1 語音識別片上系統概述

　　隨著數字信號處理技術的發展，語音識別片上系統已成為人們研究的熱點。然而，復雜的系統與硬件需求的矛盾，一定程度上限制了它的應用和推廣。本文針對上述問題，采用相應的識別策略［1］，合理安排算法流程，完成了高性能特定人與非特定人識別系統的片上實現。

　　2 硬件平臺

　　DSP選型時需綜合考慮運算速度、成本、功耗、硬件資源和程序可移植性等因素。本系統采用美國德州儀器（TI）生產的TMS320VC5507定點DSP作為核心處理器［2］，并配合使用PLL時鐘發生器、JTEG標準測試接口、異步通信串口、DMA控制器、通用輸入輸出GPIO端口以及多通道緩沖串口（McBSPs）等主要片內外設。系統硬件平臺如圖1所示。

　　VC5507 DSP芯片采用先進的多總線結構，內含64 K×16 bit的片上RAM和64 KB的ROM；片內可屏蔽ROM固化有引導轉載程序（Bootloader）和中斷向量表等；采用流水線結構提高指令執行的整體速度。與C54x系列DSP不同的是，VC5507DSP的存儲空間包括統一的數據、程序空間和I/O空間，尋址空間可達16 MB；片內包含兩個算術邏輯單元（ALUs），在最高時鐘頻率200 MHz下，指令周期可達5 ns，最高速度可達400 MIPS。

　　存儲器采用三菱公司生產的M5M29GB/T320VP系列Flash芯片。全片容量2 MW，分為128個扇區，通過外部存儲器接口（EMIF）方式與讀寫時序接入DSP；采用2.7 V～3.6 V單電源供電。該系列Flash支持塊編程操作［3］，讀寫速度要快得多，有利于實時性的改善。

　　基金項目：國家自然科學基金資助項目60572083

　　圖1 語音識別系統硬件框圖

　　A/D、D/A轉換器采用英國Wolfson公司生產的WM8973L芯片。該芯片支持16位A/D、D/A轉換，具有可編程輸入輸出增益控制，可通過軟件設置8～96 KHz的多種采樣頻率［4］。

　　3 軟件結構

　　3.1 系統概述

　　特定人識別系統采用12維MFCC參數作為識別引擎的特征參數，訓練與識別都是在片上實時實現的，系統框架如圖2（a）所示。在訓練階段，由片上實時提取每個詞條的特征參數存放到Flash中作為模板庫。在識別階段，將待識別詞條實時提取特征參數、端點檢測以后，利用動態時間規整（DTW）算法與模板庫中的所有模板進行匹配，選擇失真度最小的模板作為識別結果。當詞表改變時，只需調整Flash存儲方式，算法本身無需改動。

　　（a） 特定人系統

　　（b） 非特定人系統

　　圖2 識別系統框架

　　非特定人識別系統的輸入特征矢量為27維，包括12維MFCC、12維MFCC一階差分、一階對數能量、一階差分能量以及二階差分能量。系統以基于因素的CDHMM模型為基本識別框架，采用Viterbi解碼的幀同步搜索算法進行識別。HMM模型訓練事先在PC機上進行，而Viterbi搜索則在DSP芯片上實時實現，整個系統為雙層結構，如圖2（b）所示。

　　訓練階段主要完成如下任務：給定一個HMM模型和一組觀察矢量集合，采用迭代算法調整模型參數，使得新模型和給定的觀察矢量集合的似然度最大。首先用初始模型估計觀察矢量由隱含層所有可能的狀態序列輸出的后驗概率，然后根據前一步的估計結果，利用最大似然準則估計新的HMM模型，所得到的參數用作下一次迭代。識別階段采用Viterbi搜索，所構建的識別網絡包括狀態號和狀態連接關系等信息。為了減少網絡搜索的內存占用量，采用每個詞條單獨建立網絡的方法，使得每個詞條的搜索過程可在內存中獨立進行［5］。