家電遙控器中的那些語音識別技術(shù)盤點

介紹一種適合家電遙控器應(yīng)用的語音識別算法，該算法使用雙模塊和兩級端點檢測方法，能有效地提高識別和穩(wěn)健性；介紹利用該技術(shù)實現(xiàn)的一種新型學(xué)習(xí)型遙控器，展現(xiàn)了語音識別技術(shù)在家電領(lǐng)域的廣闊前景。 關(guān)鍵詞：語音識別 DTW FED FRED 學(xué)習(xí)型遙控器 家用電器發(fā)展的一個重要方面是讓用戶界面更加人性化，更加方便自然，做到老年人和殘疾人可以無障礙地使用。利用語音識別技術(shù)實現(xiàn)語音控制是提高家電產(chǎn)品用戶界面質(zhì)量的一條重要途徑。

本文以語音控制遙控器為例，說明語音識別技術(shù)如何應(yīng)用在家電器領(lǐng)域。 適合家用電器應(yīng)用的語音識別嵌入式系統(tǒng)結(jié)構(gòu)如圖1所示，它由四個部分組成。第一部分為模/數(shù)轉(zhuǎn)換部分，其輸入端接收輸入的語音信號，并將其轉(zhuǎn)化成數(shù)字芯片可處理的數(shù)字采集信號；在輸出端將解碼后的語音數(shù)字信號轉(zhuǎn)換為音頻模擬信號，通過揚(yáng)聲器放聲。第二部分為語音識別部分，它的作用是對輸入的數(shù)字語音詞條信號進(jìn)行分析，識別出詞條信號所代表的命令，一般由DSP完成。第三部分語音提示和語音回放部分，它一般也是在DSP中完成的，其核心是對語音信號進(jìn)行數(shù)字壓縮編碼和解碼，目的是提示用戶操作并對識別語音的響應(yīng)，完成人機(jī)的語音交互。第四部分是系統(tǒng)控制部分，它將語音識別結(jié)果轉(zhuǎn)換成相應(yīng)的控制信號，并將其輸出轉(zhuǎn)換成物理層操作，完成具體功能。語音識別與系統(tǒng)控制的有機(jī)結(jié)合是完成聲控交互的關(guān)鍵，下面將對語音識別算法及遙控系統(tǒng)控制部分作詳細(xì)的討論。

1 語音識別算法 目前，常以單片機(jī)（MCU）或DSP作炎硬件平臺的實現(xiàn)消費類電子產(chǎn)品中的語音識別。這類語音識別主要為孤立詞識別，它有兩種實現(xiàn)方案：一種是基于隱含馬爾科夫統(tǒng)計模型（HMM）框架的非特定人識別；另一種是基于動態(tài)規(guī)劃（DP）原理的特定人識別。它們在應(yīng)用上各有優(yōu)缺點。HMM非特定人員的優(yōu)點是用戶無需經(jīng)過訓(xùn)練，可以直接使用；并且具良好的穩(wěn)定性（即對使用者而言，語音識別性能不會隨著時間的延長而降低）。但非特定人語音識別也有其很難克服的缺陷。首先，使用該方法需要預(yù)先采集大量的語料庫，以便訓(xùn)練出相應(yīng)的識別模型，這就大大提高了應(yīng)用此技術(shù)的前期成本；其次，非特定人語音識別很難解決漢語中不同方言的問題，限制了它的使用區(qū)域；另外還有一個因素也應(yīng)予以考慮，家電中用于控制的具體命令詞語最好不要完全固定，應(yīng)當(dāng)根據(jù)的用戶的習(xí)慣而改變，這一點在非特定人識別中幾乎不可能實現(xiàn)。因此大多數(shù)家電遙控器不適合采用此方案。

DP特定人識別的優(yōu)點是方法簡單，對硬件資源要求較低；此外，這一方法中的訓(xùn)練過程也很簡單，不需預(yù)先采集過多的樣本，不僅降低了前期成本，而且可以根據(jù)用戶習(xí)慣，由用戶任意定義控制項目的具體命令語句，因而適合大多數(shù)家電遙控器的應(yīng)用。DP特定識別的嚴(yán)重缺點是它的穩(wěn)健性不理想，對有些人的語音識別率高，有的人識別率卻不高；剛訓(xùn)練完時識別率較高，但隨著時間的推遲而識別率降低。些缺點往往給用戶帶來不便。為克服這些缺陷，對傳統(tǒng)方法作為改進(jìn)，使識別性能和穩(wěn)健性都有顯著的提高，取得令人滿意的結(jié)果。 1.1 端點檢測方法 影響孤立詞識別性能的一個重要因素是端點檢測準(zhǔn)確性。在10個英語數(shù)字的識別測試中，60毫秒的端點誤差就使識別率下降3%。

