设计和实现一个嵌入式自动语音识别

《设计和实现一个嵌入式自动语音识别》由会员分享，可在线阅读，更多相关《设计和实现一个嵌入式自动语音识别（8页珍藏版）》请在金锄头文库上搜索。

1、设计和实现一个嵌入式自动语音识别系统sujay Phadke Rhishikesh Limaye 亚洲时报 Siddharth 维尔马Kavitha Subramanian孟买印度技术研究所电机工程学系个人所得税孟买Powai，孟买，400076，印度。sujay，rhishi，亚洲时报 Siddharth kavitha ee.iitb.ac.in摘要我们提出了一个新的嵌入式语音识别系统的设计。它结合了硬件和软件设计等方面实 现依赖扬声器，孤立词，小词汇量语音识别系统。是基于规模的修正Mel频率倒谱系数（MFCC） 特征提取和模板匹配采用动态时间规整（DTW）的。一种新的算法已经被用来改善一

2、个字开 始检测。围绕行业标准TMS320LF2407A的DSP硬件。作为一个通用的DSP24X系列的TI DSP 开发板电路板设计。据载，除了从DSP，外部SRAM，闪存，ADC接口的I / O接口模块和JTAG 接口。无论是硬件和软件已设计的同时，最小功率最大精度和便携式设备，以便实现高速识 别。建议的解决方案是一个低成本，高性能，可伸缩的替代现有的其他产品。1. 介绍语音识别一直是一个活跃的研究领域多年。随着超大规模集成电路技术，高性的 编译器的进步，它已成为可能纳入这些算法在硬件。在过去的几年中，各系统已开发，以满 足各种应用。有许多的ASIC解决方案，提供小型，高性能系统。然而，这些患

3、有低的灵活 性和较长的设计周期。一个完整的基于软件的解决方案是为桌面应用程序的吸引力，但未能 提供一个便携式，嵌入式解决方案。高端的公司如TI，ADI公司的数字信号处理器（DSP） 的，提供一个理想的平台，在硬件的开发和测试算法。C编译器，模拟器和调试器之类的 先进的软件工具提供了一种简单的方法，优化算法和减少市场的时间。然而，为了获得最大 的优势，硬件和软件都必须设计在手。语音识别是任何扬声器独立或依赖1。独立扬声器 模式涉及提取讲话是在口语中所固有的那些特点。这一类的算法一般比较复杂，并利用统计 模型和语言模型。另一方面，扬声器依赖模式涉及讲话中提取用户特定的功能。必须为每个 用户创建一个

4、词提取系数的模板进行匹配，以确定口语。此外，使用孤立的单词，而不是一 个复杂连续的话，有助于提高准确性承认。我们的工作涉及扬声器依赖性，孤立词语音识别 系统的发展。该系统是能够认识到口语词，从10-15字的模板。它具有较高的识别精度和适 度抑制比。本文组织如下。第二节处理软件的一部分。它解释了背后的梅尔倒频谱系数提取 和动态时间规整技术，应用的基础上形成的理论。第三节介绍了定制硬件开发此应用程序设 计有关的各种问题。C代码的DSP平台的软件优化和移植在第四节进行了讨论。结果和比 较在部分解释五，最后，我们的结论第六节系统的应用潜力。2。软件本节介绍软件方面使用的语音识别引擎。MFCC的理论是解

5、释其实施。还提出了由作 者开发的一种新的开始检测和错一个字抑制算法。它的结论与动态规整（DTW），确认使用的 模板匹配算法。2.1。特征提取-梅尔规模的频率倒谱系数（MFCC）特征提取涉及确定的共振峰在讲话中，代表扬声器的声道的变化。使用，即有许多方法。 线性预测编码（LPC）规模的梅尔频率倒谱系数（MFCC），线性预测倒谱系数（LPCC的），反 射系数（RCS）。其中，MFCC特征已被发现是在背景噪音的存在更强大，比其他算法2。此 外，它提供了最佳的性能及尺寸要求（内存）之间的权衡。MFCC的有效性的首要原因是， 模型的解析日志上规模的频率人耳的非线性听觉反应3。线性频率Mel频率映射的定义

