摘  要： 提出一種語音命令控制車載音響操作的設(shè)計方案,，以德國Infineon公司新推出的具有DSP和單片機(jī)雙核的SoC語音處理芯片UniSpeech-SDA80D51為核心組成非特定人車載音響語音控制系統(tǒng)，并實(shí)現(xiàn)了系統(tǒng)樣機(jī)的研制,。該系統(tǒng)在江淮同悅SL1102C1型車載音響上進(jìn)行了語音控制實(shí)測,，實(shí)測數(shù)據(jù)表明系統(tǒng)語音識別率可達(dá)到95%,。
關(guān)鍵詞： 非特定人語音識別,；車載音響語音控制,；UniSpeech-SDA80D51；隱馬爾可夫模型

　隨著現(xiàn)代電子技術(shù)的發(fā)展,，越來越多的車載電器被加入到車身電子行列中,，其在使得汽車性能改善的同時，增加了汽車駕駛操作的復(fù)雜度,，也給行車過程帶來了不安全的隱患,。隨著語音識別算法的改進(jìn)和新一代專用語音處理芯片的問世，出現(xiàn)了使用語音控制代替手動控制的車載電器,，從而減輕駕駛員手動操作負(fù)擔(dān),，大大提高行車安全系數(shù)。
　目前我國的車身電子語音控制主要集中在汽車導(dǎo)航系統(tǒng)的應(yīng)用上,，沒有充分發(fā)揮語音識別技術(shù)在車身電子中的應(yīng)用價值,。本文首次提出了一種的以專用語音處理芯片UniSpeech-SDA80D51為核心組成非特定人車載音響語音控制系統(tǒng)的設(shè)計方案，并實(shí)現(xiàn)了系統(tǒng)樣機(jī)的研制,。該系統(tǒng)在江淮同悅SL1102C1型車載音響上進(jìn)行了語音控制實(shí)驗(yàn),，實(shí)驗(yàn)數(shù)據(jù)表明系統(tǒng)語音識別率可達(dá)到95%，為下一步項(xiàng)目產(chǎn)品化開發(fā)奠定了基礎(chǔ),。
1 車載音響語音控制系統(tǒng)
　非特定人車載音響語音控制系統(tǒng)結(jié)構(gòu)框圖如圖1 所示,。

　系統(tǒng)的主要功能是：語音采集模塊(由定向拾音器組成)用于采集駕駛員發(fā)出的語音命令信號，由語音識別模塊實(shí)現(xiàn)信號的A/D轉(zhuǎn)換,，并對轉(zhuǎn)換的數(shù)字信號進(jìn)行語音識別處理,，最終輸出與語音命令相對應(yīng)的詞條編碼信息?？刂颇K對接收的詞條編碼信號進(jìn)行邏輯分析與處理并產(chǎn)生對應(yīng)的控制信號,，通過系統(tǒng)I/O接口驅(qū)動車載音響動作，完成駕駛員的語音命令,。
1.1 語音識別模塊
　語音識別模塊主要由UniSpeech-SDA80D51芯片及外圍電路組成,。
SDA80D51是德國Infineon公司專為語音識別和語音處理應(yīng)用領(lǐng)域新推出的專用芯片，采用高集成度的SoC系統(tǒng)結(jié)構(gòu),，以0.18 μm半導(dǎo)體工藝制造,，SDA80D51的基本結(jié)構(gòu)如圖2所示。

　SDA80D51片內(nèi)集成了直接雙訪問快速SRAM,、2路ADC和2路DAC,、多種通信接口和通用GPIO等部件。SDA80D51工作方式以M8051為主控制芯片,，主要完成系統(tǒng)配置和SPI,、PWM、I2C,、GPIO等接口的控制以及語音數(shù)據(jù)的傳輸工作,；DSP核心OAK為協(xié)處理器,，完成語音識別算法、語音編解碼算法等語音處理工作,。
非特定人語音信號由定向拾音器輸入,，經(jīng)過SDA80D51內(nèi)部的數(shù)據(jù)采集模塊進(jìn)行A/D轉(zhuǎn)換，再經(jīng)過識別程序的預(yù)處理,、端點(diǎn)檢測,、特征參數(shù)提取、模板匹配等處理,，選擇識別詞表中最接近的詞條序號作為識別結(jié)果,，識別結(jié)果通過GPIO口輸出。
1.2 控制模塊
　控制模塊由MCU和模擬開關(guān)電路構(gòu)成,，本模塊主要完成對語音識別模塊輸出的詞條編碼信號進(jìn)行邏輯分析和處理,，通過模擬開關(guān)電路產(chǎn)生對應(yīng)功能的控制信號控制音響的動作。其中MCU選用美國ATMEL公司產(chǎn)品AT89S51,，綜合AT89S51輸出I/O信號電壓特性和SL1102C1音響控制面板電阻式分流鍵盤電路的特點(diǎn),，確定使用繼電器模擬SL1102C1控制面板按鍵的閉合和斷開動作。AT89S51和繼電器模擬開關(guān)電路原理圖如圖3所示,。

