實時語音識別系統(tǒng)在家庭監(jiān)護(hù)機器人的實現(xiàn)

郭志強，徐麗娜

（吉林大學(xué) 珠海學(xué)院，廣東 珠海 519000）

語音是人類最常用的交流方式，也是人類和計算機交流最渴望的方式[1]。因此用語音同計算機交流也成為了最近研究的熱點，計算機對語音的理解是計算機科學(xué)中的一個引人入勝的、富有挑戰(zhàn)性的課題[2]。

進(jìn)入90年代，隨著多媒體時代的來臨，迫切要求語音識別系統(tǒng)從實驗室走向?qū)嵱?。許多發(fā)達(dá)國家如美國、日本、韓國以及IBM、Apple、AT&T、NTT等著名公司都為語音識別系統(tǒng)的實用化開發(fā)研究投以巨資。IBM公司于1997年開發(fā)出漢語ViaVoice語音識別系統(tǒng)，次年又開發(fā)出可以識別上海話、廣東話和四川話等地方口音的語音識別系統(tǒng)ViaVoice’98。目前市場上已經(jīng)出現(xiàn)了語音識別電話、語音識別記事本等產(chǎn)品，如美國VPTC公司的Voice Organizer和法國的Parrot等[3]。

我國語音識別研究工作開始的較晚，但近年來發(fā)展得很快，一直緊跟國際水平，國家也很重視，并把大詞匯量語音識別的研究列入“863”計劃，由中科院聲學(xué)所、自動化所、清華大學(xué)電子工程系及北京大學(xué)等單位研究開發(fā)，取得了高水平的科研成果，如中科院自動化所研制的非特定人、連續(xù)語音聽寫系統(tǒng)和漢語語音人機對話系統(tǒng)，其字準(zhǔn)確率或系統(tǒng)響應(yīng)率可達(dá)90%以上[4]。鑒于中國未來龐大的市場，國外也非常重視漢語語音識別的研究。美國、新加坡等地聚集了一批來自大陸、臺灣、香港等地的學(xué)者，研究成果已達(dá)到相當(dāng)高水平。

1 系統(tǒng)設(shè)計

文中是家庭監(jiān)護(hù)機器人項目中的語音識別系統(tǒng)設(shè)計部分，設(shè)計目的是設(shè)計出一種可以識別語音的、協(xié)助監(jiān)護(hù)家庭行動不方便人員的機器人。為實現(xiàn)該語音識別系統(tǒng)，設(shè)計了語音識別系統(tǒng)總體結(jié)構(gòu)框圖，如圖1所示。

圖1 系統(tǒng)總體結(jié)構(gòu)框圖Fig.1 Overall structure of system

1.1 硬件設(shè)計

文中所研究和設(shè)計的功能，都是應(yīng)用在移動機器人上的。因而系統(tǒng)的研究設(shè)計需要考慮到體積小、省電、便于移動的特性，并需具有便于家庭用戶操作的友好顯示界面。對于語音識別部分，需要用到用于語音識別算法處理的處理器、語音采集電路和語音輸出電路，如圖2所示。其中語音識別算法運算的處理器主要負(fù)責(zé)算法的運算處理，相當(dāng)于機器人的大腦；語音采集電路負(fù)責(zé)采集外部的聲音信號，相當(dāng)于機器人的耳朵；語音輸出電路負(fù)責(zé)輸出話語聲音，相當(dāng)于機器人的嘴巴。

圖2 系統(tǒng)硬件結(jié)構(gòu)圖Fig.2 Structure diagram of the hardware system

1）語音識別算法處理器選擇

根據(jù)系統(tǒng)設(shè)計功能的要求，目前常用的語音識別芯片種類一般有：單片機（MCU）、DSP 和 SoC（System on Circuit）。 考慮到普通單片機（MCU）資源的緊缺及運行速度較慢的缺點，因而在本系統(tǒng)設(shè)計將不考慮使用單片機（MCU）作為語音識別的處理器。DSP包含用作數(shù)字信號處理的專用部件，運算能力強、精度高，但目前DSP的價格比較高，同時考慮到本系統(tǒng)的特性，需要選擇一種既有較強的運算能力，合適于語音識別的功能，并且能實現(xiàn)較好的用戶操作界面，并帶有文件系統(tǒng)（用于識別地圖）的功能，因而選擇DSP并不是明智之舉。目前Texas Instruments公司新推出的一款芯片OMAP3530，它具有雙內(nèi)核ARM CortexTM-A8的內(nèi)核和TMS320C64+TM DSP內(nèi)核，屬于高性能的OMAP35x架構(gòu)系列產(chǎn)品，滿足了系統(tǒng)設(shè)計的各種功能特性要求。