6、，（i + 4y）要捕捉有益的听觉频率内容，speechsignal最好是通过一个过滤器重叠的三角形过滤器， 叫做梅尔过滤银行组成的银行。这些滤波器的中心频率对梅尔规模，线性间隔和带宽都是平 等的。梅尔规模往往近似线性规模for千赫和对数。因此，我们得到银行梅尔过滤器下面 的近似DFT域指数K在哪里，上是带宽和C是在大小滤波器的中心频率。给予输入 信号帧的能量系数：门m）=）这些能量系数的大小的对数是考虑强度和响度的对数关系。这些日志的能量系数这样获得，然后通过使用反DCT正交（IDCT）3。由此产生的参数被称为规模的梅尔频率 倒谱系数（MFCC）。数学，这是如下：我们使用16个滤波器（M=

7、16）和匚=15,这是每帧输入信号的系数最终夺取数量。2.2。实施MFCC的描绘图的特征提取的软件实现。1。进一步解释说，在下面的文本中的每个步骤。2.2.1。抽样检验。8 kHz采样频率是足够的人力讲话。这个频率给出了 125 _s 之间连续两个样本的窗口。因此可以做到实时处理的一个相当大的一部分。更高的频率 会缩小这个窗口，也将要求更大的内存和更高的处理时间。为0.5秒的时间的话，在8KHz的样本数为4000。与每个样本存储为16位值，它相当于约8 KB的存储空间。2.2.2。开始检测。是不平凡的话语背景噪音的存在开始检测。有两个问题-（i） 避免背景声音，和（二）准确把握单词的第一个音节

8、引发的错误检测。这里提出一种新 的计划，这是能够有效地解决这两个问题。该计划不断提取音频采样和保持了过去，在 每一个时间点样品的滑动窗口。窗口的大小，是一家集设计参数。该计划采用基于滑动 窗口的下面两个标准。1。能源-运行窗口的能量含量平均保持不变。被视为公认的话语开始，这个平 均必须超过一个阈值，这是设置背景噪音。是一个可定制的参数，并可以调整套件个别扬声器的特性。2。零交叉-实证，它被发现，有极少数的噪音过零比正常讲话。这实际上是利用加 强检测过程。类似的能源，在滑动窗口的输入信号的零口岸数量应该超过一个阈值，这 是由预定的实验。这一标准有助于准确，即使它的能量含量是不充分履行能源标准检测

9、 单词的第一个音节。上述标准的组合导致一个简单而强大的开始计划，这是实现实时检 测。噪声能量计算，平均频率进行系统启动，并定期每当系统在空闲模式（即没有话语开始检测时）。因此阈值噪声环境的变化动态调整。 话语开始检测后，在滑动windowand的样品字缓冲存储在随后的样品。我们固定的时间 为0.5秒，其中最典型的话足够的存储样本。理想的情况下，应该有一个最终的检测机 制以及。但它是很难有一个准确的，因果的最终检测方案。在随后的文字中，我们提出 我们自己的非因果的最终检测方案。2.2.3。预处理。首先，输入信号的幅度正常化，以消除不同强度的效果。在更高的频 率讲话的光谱特性制服的关系，以较低的频

10、率。为了加强其在提取参数的重量，我们应用预 加重滤波器是一阶高通滤波器描述：2.2.4。清音的拒绝。虽然上述计划是非常有效的丢弃的背景声音，某些随机的声音（例 如-点击，啁啾，空气吹）有足够的能量，也满足了 startdetection标准。然而，这样的 声音可以区分添加一些更多的检查。字缓冲区上执行这些检查。结束检测-这是一种新型的，非因果关系的确定单词的末尾的技术。它基本上运行时间 startdetection，算法落后，从字缓冲区年底开始。这种技术精确地修剪字缓冲区结束对沉 默的一部分，决定了这个词的确切长度。如果长度是太小了，然后这个词被视为无效。这消 除了单一的点击。过度沉默-字缓冲

11、区划分成一组帧，每一帧的平均能量含量计算。如果 一个框架的显着部分，具有相对较低的能量，那么它表明，它是由狭隘的孤立峰的声音-没 有一个有效的单词的特点。这消除了多次点击。过多的能量-同样，如果帧的重要部分，具有较高的能量，那么它代表连续未调制 的声音(例如-麦克或机械振动吹)。因此，这个词被宣告无效。同样重要的是限制幅度最 大，以避免在后续加工的溢出错误。麦克的灵敏度进行调整，使正常的讲话没有给这个错误。 上述的定性条件，实施定量参数的值进行调整，使正常讲话而被淘汰不需要的声音传递着。2.2.5。取景和窗口。分为语音输入的重叠帧的数量-每一个大小为256 -汉明窗函数， 如下所述，通过对每一

