語音識(shí)別芯片也叫語音識(shí)別IC，與傳統(tǒng)的語音芯片相比，語音識(shí)別芯片最大的特點(diǎn)就是能夠語音識(shí)別，它能讓機(jī)器聽懂人類的語音，并且可以根據(jù)命令執(zhí)行各種動(dòng)作，如眨眼睛、動(dòng)嘴巴（智能娃娃）。除此之外，語音識(shí)別芯片還具有高品質(zhì)、高壓縮率錄音放音功能，可實(shí)現(xiàn)人機(jī)對(duì)話。

語音識(shí)別芯片所涉及的技術(shù)包括：信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能等等。

語音識(shí)別芯片的工作原理

嵌入式語音識(shí)別系統(tǒng)都采用了模式匹配的原理。錄入的語音信號(hào)首先經(jīng)過預(yù)處理，包括語音信號(hào)的采樣、反混疊濾波、語音增強(qiáng)，接下來是特征提取，用以從語音信號(hào)波形中提取一組或幾組能夠描述語音信號(hào)特征的參數(shù)。特征提取之后的數(shù)據(jù)一般分為兩個(gè)步驟，第一步是系統(tǒng)“學(xué)習(xí)”或“訓(xùn)練”階段，這一階段的任務(wù)是構(gòu)建參考模式庫，詞表中每個(gè)詞對(duì)應(yīng)一個(gè)參考模式，它由這個(gè)詞重復(fù)發(fā)音多遍，再經(jīng)特征提取和某種訓(xùn)練中得到。第二是“識(shí)別”或“測(cè)試”階段，按照一定的準(zhǔn)則求取待測(cè)語音特征參數(shù)和語音信息與模式庫中相應(yīng)模板之間的失真測(cè)度，最匹配的就是識(shí)別結(jié)果。

LD332X系列語音識(shí)別芯片的工作原理：

LD3320提供的語音識(shí)別技術(shù)，是基于“關(guān)鍵詞語列表”的識(shí)別技術(shù)：ASR（Autospeechrecognition）技術(shù)。

語音識(shí)別芯片完成的工作就是：把通過MIC輸入的聲音進(jìn)行頻譜分析-》提取語音特征-》和關(guān)鍵詞語列表中的關(guān)鍵詞語進(jìn)行對(duì)比匹配-》找出得分最高的關(guān)鍵詞語作為識(shí)別結(jié)果輸出。

語音識(shí)別芯片能在兩種情況下給出識(shí)別結(jié)果：

1）外部送入預(yù)定時(shí)間的語音數(shù)據(jù)后（比如5秒鐘的語音數(shù)據(jù)），芯片對(duì)這些語音數(shù)據(jù)運(yùn)算分析后，給出識(shí)別結(jié)果

2）外部送入語音數(shù)據(jù)流，語音識(shí)別芯片通過端點(diǎn)檢測(cè)VAD（voiceactivitydetection）檢測(cè)出用戶停止說話，把用戶開始說話到停止說話之間的語音數(shù)據(jù)進(jìn)行運(yùn)算分析后，給出識(shí)別結(jié)果

對(duì)于第一種情況，可以理解為設(shè)定了一個(gè)定時(shí)錄音（比如為5秒鐘），芯片在5秒鐘后，會(huì)停止把聲音送入識(shí)別引擎，并且根據(jù)已送入引擎的語音數(shù)據(jù)計(jì)算出一個(gè)識(shí)別結(jié)果。

對(duì)于第二種情況，需要了解VAD的工作原理：

VAD（VoiceActivityDetection）技術(shù)是在一段語音數(shù)據(jù)流中，判斷出哪個(gè)時(shí)間點(diǎn)是人聲的開始，哪個(gè)時(shí)間點(diǎn)是人聲的結(jié)束。判斷的依據(jù)是，在背景聲音的基礎(chǔ)上有了語音發(fā)音，則視為聲音的開始。而后，檢測(cè)到一段持續(xù)時(shí)間的背景音（比如600毫秒），則視為人聲說話結(jié)束。

