)并實(shí)現(xiàn)了高速實(shí)時(shí)語(yǔ)音識(shí)別系統(tǒng)，在固定文本的說(shuō)話人辨識(shí)的應(yīng)用中效果顯著。

　　1 語(yǔ)音識(shí)別的原理

　　語(yǔ)音識(shí)別的基本原理框圖如圖1所示。語(yǔ)音信號(hào)中含有豐富的信息，從中提取對(duì)語(yǔ)音識(shí)別有用的信息的過(guò)程，就是特征提取，特征提取方法是整個(gè)語(yǔ)音識(shí)別系統(tǒng)的基礎(chǔ)。語(yǔ)音識(shí)別的過(guò)程可以被看作足模式匹配的過(guò)程，模式匹配是指根據(jù)一定的準(zhǔn)則，使未知模式與模型庫(kù)中的某一模型獲得最佳匹配。

　　1.1 MFCC

　　語(yǔ)音識(shí)別中對(duì)特征參數(shù)的要求是：

　　(1) 能夠有效地代表語(yǔ)音特征;

　　(2) 各階參數(shù)之間有良好的獨(dú)立性;

　　(3) 特征參數(shù)要計(jì)算方便，保證識(shí)別的實(shí)時(shí)實(shí)現(xiàn)。

　　系統(tǒng)使用目前最為常用的MFCC(Mel FrequencyCepstral Coefficient，美爾頻率倒譜系數(shù))參數(shù)。

　　求取MFCC的主要步驟是：

　　(1) 給每一幀語(yǔ)音加窗做FFT，取出幅度;

　　(2) 將幅度和濾波器組中每一個(gè)三角濾波器進(jìn)行Binning運(yùn)算;

　　(3) 求log，換算成對(duì)數(shù)率;

　　(4) 從對(duì)數(shù)率的濾波器組幅度，使用DCT變換求出MFCC系數(shù)。

　　本文中采用12階的MFCC，同時(shí)加過(guò)零率和delta能量共14維的語(yǔ)音參數(shù)。

　　1.2 DTW

　　語(yǔ)音識(shí)別中的模式匹配和模型訓(xùn)練技術(shù)主要有DTW(Dynamic Time Warping，動(dòng)態(tài)時(shí)間彎折)、HMM(HideMarkov Model，隱馬爾科夫模型)和ANN(Artificial Neu-ral Network，人工神經(jīng)元網(wǎng)絡(luò))。

　　DTW是一種簡(jiǎn)單有效的方法。該算法基于動(dòng)態(tài)規(guī)劃的思想，解決了發(fā)音長(zhǎng)短不一的模板匹配問題，是語(yǔ)音識(shí)別中出現(xiàn)較早、較為經(jīng)典的一種算法。DTW算法的原理是計(jì)算兩個(gè)長(zhǎng)度不同的語(yǔ)音之間的相似程度，即失真距離。

　　設(shè)測(cè)試語(yǔ)音和參考語(yǔ)音用T和R表示，他們分別含有N幀和M幀的語(yǔ)音參數(shù)。本文中每幀語(yǔ)音的特征參數(shù)為14維，因此T，R分別為N