基于STM32F1的孤立詞語語音識別

胡 凡，李維華，伏思達，覃家鴻，李忠憓

（合肥工業大學，合肥　230001）

語音識別的發展最早開始于上世紀50年代的貝爾實驗室，Davis等科學家研究出可以識別出10個英文數字的實驗裝置。60年代的一系列數字信號處理方法推動了語音識別的發展，如FFT。同時，伴隨著計算機技術的發展，語音識別逐漸從硬件工作轉移到軟件工作，這時的語音識別發展很快，但人們很快就意識到語音識別的困難加深。此后，70年代日本學著提出的動態時間規整技術（DTW）解決不等長語音的對整匹配問題，以及80年代提出的隱馬爾可夫模型法（HMM），都是現階段語音識別的重要算法。

1　硬件設計及預處理

1.1　音頻采集電路

首先是對于語音信號的采集，本系統使用電容式咪頭采集音頻，但MIC的輸出電壓只有幾毫伏到十幾毫伏，所以需要加放大電路，可采用三極管或者運放放大。本系統采用三極管阻容耦合二級放大電路，需要注意的是咪頭需要一個工作電壓，所以直接將VCC接到咪頭的正極，然后第一級的耦合電容設置為10uf，這個對三極管基極充電時間有影響，它和集電極的電阻一同構成了RC充電電路，且10uf的電容會把音頻信號耦合到基極上，咪頭采集到的信號控制在3.3V以內。單片機是無法識別模擬電信號的，所以需要用到A/D采樣；人說話的語音信號大多數有效信號集中在100HZ-3400HZ，所以根據香農采樣定理，只要A/D采樣頻率大于等于6800HZ即可，這對于我們STM32F1系列單片機來說是完全可以實現的，接著考慮A/D精度，STM32F1ZET6擁有1～3個12 位逐次逼近型的模擬數字轉換器，對于Vref=3.3v來說其最小誤差為0.8mv，這是完全可以接受的，這就實現了語音模擬信號的采樣量化。

1.2　高頻補償

經過研究，人的發生器官也相當于一個時變線性系統，在8000Hz以上頻率時，會有大約6dB/倍頻的頻率衰減，所以為了平滑頻率，需要對信號進行高頻預加重，即運用一個6dB/倍頻的一階數字濾波器。

1.3　分幀及加窗處理

很容易理解語音信號具有短時性，但從另一方面看，語音的形成過程與發音器官的運動密切相關的，且發生器官的運動比起聲音振動速度來說是緩慢的，所以在一個短時間范圍內可以認為其變化很小，借此，我們對語音信號進行短時分析（分幀），一般語音信號在10ms-30ms之間保持穩定，我們去每幀長度為20ms，且為了使語音信號的連續性，每一幀之間混疊窗長的一半；窗函數的選擇大致有矩形窗、漢寧窗、哈明窗等，而窗函數的選擇要求一般包含兩點：一是盡量減少窗函數的旁瓣高度，使能量集中在主瓣。二是主瓣寬度盡量窄，以獲得較陡的過渡帶；介于以上條件，我們選擇哈明窗。由于幀與幀連接處的信號因為加窗而弱化，如果沒有幀移，這部分信息就丟失了。

2　軟件設計

2.1　端點檢測

當系統接收到一段完整的語音信號時，去除語音段前后的噪聲對于我們語音參數提取具有重要意義。經研究，當我們在發出語音時，清音和濁音會不斷的出現，發現濁音的短時能量明顯比環境噪聲高，清音的短時平均過零率與環境噪聲也有明顯的區別，所以利用這個特性，設定短時能量和短時平均過零率的門限值，當某一幀的短時能量或短時平均過零率大于門限值，則可認為進入有效語音段，設定為語音起點，當某一幀的短時能量和短時平均過零率都小于門限值時，認為這是語音末點。

2.2　MFCC語音特征提取

在音頻信號的采集過程中，模擬信號通過 A/D 轉換后成為數字信號。數字信號為時域的信號，而一般信號分析的方法都是在頻域進行分析，所以需要通過傅里葉變換將時域信號轉變為頻域信號，然后提取其中能反映語音本質特征的參數來進行語音識別。進過幾十年的發展，語音特征提取算法大致有三類：

基于線性預測分析的提取方法（LPCC）、基于頻譜分析的提取方法（MFCC）、基于其他數字信號處理技術的特征分析方法，本系統采用基于頻譜分析的提取方法，Mel頻率倒譜頻系數MFCC。MFCC特征提取包含兩個關鍵步驟：一是轉化到梅爾頻率。二是進行倒譜分析。梅爾刻度和頻率的赫茲的關系如下：M=2595*log10（1+f/700），由公式可知道梅爾刻度和頻率之間是對數關系，低頻部分梅爾刻度的分辨率高，高頻部分梅爾刻度的分辨率低，這跟人耳的聽覺特性是相符的。所以對于有效語音段，進行離散傅里葉變化（DFT），將頻譜信號通過一組Mel尺度的三角形濾波器組，定義一個有M個濾波器的濾波器組，M通常取22-26。