1.3 音響模塊
　本設(shè)計是基于SL1102C1型汽車音響,。SL1102C1是專門為中檔轎車設(shè)計的汽車音響，具有MP3播放,、收音機(jī)和顯示時間等功能,，目前大量使用在江淮同悅轎車上。SL1102C1前板共有開關(guān)機(jī)/靜音,、音效,、播放/暫停等15個按鍵和一個用來調(diào)節(jié)音量的編碼開關(guān)。
　SL1102C1前板上的按鍵為電壓采樣識別方式,，按鍵包含短按和長按兩種動作,，AT89S51輸出電壓為TTL電平，直接采用I/O信號驅(qū)動音響按鍵動作容易引起誤識別,，造成系統(tǒng)誤操作,，因此本文采用圖3所示的模擬開關(guān)電路，很好地解決了上述問題,。當(dāng)AT89S51接收到語音編碼信號后,，立即進(jìn)行邏輯分析并輸出對應(yīng)的控制信號驅(qū)動相應(yīng)繼電器吸合模擬按鍵動作，按鍵的短按和長按功能是通過軟件實(shí)現(xiàn)的,。
　模擬開關(guān)電路還適用于SL1102C1前板上的編碼開關(guān),，編碼開關(guān)具有音量調(diào)節(jié)功能，其工作原理如圖4所示,。
由圖4可知,，編碼開關(guān)上有A,、B、C三個端子,，開關(guān)旋鈕左,、右旋轉(zhuǎn)時,，A,、B端子輸出對應(yīng)的脈沖信號。當(dāng)MCU收到操作編碼開關(guān)的語音命令信號后,，驅(qū)動繼電器動作,，控制端子A、B輸出信號,，模擬開關(guān)旋鈕功能,。

2 系統(tǒng)軟件設(shè)計
　系統(tǒng)的軟件包括非特定人語音識別模塊和邏輯控制模塊。
2.1 非特定人語音識別模塊
　非特定人語音識別模塊基于HMM模型算法,。該算法通過對大量語音數(shù)據(jù)進(jìn)行數(shù)據(jù)統(tǒng)計,，建立識別詞條的統(tǒng)計模型語音庫，然后從待識別語音中提取特征,，與模型庫進(jìn)行匹配,，由比較匹配分?jǐn)?shù)得到識別結(jié)果，并通過SDA80D51的GPIO口輸出識別結(jié)果對應(yīng)的詞條編碼信號,。語音識別模塊主要由信號預(yù)處理,、特征參數(shù)提取、模型匹配和Viterbi算法部分組成,，非特定人語音識別模塊框圖如圖5所示,。

2.1.1 信號預(yù)處理
　信號預(yù)處理部分主要完成輸入語音信號的采樣、 模/數(shù)轉(zhuǎn)換功能,。A/D變換由SDA80D51內(nèi)嵌12位A/D變換器實(shí)現(xiàn),，采樣頻率固定為8 kHz。
2.1.2 特征參數(shù)提取
　特征參數(shù)提取基于語音幀,，采用分幀提取特片,。先對語音信號進(jìn)行重疊分幀，前一幀和后一幀重疊一半(幀信號重疊是體現(xiàn)相鄰兩幀數(shù)據(jù)之間的相關(guān)性),，幀長為25 ms,，對每幀提取一次語音特片。
語音信號是聲道響應(yīng)和聲門激勵信號的卷積,。分別求聲道傳輸函數(shù)和聲門激勵信號的對數(shù)頻率響應(yīng),，由于聲門激勵信號的頻率響應(yīng)和聲道傳輸函數(shù)在頻譜的變化快慢不同，如將頻率軸視為時間軸,，則聲門激勵信號的頻率響應(yīng)對應(yīng)于“高頻”區(qū),；而聲道傳輸函數(shù)對應(yīng)于“低頻”區(qū),，處在不同區(qū)域就易于分辨。
MFCC參數(shù)屬于感知頻域倒譜參數(shù),，反映了語音信號短時幅度譜的特征,。p維MFCC參數(shù)的具體計算提取過程如下：
　(1)用DFFT對每幀s(n：m)計算線性頻譜，計算頻譜模的平方為功率譜,；
　(2)功率譜經(jīng)過Mel濾波器組獲得D個參數(shù)X(i),，D是Mel濾波器組中三角形濾波器的數(shù)量；
　(3)對X(i)做對數(shù)運(yùn)算和離散余弦變換,，余弦變換計算公式如下：

　式中的Y(i)是第i個Mel濾波器的對數(shù)能量輸出,，i=1，2,，…,，D。
2.1.3 HMM語音識別算法
　隱馬爾可夫采用概率統(tǒng)計模型描述語音信號,，HMM模型建立在Markov鏈基礎(chǔ)上,，使用Markov鏈來模擬語音信號統(tǒng)計特性的變化。HMM模型為雙重隨機(jī)過程,，其一是Markov鏈,，由(π，A)描述狀態(tài)的轉(zhuǎn)移,，輸出為狀態(tài)序列,；另一個是隨機(jī)過程，由B描述,，在統(tǒng)計意義上B反映了狀態(tài)和觀察值之間的對應(yīng)關(guān)系,，輸出為觀察值矢量序列。Markov鏈中狀態(tài)和時間參數(shù)都是離散的Markov過程,。
　Viterbi算法是一種幀同步動態(tài)規(guī)整算法,，在給定觀察值序列和模型時，Viterbi算法給出了一個概率密度P(Q,，O|λ)最大的狀態(tài)序列,。Viterbi算法包括初始化、遞推,、終止,、路徑回溯和確定最佳狀態(tài)序列。

