实时语音识别系统中，由于语音的数据量大，运算复杂，对处理器性能提出了很高的要求，适于采用高速dsp实现。虽然dsp提供了高速和灵活的硬件设计，但是在实时处理系统中，还需结合dsp器件的结构及工作方式，针对语音处理的特点，对软件进行反复优化，以缩短识别时间，满足实时的需求。因此如何对dsp进行优化编程，解决算法的复杂性和硬件存储容量及速度之间的矛盾，成为实现系统性能的关键。本文基于tms320c6713设计并实现了高速实时语音识别系统，在固定文本的说话人辨识的应用中效果显著。

1 语音识别的原理

　　语音识别的基本原理框图如图1所示。语音信号中含有丰富的信息，从中提取对语音识别有用的信息的过程，就是特征提取，特征提取方法是整个语音识别系统的基础。语音识别的过程可以被看作足模式匹配的过程，模式匹配是指根据一定的准则，使未知模式与模型库中的某一模型获得最佳匹配。

1.1 mfcc

语音识别中对特征参数的要求是：

(1) 能够有效地代表语音特征；

(2) 各阶参数之间有良好的独立性；

(3) 特征参数要计算方便，保证识别的实时实现。

　　系统使用目前最为常用的mfcc(mel frequencycepstral coefficient，美尔频率倒谱系数)参数。

求取mfcc的主要步骤是：

(1) 给每一帧语音加窗做fft，取出幅度；

(2) 将幅度和滤波器组中每一个三角滤波器进行binning运算；

(3) 求log，换算成对数率；

(4) 从对数率的滤波器组幅度，使用dct变换求出mfcc系数。

　　本文中采用12阶的mfcc，同时加过零率和delta能量共14维的语音参数。

1.2 dtw

　　语音识别中的模式匹配和模型训练技术主要有dtw(dynamic time warping，动态时间弯折)、hmm(hidemarkov model，隐马尔科夫模型)和ann(artificial neu-ral network，人工神经元网络)。

　　dtw是一种简单有效的方法。该算法基于动态规划的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法。dtw算法的原理是计算两个长度不同的语音之间的相似程度，即失真距离。

　　设测试语音和参考语音用t和r表示，他们分别含有n帧和m帧的语音参数。本文中每帧语音的特征参数为14维，因此t，r分别为n×14和m×14的矩阵。把测试语音的各个帧号x=1～n在一个二维直角坐标系中的横轴上标出，把参考语音的各帧号y=1～m在纵轴上标出，通过这些表示帧号的整数坐标画出一些纵横线即可形成一个网格，网格中的每一个交叉点(x，y)表示测试模式中某一帧号与训练模式某一帧的交叉点，对应于两个14维向量的欧氏距离。dtw算法在于寻找一条通过此网格中若干交叉点的路径，使得该路径上节点的路径和最小。算法示意图如图3所示。

2 系统硬件环境

　　本系统的核心芯片为ti公司的32位浮点数字信号处理器tms320c6713。其时钟频率最高可达300 mhz，处理能力可以高达1 336 mips和1 000 mflops。由于256 kb的片上ram无法满足多路信号处理时的空间需求，系统通过emif(external memory interface，外部存储器接口)扩展了32 mb的外部sdram，并采用edma(external direct memory access，扩展的直接存储器访问)方式对这些外部空间进行访问。

　　tms320c6713有2个mcbsps(multi-channel buff-ered serial port，多通道缓冲串口)，每个mcbsp，可与多达128个通道进行收发。本系统中采用mcbsp0实现数字语音信号到dsp的输入，dsp进行实时判别后输出结果。

3 软件实现

　　由于tms320c6x系列的c语言编译器的效率可达汇编语言的70％～80％，并且c语言具有开发周期短、可维护性好、可移植性好、可继承性好等优点，所以软件采用c语言实现。

3.1 软件流程

　　测试中采用10个参考模板，每个模板由相应的参考语音中2 s的语音数据训练而成。识别策略为每路积累2 s的接收语音数据后与逐个参考模板进行匹配，如果经由dtw运算所得的距离值小于特定的门限，就判决已匹配。如果不匹配，就继续接收匹配，超过8 s匹配不上，就放弃。软件流程框图如图5所示，其中语音数据的采样率为8 000 hz，每帧取256个采样点，即32 ms的数据为一帧。

　　程序调试通过后，采用ccs对其实时性进行分析。ccs(code composer studio，代

上一篇：μC/OS-II中缩短中断关闭时间的方法

上一篇：基于DSP Builder的软件无线电调制器的设计与实现