作者：郭志強(qiáng)，徐麗娜

    語音是人類最常用的交流方式，也是人類和計(jì)算機(jī)交流最渴望的方式,。因此用語音同計(jì)算機(jī)交流也成為了最近研究的熱點(diǎn),，計(jì)算機(jī)對(duì)語音的理解是計(jì)算機(jī)科學(xué)中的一個(gè)引人人勝的、富有挑戰(zhàn)性的課題,。

    進(jìn)入90年代,，隨著多媒體時(shí)代的來臨，迫切要求語音識(shí)別系統(tǒng)從實(shí)驗(yàn)室走向?qū)嵱?。許多發(fā)達(dá)國家如美國,、日本、韓國以及IBM,、Apple,、AT&T、NTT等著名公司都為語音識(shí)別系統(tǒng)的實(shí)用化開發(fā)研究投以巨資,。IBM公司于1997年開發(fā)出漢語ViaVoice語音識(shí)別系統(tǒng),，次年又開發(fā)出可以識(shí)別上海話、廣東話和四川話等地方口音的語音識(shí)別系統(tǒng)ViaVoice’98,。目前市場(chǎng)上已經(jīng)出現(xiàn)了語音識(shí)別電話,、語音識(shí)別記事本等產(chǎn)品，如美國VPTC公司的Voice Organizer和法國的Parrot等,。

    我國語音識(shí)別研究工作開始的較晚,，但近年來發(fā)展得很快，一直緊跟國際水平,，國家也很重視,，并把大詞匯量語音識(shí)別的研究列入“8 63”計(jì)劃，由中科院聲學(xué)所,、自動(dòng)化所,、清華大學(xué)電子工程系及北京大學(xué)等單位研究開發(fā)，取得了高水平的科研成果,，如中科院自動(dòng)化所研制的非特定人,、連續(xù)語音聽寫系統(tǒng)和漢語語音人機(jī)對(duì)話系統(tǒng)，其字準(zhǔn)確率或系統(tǒng)響應(yīng)率可達(dá)90％以上,。鑒于中國未來龐大的市場(chǎng),，國外也非常重視漢語語音識(shí)別的研究。美國,、新加坡等地聚集了一批來自大陸、臺(tái)灣,、香港等地的學(xué)者,，研究成果已達(dá)到相當(dāng)高水平。

1 系統(tǒng)設(shè)計(jì)

    文中是家庭監(jiān)護(hù)機(jī)器人項(xiàng)目中的語音識(shí)別系統(tǒng)設(shè)計(jì)部分，設(shè)計(jì)目的是設(shè)計(jì)出一種可以識(shí)別語音的,、協(xié)助監(jiān)護(hù)家庭行動(dòng)不方便人員的機(jī)器人,。為實(shí)現(xiàn)該語音識(shí)別系統(tǒng)，設(shè)計(jì)了語音識(shí)別系統(tǒng)總體結(jié)構(gòu)框圖,，如圖1所示,。



1．1 硬件設(shè)計(jì)

    文中所研究和設(shè)計(jì)的功能，都是應(yīng)用在移動(dòng)機(jī)器人上的,。因而系統(tǒng)的研究設(shè)計(jì)需要考慮到體積小,、省電、便于移動(dòng)的特性,，并需具有便于家庭用戶操作的友好顯示界面,。對(duì)于語音識(shí)別部分，需要用到用于語音識(shí)別算法處理的處理器,、語音采集電路和語音輸出電路,，如圖2所示。其中語音識(shí)別算法運(yùn)算的處理器主要負(fù)責(zé)算法的運(yùn)算處理,，相當(dāng)于機(jī)器人的大腦,；語音采集電路負(fù)責(zé)采集外部的聲音信號(hào)，相當(dāng)于機(jī)器人的耳朵,；語音輸出電路負(fù)責(zé)輸出話語聲音,，相當(dāng)于機(jī)器人的嘴巴。