對于面向消費類應(yīng)用的語音識別芯片系統(tǒng)，各種干擾因素更加復(fù)雜，使精確檢測端點問題更加困難。為此，提出了稱為FRED（Frame-based Readl_time Endpoint Detection）算法[3]的兩級端點檢測方案，提高端點檢測的精度。第一級對輸入語音信號，根據(jù)其能量和過零率的變化，進(jìn)行一次簡單的實時端點檢測，以便去掉靜音得到輸入語音的時域范圍，并且在此基礎(chǔ)上進(jìn)行頻譜特征提取工作。第二級根據(jù)輸入語音頻譜的FFT分析結(jié)果，分別計算出高頻、中頻和低頻段的能量分布特性，用來判別輕輔音、濁輔音和元音；在確定了元音、濁音段后，再向前后兩端擴(kuò)展搜索包含語音端點的幀。FRED端點檢測算法根據(jù)語音的本質(zhì)特征進(jìn)行端點檢測，可以更好地適應(yīng)環(huán)境的干擾和變化，提高端點檢測的精度。 在特定人識別中，比較了常用的FED（Fast Endpoint Detection）[5]和FRED兩種端點檢測算法的性能。兩種算法測試使用相同的數(shù)據(jù)庫，包括7個人的錄音，每個人說100個人名，每個人名讀3遍。測試中的DP模板訓(xùn)練和識別算法為傳統(tǒng)的固定端點動態(tài)時間伸縮（DTW）模板匹配算法[4]。兩種端點檢測算法的識別率測試結(jié)果列在表1中。 表1 比較FED和FRED端點檢測算法對DTW模板匹配識別率的影響 端點檢測算法第1人第2人第3人第4人第5人第6人第7人平均 FED 92.5% 87% 92.6% 95.6% 96.2% 96.8% 100% 94.4% FRED 94.3% 89.9% 93.2% 99.4% 99.4% 98.8% 100% 96.4% 測試結(jié)果說明：使用FRED端點檢測算法，所有說話人的識別率都有了不同程度的提高。因此，本系統(tǒng)采用這種兩級端點檢測方案。 1.2 模擬匹配算法 DTW是典型的DP特定人算法，為了克服自然語速的差異，用動態(tài)時間規(guī)整方法將模板特征序列和語音特征序列進(jìn)行匹配，比較兩者之間的失真，得出識別判決的依據(jù)。 假設(shè)存儲的一個詞條模板包括M幀倒譜特征R={r(m);m=1,2,∧,M}；識別特征序列包括N幀倒譜特征T={t(n);n=1,2, ∧,N}。在r(i)和t(i)之間定義幀局部失真D(i,j),D(i,j)=|r(i)-t(i)| 2，通過動態(tài)規(guī)劃過程，在搜索路徑中找到累積失真最小的路徑，即最優(yōu)的匹配結(jié)果。采用對稱形式DTW： 其中S(i,j)是累積失真,D（i,j）是局部失真。 當(dāng)動態(tài)規(guī)劃過程計算到固定結(jié)點（N，M）時，可以計算出該模板動態(tài)匹配的歸一化距離，識別結(jié)果即該歸一化距離最小的模板詞條：x=argmin{S(N,Mx)}。 為了提高DTW識別算法的識別性能和模板的穩(wěn)健性，提出了雙模板策略，即x=argmin{S(N,M2x)}。第一次輸入的訓(xùn)練詞條存儲為第一個模板，第二次輸入的相同訓(xùn)練詞條存儲為第二個模板，希望每個詞條通過兩個較穩(wěn)健的模板來保持較高的識別性能。與上面測試相同，也利用7個人說的100個人名，每個人名含3遍的數(shù)據(jù)庫，比較DTW單模板和雙模板的性能差別，結(jié)果更在表2中。 表2 DTW不同模板數(shù)的識別率比較 DTW 第1人第2人第3人第4人第5人第6人第7人平均 單模板 94.3% 89.9% 93.2% 99.4% 99.4% 98.8% 100% 96.4% 雙模板 99.4% 96.6% 98.5% 100% 100% 98.8% 100% 99.0% 測試結(jié)果說明：通過存儲兩個模板，相當(dāng)大地提高了DTW識別的性能，其穩(wěn)健性也有很大的提高。因此，對特定人識別系統(tǒng)，采用DTW雙模板是簡單有效的策略。

綜上所述，該嵌入式語音識別芯片系統(tǒng)采用了改進(jìn)端點檢測性能的FRED算法，12階Mel頻標(biāo)倒譜參數(shù)（MFCC）作為特征參數(shù)，使用雙模板訓(xùn)練識別策略。通過一系列測試，證明該系統(tǒng)對特定人的識別達(dá)到了很好的識別性能，完全可以滿足家用電器中聲控應(yīng)用的要求。 2 語音控制遙控器設(shè)計 目前家用遙控器主要為按鍵式，并有兩種類型：一種是固定碼型，每個鍵對應(yīng)一種或幾種碼型，都是生產(chǎn)廠家預(yù)先設(shè)定好的，用戶不能更改；另一種是學(xué)習(xí)型，具有自我學(xué)習(xí)遙控碼的功能，可由用戶定義遙控器的每個鍵對應(yīng)的碼型，它能夠?qū)⒍喾N遙控器集于一身，用一個遙控器就可控制多個