通過VAD判斷出人聲說話的區(qū)域后，語音識(shí)別芯片會(huì)把這期間的聲音數(shù)據(jù)進(jìn)行識(shí)別處理后，計(jì)算出識(shí)別結(jié)果。

需要說明的是，除了以上兩種情況外，語音識(shí)別算法無法“主動(dòng)”地判斷出是否識(shí)別出了一個(gè)結(jié)果。這是因?yàn)?，在?jì)算的過程中的任何時(shí)刻，語音識(shí)別器都會(huì)對(duì)已送入識(shí)別芯片的聲音數(shù)據(jù)進(jìn)行分析，并根據(jù)匹配程度為識(shí)別列表中的關(guān)鍵詞語進(jìn)行打分，最匹配的打分最高。但是，由于識(shí)別算法不知道用戶后面是否還繼續(xù)說語音，所以無法“主動(dòng)”地判斷已經(jīng)識(shí)別出一個(gè)結(jié)果。

比如，識(shí)別列表中有兩個(gè)關(guān)鍵詞語分別是“李曉”和“李曉明”，當(dāng)用戶說到“曉”這個(gè)音節(jié)時(shí)，在識(shí)別芯片內(nèi)部是“李曉”的得分最高，但此時(shí)識(shí)別芯片是無法給出識(shí)別結(jié)果。隨著用戶說出“明”音節(jié)后，“李曉明”則成為得分最高。此時(shí)，用戶停止說話，或者是定時(shí)錄音已到，使得識(shí)別芯片可以判斷出用戶已經(jīng)停止說話了，才能給出識(shí)別結(jié)果是“李曉明”。

語音識(shí)別芯片的分類

按照使用者的限制而言，語音識(shí)別芯片可以分為特定人語音識(shí)別芯片和非特定人語音識(shí)別芯片。

特定人語音識(shí)別芯片

特定人語音識(shí)別芯片是針對(duì)指定人的語音識(shí)別，其他人的話不識(shí)別，須先把使用者的語音參考樣本存入當(dāng)成比對(duì)的資料庫，即特定人語音識(shí)別在使用前必須要進(jìn)行語音訓(xùn)練，一般按照機(jī)器提示訓(xùn)練2遍語音詞條即可使用。

非特定人語音識(shí)別芯片

非特定人語音識(shí)別是不用針對(duì)指定的人的識(shí)別技術(shù)，不分年齡、性別，只要說相同語言就可以，應(yīng)用模式是在產(chǎn)品定型前按照確定的十幾個(gè)語音交互詞條，采集200人左右的聲音樣本，經(jīng)過PC算法處理得到交互詞條的語音模型和特征數(shù)據(jù)庫，然后燒錄到芯片上。應(yīng)用這種芯片的機(jī)器（智能娃娃、電子寵物、兒童電腦）就具有交互功能了。

非特定人語音識(shí)別應(yīng)用有的是基于音素的算法，這種模式下不需要采集很多人的聲音樣本就可以做交互識(shí)別，但是缺點(diǎn)是識(shí)別率不高，識(shí)別性能不穩(wěn)定。

按照說話方式的連續(xù)性，語音識(shí)別芯片又可分為非連續(xù)語音識(shí)別和連續(xù)語音識(shí)別。

非連續(xù)語音識(shí)別芯片

對(duì)于非連續(xù)語音來說，識(shí)別所說的每一個(gè)字必須分開辨認(rèn)，要求說完每個(gè)字后都要停頓。

連續(xù)語音識(shí)別芯片

連續(xù)語音識(shí)別可以一般自然流利的說話方式來進(jìn)行人性化的語音識(shí)別，但由于關(guān)系到相連音的問題，很難達(dá)到好的辨認(rèn)效果。