1)語音識(shí)別算法處理器選擇

    根據(jù)系統(tǒng)設(shè)計(jì)功能的要求,，目前常用的語音識(shí)別芯片種類一般有：?jiǎn)纹瑱C(jī)(MCU),、DSP和SoC(System on Circuit)?？紤]到普通單片機(jī)(MCU)資源的緊缺及運(yùn)行速度較慢的缺點(diǎn),，因而在本系統(tǒng)設(shè)計(jì)將不考慮使用單片機(jī)(MCU)作為語音識(shí)別的處理器。DSP包含用作數(shù)字信號(hào)處理的專用部件,，運(yùn)算能力強(qiáng),、精度高，但目前DSP的價(jià)格比較高,，同時(shí)考慮到本系統(tǒng)的特性,，需要選擇一種既有較強(qiáng)的運(yùn)算能力，合適于語音識(shí)別的功能,，并且能實(shí)現(xiàn)較好的用戶操作界面,，并帶有文件系統(tǒng)(用于識(shí)別地圖)的功能，因而選擇DSP并不是明智之舉,。目前Texas Instruments公司新推出的一款芯片OMAP3530,，它具有雙內(nèi)核ARM CortexTM-A8的內(nèi)核和TMS320C64+TM DSP內(nèi)核,，屬于高性能的OMAP35x架構(gòu)系列產(chǎn)品，滿足了系統(tǒng)設(shè)計(jì)的各種功能特性要求,。

    2)語音編解碼芯片選擇

    機(jī)器人選擇一款合適的語音處理芯片是非常重要的,。考慮到系統(tǒng)中用到了各種電源,，并需要對(duì)電源進(jìn)行管理,，因此選擇TI公司配套的TPS 65930芯片來作為系統(tǒng)語音識(shí)別部分的音頻編解碼處理功能的硬件平臺(tái)是非常合適的。該芯片是一個(gè)集成了電源管理,、ADC,、嵌入式電源控制(EPC)、全功能的音頻編解碼器于一體的芯片,，滿足了系統(tǒng)所有電源管理和音頻編解碼的需要,，為設(shè)計(jì)的PCB板節(jié)省了空間，同時(shí)減少了多電源硬件設(shè)計(jì)的負(fù)責(zé)布線煩惱,。

    3)電路設(shè)計(jì)

    本文的設(shè)計(jì)是用在移動(dòng)機(jī)器人上的,，因而需要語音的輸入、識(shí)別處理及語音輸出的功能,。對(duì)于語音的輸入采集,，本文使用聲音傳感器麥克風(fēng)及外圍電路來實(shí)現(xiàn)。對(duì)于語音輸出部分,，使用功率放大器結(jié)合喇叭來使用,。設(shè)計(jì)語音部分原理圖如圖3所示。



1．2 軟件設(shè)計(jì)

    HTK(Hidden Markov Model Toolkit)是一套專門的建立和處理隱馬可夫模型(HMMs)的實(shí)驗(yàn)工具包,，由英國劍橋大學(xué)工程系(Cambridge University Engineering Department,，CUED)開發(fā)的，主要應(yīng)用于語音識(shí)別領(lǐng)域,，也可以應(yīng)用于語音合成,、字符識(shí)別和DNA排序等研究領(lǐng)域。HTK經(jīng)過劍橋大學(xué),、Entropic公司及Microsoft公司的不斷增強(qiáng)和改進(jìn),，使其在語音識(shí)別領(lǐng)域處于世界領(lǐng)先水平。

    基于HTK的語言識(shí)別時(shí),，識(shí)別結(jié)果適用只能顯示在DOS或終端上,，而且不利于將結(jié)果保存、移植或者二次開發(fā)利用,。在本語音識(shí)別系統(tǒng)中使用了HTK接口工具ATK(AnApplication Toolkit for HTK),。ATK是由英國劍橋大學(xué)開發(fā)的開源語音識(shí)別工具，是對(duì)HTK的C++多線程封裝,，跟HTK一樣,，它支持Linux和Windows,，它包括HTK(HTKLib),、AHTK,、AGram、ANGram,、ADict,、AHMMs、AResource,、ARMan,、ARec、ACode,、ASour ce,、ATee、AComponent,、ABuffer,、APacket、Asyn,、FLite(SYNLib),、ALog模塊部件。

    基于ATK的語音識(shí)別軟件應(yīng)用系統(tǒng)的由語音信號(hào)采集模塊,、基于DMA的雙向高速RAM存取模塊,、ATK語音識(shí)別模塊、系統(tǒng)管理模塊,、語音輸出模塊等模塊組成,，如圖4所示。