2）語音編解碼芯片選擇

機器人選擇一款合適的語音處理芯片是非常重要的。考慮到系統(tǒng)中用到了各種電源，并需要對電源進(jìn)行管理，因此選擇TI公司配套的TPS65930芯片來作為系統(tǒng)語音識別部分的音頻編解碼處理功能的硬件平臺是非常合適的。該芯片是一個集成了電源管理、ADC、嵌入式電源控制（EPC）、全功能的音頻編解碼器于一體的芯片，滿足了系統(tǒng)所有電源管理和音頻編解碼的需要，為設(shè)計的PCB板節(jié)省了空間，同時減少了多電源硬件設(shè)計的負(fù)責(zé)布線煩惱。

3）電路設(shè)計

本文的設(shè)計是用在移動機器人上的，因而需要語音的輸入、識別處理及語音輸出的功能。對于語音的輸入采集，本文使用聲音傳感器麥克風(fēng)及外圍電路來實現(xiàn)。對于語音輸出部分，使用功率放大器結(jié)合喇叭來使用。設(shè)計語音部分原理圖如圖3所示。

1.2 軟件設(shè)計

HTK （Hidden Markov Model Toolkit） 是一套專門的建立和處理隱馬可夫模型（HMMs）的實驗工具包[5]，由英國劍橋大學(xué)工程系 （Cambridge University Engineering Department，CUED）開發(fā)的，主要應(yīng)用于語音識別領(lǐng)域，也可以應(yīng)用于語音合成、字符識別和DNA排序等研究領(lǐng)域。HTK經(jīng)過劍橋大學(xué)、Entropic公司及 Microsoft公司的不斷增強和改進(jìn)，使其在語音識別領(lǐng)域處于世界領(lǐng)先水平。

基于HTK的語言識別時，識別結(jié)果適用只能顯示在DOS或終端上，而且不利于將結(jié)果保存、移植或者二次開發(fā)利用[6]。在本語音識別系統(tǒng)中使用了HTK接口工具ATK（An Application Toolkit for HTK）。ATK是由英國劍橋大學(xué)開發(fā)的開源語音識別工具，是對HTK的C++多線程封裝，跟HTK一樣，它支持 Linux 和 Windows[7]，它包括 HTK（HTKLib）、AHTK、AGram、ANGram、ADict、AHMMs、AResource、ARMan、ARec、ACode、ASource、ATee、AComponent、ABuffer、APacket、Asyn、FLite（SYNLib）、ALog 模塊部件。

基于ATK的語音識別軟件應(yīng)用系統(tǒng)的由語音信號采集模塊、基于DMA的雙向高速RAM存取模塊、ATK語音識別模塊、系統(tǒng)管理模塊、語音輸出模塊等模塊組成，如圖4所示。

圖4 系統(tǒng)軟件設(shè)計結(jié)構(gòu)圖Fig.4 Schematic diagram of the software system

在軟件設(shè)計中，系統(tǒng)管理模塊主要負(fù)責(zé)系統(tǒng)的總體管理調(diào)度，是應(yīng)用系統(tǒng)的調(diào)度中心；語音信號采集模塊主要負(fù)責(zé)控制數(shù)據(jù)采集芯片TPS65930；基于DMA的雙向RAM存取模塊主要負(fù)責(zé)實現(xiàn)DMA驅(qū)動及雙向RAM的讀寫存取，使用了通道1來實現(xiàn)高速地把語音信號采集到的數(shù)據(jù)存儲到RAM上，并使用通道2實現(xiàn)高速地把RAM的數(shù)據(jù)取出來，用于語音的識別；語音輸出模塊主要負(fù)責(zé)把相應(yīng)的音頻數(shù)據(jù)送到TPS65930，并控制TPS65930對接收到的音頻解碼輸出到功放電路，實現(xiàn)語音輸出的功能。軟件的設(shè)計流程圖如圖5所示。

