2.2 語音識別系統(tǒng)在DSP上的實現

　　2.2.1 實驗數據的建立

　　所有語音信號在安靜的實驗室環(huán)境下獲得?；贒SP 平臺的實時識別實驗系統(tǒng)，語音信號通過麥克風輸入，使用TLV320AIC23對模擬語音信號進行采樣。語音采樣頻率為8kHz，采樣量化精度為 16bit，雙聲道。考慮到Flash存儲空間有限，本文選用自建語音庫中900個樣本中的40個樣本作為訓練樣本建立模型參數。

　　2.2.2 語音識別系統(tǒng)的硬件結構

　　由于語音識別系統(tǒng)算法復雜度較高，同時考慮到實時性，本文選擇TI公司的TMS320C6713DSK 作為硬件開發(fā)平臺。

　　TMS320C6713DSK是一款低成本獨立開發(fā)應用板，其最高工作時鐘頻率可以達到225MHz，且是高性能的浮點數字信號處理器。且?guī)в蠺LV320AIC23 立體編解碼器，8M 字節(jié)32bit的SDRAM，512k字節(jié)，8bit的非易失性Flash存儲器。

　　本系統(tǒng)針對的是非特定人小詞匯量連續(xù)語音的識別，硬件結構如圖4所示，主要包括語音數據采集模塊、數據傳輸模塊、數據處理模塊、程序數據存儲及Flash引導裝載模塊、數據存儲器RAM 模塊及其他相關模塊。

　　圖4 系統(tǒng)硬件結構圖

　　數據采集模塊主要采用TLV320AIC23編解碼器來實現對語音數據的采集。由AIC23采集的數字信號數據通過McBSP1存入SDRAM 中，數據傳輸方式為EDMA方式下的McBSP數據傳輸。數據處理模塊是系統(tǒng)的核心模塊，用TMS320C6713DSP芯片來完成語音識別算法的實現。訓練時，DSP完成語音信號MFCC特征參數的提取、SVM 建模并存入Flash中；識別時，DSP讀取待識別語音信號數據并將獲得的模型參數與訓練模型參數進行比較，進而得到識別結果。

　　2.2.2 基于DSP的語音識別系統(tǒng)的實現及分析

　　本系統(tǒng)設計主要涉及到語音數據段、執(zhí)行代碼段、載入Flash的程序段和模型參數段等。在編程中主要以C語言編程為主，配合使用匯編語言，使程序運行效率更高。

　　實驗結果及其性能分析：

　　訓練時，系統(tǒng)上電，加入工程項目。圖5所示為讀取“12345”的語音時部分主程序、對音節(jié)切分后數字“1”提取的語音及其第10幀的MFCC參數、mfcc子程序等。

　　圖5 MFCC參數

　　識別過程中，將存入Flash中的訓練模型參數依次讀出，與待識別語音信號的MFCC參數比較，最后得到識別結果。

　　實驗中讀取20句話，每句話含有6個不同漢語數字的連續(xù)語音，通過對其進行測試，得到識別率為76.7%.圖6是對音節(jié)切分后的數字“2”的識別情況，在STD欄輸出了最后識別結果即數字“2”。

　　3 結論

　　本文通過在Matlab平臺上進行仿真實驗選取合適的參數及模型，并將其移植到 TMS320C6713DSK上實現了非特定人小詞匯量連續(xù)語音識別系統(tǒng)。其中基于TLV320AIC23完成了對語音數據的采集，借助SDRAM 和Flash進行數據存儲，并采用短時能量和短時過零率進行語音信號的初步判定，結合起來進行測試，在Windows7操作系統(tǒng)中使用DirectX SDK 9.0b進行視頻顯示，QR解碼程序為自行編制，并與TPS自動測試臺集成。連續(xù)地采集視頻，在計算機顯示屏上實時顯示影像圖的同時進行條碼解碼定位，結果顯示單幀圖像的平均解碼時間為630ms，使用幀相關算法后，平均解碼時間為124ms.

　　圖6為在單碼定位時預估未定位條碼的結果，q1為已定位碼，q2，q3，q4為未定位碼，由q1預估q2，q3，q4的結果為圖中的加亮框表示，對框區(qū)域外擴使其包含完整條碼，然后把擴域后的子區(qū)域獨立出來，作為下一幀條碼解碼的有效區(qū)域以提高圖像處理速度。

　　圖5 視頻輔助探針定位

　　圖6 單碼定位的預估結果

　　本方法在采用幀相關及位置相關算法后，在普通PC上實現實時視頻，并具有如下特點：

　　a）無需夾具，允許遮擋，允許測試板和探頭位置變化；探針和目標點標記同時出現影像圖上，直接引導，無需在影像和實板上對照查找，提高探測效率，減小出錯機會。

　　b）QR碼定位符含測試板信息，可以在PCB板制作過程中通過絲印到PCB板上，也可以在后期紙制粘貼到PCB板上（但要精確地保證每塊板上的QR碼位置相同），允許同一板面任意多定位碼，以區(qū)分不同PCB板及不同板面，用作PCB加電前預檢測，可保證加電安全。