　對于語音處理而言,，因Q的變化,，P(Q，O|λ)取值范圍很大，而P(Q,，O|λ)的最大值占了全部P(Q,，O|λ)的很大的成分，所以可以用Viterbi算法來計算P(O|λ),。
2.2 控制模塊
　控制模塊的主要功能是：在AT89S51查詢到語音詞條信號后,，查表獲得詞條編碼，根據(jù)編碼判斷對應(yīng)按鍵是長按或短按,，分別進(jìn)入相應(yīng)的子程序處理,。在子程序中，輸出語音命令所對應(yīng)的I/O控制信號驅(qū)動繼電器吸合模擬按鍵或編碼開關(guān)動作,，并及時復(fù)位I/O口,?？刂颇K還具有完全兼容手動控制的功能,，在語音控制操作的同時也可以進(jìn)行手動操作，手動的優(yōu)先級高于語音命令,，這樣可以避免語音控制和手動控制之間發(fā)生沖突,。
控制模塊部分程序代碼如下：

3 系統(tǒng)實(shí)測結(jié)果
　本系統(tǒng)在江淮同悅SL1102C1型車載音響上進(jìn)行了非特定人語音識別率和模擬開關(guān)動作準(zhǔn)確率測試。由于汽車音響的語音詞條為2到4個字,，語音識別率實(shí)驗(yàn)內(nèi)容為車載音響常用2字詞條指令18條,、3字詞條指令12條、4字詞條指令10條,，實(shí)驗(yàn)對象為6人(4男,、2女，普通話和方言),，實(shí)驗(yàn)環(huán)境為實(shí)驗(yàn)室環(huán)境,。為了提高系統(tǒng)的識別率，系統(tǒng)采用奧林巴斯ME52定向麥克,，提高了麥克接收范圍,，系統(tǒng)測試結(jié)果如表1所示。

　由表1可知,，系統(tǒng)的識別率與語音指令詞條字?jǐn)?shù),、麥克接收距離、說話人方言有關(guān),。男聲和女聲的識別率接近,。
　在系統(tǒng)控制電路實(shí)驗(yàn)中，模擬開關(guān)動作達(dá)到了較高的準(zhǔn)確率,，測試結(jié)果為98%以上,，只要控制程序運(yùn)行正常，各路繼電器就能按照程序安排執(zhí)行閉合和斷開模擬手動開關(guān)操作。
　實(shí)現(xiàn)汽車電器的語音控制是未來車載電器的發(fā)展趨勢,，越來越多的解決方案被提出和驗(yàn)證,。本文設(shè)計在SL1102C1型車載音響上使用SDA80D51芯片，實(shí)現(xiàn)了車載音響非特定人的語音識別與控制,。由于該芯片集成度高,，需要外圍模塊少，所以設(shè)計的硬件電路簡單,，便于調(diào)試檢測,。該設(shè)計得到的樣機(jī)，有較高的識別率,，工作穩(wěn)定,、可擴(kuò)展性強(qiáng)，達(dá)到預(yù)期的設(shè)計目標(biāo),，整個設(shè)計方案和實(shí)現(xiàn)方法是可行的,。由于語音識別率隨著環(huán)境、說話人不同而變化,，雖然HMM算法在噪聲很小的環(huán)境下可以獲得很高的識別率,，但當(dāng)測試語音或者環(huán)境中含有不同程度的噪聲污染時，語音識別系統(tǒng)的性能會有所下降,。提高系統(tǒng)的抗噪性和魯棒性是語音識別系統(tǒng)走向?qū)嵱没年P(guān)鍵之一,。
參考文獻(xiàn)
[1] 楊行峻，遲惠生.語音信號數(shù)字處理[M].北京：電子工業(yè)出版社,，1995.
[2] Inifneon. UniSpeech2V2.0 Functional Specification [Z]. Infineon Technologies AG,， 2002.
[3] 韓紀(jì)慶，張磊,，鄭鐵然.語音信號處理[M].北京：清華大學(xué)出版社,，2004.
[4] 王海青.基于CDHMM的口令式語音識別系統(tǒng)及其DSP實(shí)現(xiàn)[D]. 合肥：中國科學(xué)技術(shù)大學(xué)，2003.
[5] BURCHARD B,， ROMER R,， FOX O. A single chip phoneme based HMM speech recognition system for consumer applications[J]. Consumer Electronics， IEEE Transactions on,， 2000,， 46(3)： 914-919.
[6] Masao Namiki， Takayuki Hamamoto,， Seiichiro Hangai.Spoken word recognition with digital cochlea using 32 DSP-boards,， IEEE Trans. on Acoust， Speech,， Signal Processing,， 2001，2：969-972.