各f（m）之間在赫茲軸上的間隔隨著m值的減小而縮小，隨著m值的增大而增寬，但在梅爾刻度卻是等距離。最后就是離散余弦變換，進行反傅里葉變換然后通過低通濾波器獲得最后的低頻信號，這樣能量會集中在低頻部分。每個三角濾波器會有一個輸出，通過以上計算實現了每幀數據從N（FFT點數）點到M點的降維，大大減小了計算量，減小了內存開銷、縮減了運算時間。

2.3　特征匹配算法

現階段，語音識別用到的模型匹配方法主要有動態時間規整（DTW）、隱馬爾可夫模型（HMM）和人工神經網絡。本系統用于孤立詞識別，相比較兩算法，HMM需要大量數據，復雜程度遠大于DTW，所以在孤立詞語音識別中，DTW 算法得到更廣泛的應用。筆者覺得，對于一個算法的理解，首先得從它的物理意義開始，在網上很多人的博客里都對這個算法有過通俗的解釋，并配以實例，在這我就不多加說明了。主要步驟為初始化矩陣，計算每個數據之間的“距離”，計算累計匹配距離，匹配距離最小的特征模板與輸入特征有最大的相似性。

這是在IDE平臺上模擬試驗的DTW算法：

3　嵌入式平臺上的算法設計

首先，一段短時語音信號長度大約為2s以內，我們以8khz的ADC采用頻率去采樣得到的最大點數為16000，因為STM32F1為12位ADC，所以每個點的數據相當于兩個字節，總的算來需要16000*2=32000字節，對于擁有64KB RAM的STM32F103ZET6來說在內存上是可以實現的。ST官方固件庫提供的16位、1024點FFT用時2.138 ms，20ms為一幀，算下來總共有100幀，也就是100次1024點的FFT計算，總用時就是213.8ms，加上其他地方的指令、算法運算時間，識別一個指令應該在0.5s以內。至于每幀20ms，按照8khz的采樣頻率只能得到160個點，采用1024點FFT則需要在尾部補864個零，因為由公式（delta f）=fs/N 補零可以提高頻率分辨率。且考慮到ADC采樣次數比較多，所以采集到的數據采用DMA的方式傳輸到設定的數組，這樣可以節省指令執行時間。從工程的初始化開始，先是設定單片機運行頻率（72MHZ），延時函數初始化（SysTick），ADC、DMA、按鍵函數部分以及需要用到的引腳的初始化，main（）中的主要為一個按鍵函數來實現何時進行模板訓練，何時進行語音識別。工程的主要部分為端點檢測、MFCC語音特征提取、以及特征提算DTW的代碼實現。想著重提出來說的是DTW算法，算法基于動態規劃（DP）的思想，用于于長度不等的序列如何匹配。直接的理解，是warping一個序列后可以與另一個序列重合。這個時候兩個序列中所有對應點的距離之和是最小為零。所以從直觀上理解，warping的正確性一般指每一個相對應的特征點的對齊，我想這也是動態時間規整算法的核心。這個解釋應該很宏觀，理解了物理意義，這個算法也變的簡單起來。

對于它的起源（DP）我們不去過多的訴說，而它廣闊的應用前景，結合cpp面向對象的特性，我想我們可以把這個warping運用的很只能，就像對于人的情感、關系，將兩個人綜合特征的顯現進行“匹配”，或是兩代人之間的種種特征（貌似很像DNA檢測，不過一個是唯物，一個是格物），這是對“對象”的一個小小改變。

[1]董辰輝，彭雪峰.MATLAB 2008 全程指南.北京：電子工業出版社[M]，2009 年 3 月 .

[2]張雪英.數字語音處理及 MATLAB 仿真.北京：電子工業出版社[M]，2011年 7 月 .

[3]宋知用.MATLAB在語音信號分析與合成中的應用.北京：北京航空航天大學出版社[M]，2013 年 11 月.

[4]顧亞強.非特定人語音識別關鍵技術研究[J].國防科技大學碩士學位論文，2009 年 11 月 .

[5]徐科軍，黃云志，林逸榕，陳強.信號分析處理（第二版）.北京：清華大學出版 [M]，2006 年 4 月 .

[6]汪冰.小詞匯非特定人的孤立詞語音識別系統的研究與設計[J].廣東工業大學碩士學位論文，2008 年 5 月.