2 語音識別系統(tǒng)實驗及結(jié)果

圖5 軟件設(shè)計流程Fig.5 Flow chart of the software design

文中設(shè)計的語音識別系統(tǒng)如圖6所示。在實驗中總共進(jìn)行了3輪話語測試，每輪300句話語測試，其中150句為家庭監(jiān)護(hù)機器人需要識別的話語，150句話語為機器人不予置理的無關(guān)話語。本系統(tǒng)只設(shè)置10個需要識別的話語，由15名學(xué)生分別讀音進(jìn)行測試。同時對無關(guān)話語也是由該15名學(xué)生，每人10句分別隨機讀音測試。從顯示結(jié)果可以看出，第1輪中，先測試的150句無關(guān)話語中，能正確識別出無關(guān)話語數(shù)為150句，識別出無關(guān)話語率為100%，但對需識別的話語中，正確識別出148句，2句識別出錯，識別率為98.67%；在第2輪中，同樣先測試的150句無關(guān)話語中，能正確識別出無關(guān)話語數(shù)為150句，識別出為無關(guān)話語率為100%，但對需識別的話語中，正確識別出142句，8句識別出錯，識別率為94.67%；在第3輪中，同樣先測試的150句無關(guān)話語中，能正確識別出無關(guān)話語數(shù)為150句，識別出無關(guān)話語率為100%，但對需識別的話語中，正確識別出146句，識別率為97.33%。在3輪測試中，系統(tǒng)都能實時響應(yīng)所有語句，未出現(xiàn)漏句現(xiàn)象。并且在實驗測試的過程中，系統(tǒng)的響應(yīng)速度都非常快，感觀上沒有時間延遲，與真人交流速度相當(dāng)。

從實驗測試結(jié)果可看出，對于識別10個需要識別的話語的識別率高達(dá)94.67%以上，具有較高的識別率，因而該語音識別系統(tǒng)較好達(dá)到了家庭監(jiān)護(hù)機器人使用的要求。

圖6 系統(tǒng)實驗界面Fig.6 Interface chart of the system

3 結(jié) 論

文中通過DSP、DMA和ARM Cortex-A8的并行處理，利用雙緩沖的方法，在嵌入式Linux上實現(xiàn)了基于ATK的實時語音識別系統(tǒng)。該系統(tǒng)可以實時地實現(xiàn)語音識別，具有較高識別率，較快的響應(yīng)速度。可以應(yīng)用在家庭監(jiān)護(hù)機器人及其相關(guān)領(lǐng)域中。

[1]楊行峻，遲惠生.語音信號數(shù)字處理[M].北京：電子工業(yè)出版社，1995.

[2]蔡蓮紅，黃德智.現(xiàn)代語音技術(shù)基礎(chǔ)與應(yīng)用[M].北京：清華大學(xué)出版社，2003.

[3]何湘智.語音識別的研究與發(fā)展 [J].計算機與現(xiàn)代化，2002（3）：3-6.

HE Xiang-zhi.The research and development of speech recognition[J].Computer and Modernization，2002（3）：3-6.

[4]王炳錫，屈丹，彭煊，等.實用語音識別基礎(chǔ)[M].北京：國防工業(yè)出版社，2005.

[5]Young S，Evermann G，Gales M，et al.The HTK Book （for HTK Version3.4） [EB/OL].[2009-03]http：//htk.eng.cam.ac.uk/.

[6]饒耀全，吳小培，呂釗.基于HTK的漢語語音售票系統(tǒng)的設(shè)計與實現(xiàn)[J].工業(yè)控制計算機，2010，23（10）：58-61.

RAO Yao-quan，WU Xiao-pei，LV Zhao.HTK based Chinese speech ticketing system design and implementation[J].Industrial Control Computer，2010，23（10）：58-61.

[7]ATK_Manual.pdf[EB/OL]. （2011） http：//htk.eng.cam.ac.uk/develop/atk.shtml.