12、帧的最小化和纠察，围栏效果。w(n) = a (1 a) cos () e = 0.54(8)2.2.6. FFT的。在每一帧，我们将256磅的FFT4。该算法运行就地对内存的要求， 从而节约。这转换成其帧帧DFT存储字。2.2.7. 梅尔过滤银行中的应用。在每一帧，梅尔过滤器银行申请在2.1节讨论。IDCT 的是使用逆FFT算法4。我们得到的，每个20帧，一套15 MFC的系数。2.3. 模板匹配-动态时间规整口语单词的特征提取后，我们得到了一个明智的框架序列的特征向量。下一步就是比较它与 当前用户存储的模板集。我们使用一个普遍使用的技术称为动态时间规整(DTW)5。这是 一个“扭曲”的时间

13、轴检测给定两个序列之间的最佳匹配的技术。对于口语，S表示帧的系数。对比和模板S字开始计算距离矩阵，其中每个条目给出一 个大小为本地S，S字开始计算距离矩阵，其中每个条目给出一个大小为本地，15口)以=必_弋)因此，当地的距离是话语的框架和模板字框相应的系数之间的矢量距离。然后，我们 通过当地的距离矩阵中找到最小翘曲路径。相应的翘曲成本给DTW两个序列之间的距离6。 有效地利用动态规划，有下列复发翘曲成本最低可以发现：=心。功+minQ 叫 n 玖1(10)其中，是累积的距离，是距离。因此，DTW距离计算之间的口语和每个模板的 话。采取正确的匹配模板字的最小距离，如果其距离小于预定的阈值。3。硬

14、件软件上实现了 TI的TMS320LF2407A的DSP周围建造了定制设计的电路板。本节介绍了 硬件设计重要的设计考虑，这是实现最高的效率。3.1。处理器中央处理器TMS320LF2407A 7定点DSP TMS320C2000平台的一部分。它提供了低成本， 低功耗，高性能的处理能力增强TMS320x DSP的C2XX核心CPU的建筑设计。已集成多种先 进的外设提供一个真正的单芯片DSP控制器。TMS320LF2407A的之间的代码兼容的C24x DSP 控制器家族，提供最高的处理性能(40 MIPS)和外设集成度更高。JTAG兼容的基于扫描的仿真提供非侵入性的实时编 程和调试能力。高端的DS

15、P像TI 6X家庭的使用是不必要的因为（i）的应用程序并不需要高处理能力，及 （ii）系统的总成本保持最低。高端处理器将需要复杂的硬件和先进的印刷电路板制造技术。由于所有这些因素，TMS320LF2407A的是为我们的应用程序的理想选择。3.2。记忆TMS320LF2407A的采用哈佛架构与64K 16个字中的每个程序，数据，I / O空间。 处理器，内部有32K的闪存程序存储器，544字寄存器银行和2K字RAM。启用时，这片上存 储器片内存空间占用。该板采用较低，在较低的程序空间和数据空间上的32K字的32K字外 部的64K 16的SRAM。SRAM的方案领域可替代内部闪存程序。这是特别方便

16、，代码开发和 测试期间，在一次又一次燃烧内部FLASH是多余的。数据区的SRAMprovides 一般数据存储 器。董事会也有外部的16闪光64K，32k字被配置为在上层的程序空间。这提供了一个扩 展到处理器的内部程序闪存。外置闪光灯也可以作为通用非易失性存储（例如-用户模板 存储）。Atmel的FLASH选择，具有便捷的可编程，小部门的规模和内置擦除-写 序列。片上存储器和外部SRAM的组合，FLASH的程序和数据存储器空间，最大限度地利用。 从而使板适合一般用途的发展。3.3。模拟到数字转换器（ADC）TMS320LF2407A的有一个内置，高性能，10位模拟数字转换器（ADC），与最小转换时 间为375 ns的。我们