    在軟件設(shè)計(jì)中,，系統(tǒng)管理模塊主要負(fù)責(zé)系統(tǒng)的總體管理調(diào)度,，是應(yīng)用系統(tǒng)的調(diào)度中心；語音信號(hào)采集模塊主要負(fù)責(zé)控制數(shù)據(jù)采集芯片TPS 65930,；基于DMA的雙向RAM存取模塊主要負(fù)責(zé)實(shí)現(xiàn)DMA驅(qū)動(dòng)及雙向RAM的讀寫存取,，使用了通道1來實(shí)現(xiàn)高速地把語音信號(hào)采集到的數(shù)據(jù)存儲(chǔ)到RAM上，并使用通道2實(shí)現(xiàn)高速地把RAM的數(shù)據(jù)取出來,，用于語音的識(shí)別,；語音輸出模塊主要負(fù)責(zé)把相應(yīng)的音頻數(shù)據(jù)送到TPS65930，并控制TPS6 5930對(duì)接收到的音頻解碼輸出到功放電路,，實(shí)現(xiàn)語音輸出的功能,。軟件的設(shè)計(jì)流程圖如圖5所示。



2 語音識(shí)別系統(tǒng)實(shí)驗(yàn)及結(jié)果

    文中設(shè)計(jì)的語音識(shí)別系統(tǒng)如圖6所示,。在實(shí)驗(yàn)中總共進(jìn)行了3輪話語測(cè)試,，每輪300句話語測(cè)試,，其中150句為家庭監(jiān)護(hù)機(jī)器人需要識(shí)別的話語，150句話語為機(jī)器人不予置理的無關(guān)話語,。本系統(tǒng)只設(shè)置10個(gè)需要識(shí)別的話語,，由15名學(xué)生分別讀音進(jìn)行測(cè)試。同時(shí)對(duì)無關(guān)話語也是由該15名學(xué)生,，每人10句分別隨機(jī)讀音測(cè)試,。從顯示結(jié)果可以看出，第1輪中,，先測(cè)試的150句無關(guān)話語中,，能正確識(shí)別出無關(guān)話語數(shù)為150句，識(shí)別出無關(guān)話語率為100％,，但對(duì)需識(shí)別的話語中,，正確識(shí)別出148句，2句識(shí)別出錯(cuò),，識(shí)別率為98．67％,；在第2輪中，同樣先測(cè)試的150句無關(guān)話語中,，能正確識(shí)別出無關(guān)話語數(shù)為150句,，識(shí)別出為無關(guān)話語率為100％，但對(duì)需識(shí)別的話語中,，正確識(shí)別出142句,，8句識(shí)別出錯(cuò)，識(shí)別率為94．67％,；在第3輪中,，同樣先測(cè)試的150句無關(guān)話語中，能正確識(shí)別出無關(guān)話語數(shù)為150句,，識(shí)別出無關(guān)話語率為100％,，但對(duì)需識(shí)別的話語中，正確識(shí)別出146句,，識(shí)別率為97．33％,。在3輪測(cè)試中，系統(tǒng)都能實(shí)時(shí)響應(yīng)所有語句,，未出現(xiàn)漏句現(xiàn)象,。并且在實(shí)驗(yàn)測(cè)試的過程中，系統(tǒng)的響應(yīng)速度都非?？?，感觀上沒有時(shí)間延遲，與真人交流速度相當(dāng),。



    從實(shí)驗(yàn)測(cè)試結(jié)果可看出,，對(duì)于識(shí)別10個(gè)需要識(shí)別的話語的識(shí)別率高達(dá)94．67％以上,，具有較高的識(shí)別率，因而該語音識(shí)別系統(tǒng)較好達(dá)到了家庭監(jiān)護(hù)機(jī)器人使用的要求,。

3 結(jié)論

    文中通過DSP,、DMA和ARM Cortex-A8的并行處理，利用雙緩沖的方法,，在嵌入式Linux上實(shí)現(xiàn)了基于ATK的實(shí)時(shí)語音識(shí)別系統(tǒng),。該系統(tǒng)可以實(shí)時(shí)地實(shí)現(xiàn)語音識(shí)別,，具有較高識(shí)別率,，較快的響應(yīng)速度?？梢詰?yīng)用在家庭監(jiān)護(hù)機(jī)器人及其相關(guān)領(lǐng)域中,。