家電，又可以作為原配遙控器的備份。由于現(xiàn)代家電功能不斷增加，上述兩種遙控器都有按鍵過多，用戶不易記住每個鍵的含義等問題。將語音識別技術(shù)應(yīng)用于學(xué)習(xí)型遙控器，利用語音命令代替按者對命令的記憶和使用，同時省去了大量按鍵，縮小了遙控器的體積。 語音控制遙控器的硬件框圖如圖2所示，它由兩個獨立的模塊組成：語音信號處理模塊和系統(tǒng)控制模塊。 語音信號算是模塊由DSP、快閃存儲器（FLASH）、編解碼器（CODEC）組成。其中DSP是整個語音識別模塊的核心，負(fù)責(zé)語音識別、語音編解碼，以及FLASH的讀寫控制。DSP的優(yōu)點是運算速度快、內(nèi)存空間大、數(shù)據(jù)交換速度快，可用來實現(xiàn)復(fù)雜的算法，提高識別率，減小反應(yīng)延時，得到較高的識別性能。DSP芯片選用Analog Devices公司的AD2186L，它具有如下特點：①運算速度達(dá)40MIPS，且均為高效的單調(diào)周期指令；②提供了40K字節(jié)的片內(nèi)RAM，其中8K字（16Bit/字）為數(shù)據(jù)RAM，8K字（24Bit/字）為程序RAM，最大可達(dá)4兆字節(jié)的存儲區(qū)，用于存儲數(shù)據(jù)或程序；③3.3V工作電壓，具有多種省電模式。AD2186L既能完成與語音信號算是相關(guān)的算法，又適合使用電池作能源的遙控器。FLASH和CODEC也都選用3.3V工作電壓的芯片。

FLASH為美國ATMEL公司的AT29LV040A（4M Bit），它作為系統(tǒng)的存儲器，主要用于存放以下內(nèi)容：提示語音合成所需的參數(shù)，特定人訓(xùn)練后的碼本數(shù)據(jù)，DSP系統(tǒng)的應(yīng)用程序和學(xué)習(xí)和遙控碼數(shù)據(jù)。CODEC選用美國TI公司的TLV320AC37，用來進(jìn)行A/D、D/A變換、編碼和解碼。 系統(tǒng)控制模塊由單片機(jī)、紅外接收發(fā)送器、電源管理電路組成。單片機(jī)負(fù)責(zé)整個遙控器的系統(tǒng)控制。單片機(jī)作為主控芯片，進(jìn)行鍵盤掃描，根據(jù)用戶通過鍵盤輸入的指令，分別完成學(xué)習(xí)遙控碼；控制DSP進(jìn)行語音訓(xùn)練、回放、識別；將識別結(jié)果轉(zhuǎn)換成相應(yīng)的遙控碼，通過紅外發(fā)光管發(fā)射出去。單片機(jī)與DSP之間通過標(biāo)準(zhǔn)的RS232串行協(xié)議通訊。

系統(tǒng)的控制軟件流程圖如圖3所示。在使用前，按“學(xué)習(xí)鍵”進(jìn)入學(xué)習(xí)狀態(tài)，用戶先對學(xué)習(xí)型遙控器訓(xùn)練語音命令，并使其學(xué)習(xí)與各語音命令相對應(yīng)的原理控碼型。使用時按“識別鍵”，進(jìn)入語音識別狀態(tài)，等待語音處理模塊返回結(jié)果，若返回正確的識別結(jié)果，則把相應(yīng)的遙控碼發(fā)射出去。例如，原電視遙控器數(shù)字鍵“1”對應(yīng)中央1臺，用戶的訓(xùn)練命令為“中央1臺”，學(xué)習(xí)了原遙控器的數(shù)字鍵“1”的遙控碼，并使其與訓(xùn)練命令“中央1臺”對應(yīng)起來。于是使用時只需對著學(xué)習(xí)型遙控器的麥克風(fēng)說出“中央1臺”，電視就會切換到中央1臺。

這樣用戶不需要記住每個電視臺與臺號的對應(yīng)關(guān)系，相對于枯燥的頻道數(shù)字，用戶自定義的命令更容易記住。 若連續(xù)的30秒無正確的命令則遙控器進(jìn)入休眠狀態(tài)，單片機(jī)控制電源管理電路切換DSP和FLASH電源，單片機(jī)本身也進(jìn)入休眠狀態(tài)，直至用戶按鍵，喚醒單片機(jī)，再由單片機(jī)控制恢復(fù)DSP和FLASH供電，重新開始工作。這是因為整個系統(tǒng)中，DSP的功耗最大，長時間不用時，關(guān)閉語音信號處理模塊，可以顯著地降低整個系統(tǒng)的功耗。 從實驗室走向市場的過程中，可靠性與成本是遇到的最大挑戰(zhàn)。采用雙模板的DTW和兩組端點檢測FRED算法，可在系統(tǒng)資源和反應(yīng)延時增加極小的情況下，有效地提高識別率和穩(wěn)健性。該項技術(shù)成功地運用在學(xué)習(xí)型遙控器上，展現(xiàn)了語音識別技術(shù)在家電領(lǐng)域的廣闊前景。