3.2 語音傳輸與中斷程序設計

　　受硬件條件限制，系統(tǒng)的多任務調度是由中斷服務機制完成的。除了Reset和非屏蔽中斷（NMI）外，還設置了兩個DMA通道中斷。其中DMA通道2負責將麥克風錄制的語音數(shù)據(jù)送至DSP內核進行運算處理；DMA通道3負責將回放語音數(shù)據(jù)傳送至揚聲器輸出。

　　在內存中，分別設有兩個128 W的接收緩沖區(qū)和發(fā)送緩沖區(qū)。以接收端為例，對于8 kHz采樣語音，每0.125 ms接收一個16 bits的采樣數(shù)據(jù)，存入其中一個接收緩沖區(qū)中。16 ms后，該接收緩沖區(qū)滿，由DMA控制器向CPU發(fā)出中斷請求，進行VAD、特征提取等操作。與此同時，另一個接收緩沖區(qū)繼續(xù)接收語音數(shù)據(jù)。這種數(shù)據(jù)傳輸方式又稱為Ping-Pong傳輸，接收和發(fā)送分別設置兩個緩沖區(qū)，利用等待時隙，當其中一個緩沖區(qū)數(shù)據(jù)傳輸完成，產生中斷時，另一緩沖區(qū)繼續(xù)工作。這種雙緩沖區(qū)傳輸方式可以明顯改善系統(tǒng)實時性能。

　　3.3 端點檢測

　　輸入到硬件平臺的語音信號前后經常含有大量靜音或噪聲。出于節(jié)省硬件資源的考慮，需要引入端點檢測算法。為了兼顧實時性能和硬件資源占用率，并防止語音切分過嚴而影響識別性能，采用基于循環(huán)緩沖技術的四階段語音實時檢測方法，將每幀語音能量與閾值相比較，同時依次存入長度為 的循環(huán)緩沖區(qū)并記錄當前位置。算法流程如圖3所示，其中 、 、 、 、 為事先設定的閾值，它們是通過大量測試得到的。當檢測到連續(xù) 幀語音能量高于閾值時，將循環(huán)緩沖區(qū)從當前位置斷開，倒退 幀作為語音起始點。

　　（a） 端點檢測基本流程

　　（b） 循環(huán)緩沖區(qū)設計

　　圖3 基于循環(huán)緩沖區(qū)的端點檢測流程

　　3.4 特定人識別系統(tǒng)的特征提取與DTW模板匹配

　　實驗表明，采用12維MFCC系數(shù)作為特征參數(shù)，既可以節(jié)省內存空間，又不會對識別率造成很大影響。每幀語音特征參數(shù)在內存數(shù)據(jù)空間中連續(xù)存放。采取動態(tài)時間規(guī)整（DTW）算法，其本質是一種寬度優(yōu)先的模板匹配過程，即將待識別詞條的特征矢量序列與每個模板進行比較，找到一條總失真度最小的路徑作為識別結果［6］。DTW算法簡單，計算量小，占用內存小，可以解決語速不均勻的問題，適用于特定人小詞匯量的孤立詞識別系統(tǒng)。

　　3.5 非特定人識別系統(tǒng)的多級Viterbi搜索與硬件資源消耗分析

　　非特定人識別基線系統(tǒng)難于在片上實現(xiàn)的瓶頸在于識別時間過長。事實上，如果聲學模型構造合理，絕大多數(shù)錯誤結果的似然度往往與正確結果相差較遠。因此，本系統(tǒng)采用的基于Viterbi解碼的兩階段搜索策略，可以很大程度上緩解識別時間過長的問題。

　　第一階段為快速匹配階段。利用較為簡單的208個狀態(tài)的單音子聲學模型，給出匹配程度最高的前Nbest個候選詞條，送入第二階段。第一階段所占用的主要內存空間有：詞條的所有特征，在使用27維特征，最大有效語音長度為128幀情況下，需要6.8 KB；輸出分數(shù)矩陣，其大小由最大有效語音長度和模型數(shù)量決定，是內存開銷最主要的部分，在這里需要占用約62 KB的內存；所有詞條的對數(shù)似然度，200詞的情況下為0.8 KB。

　　第二階段為精確匹配階段，采用較復雜的358狀態(tài)雙音子模型，根據(jù)第一階段候選詞條構建新的識別網絡，進行搜索識別。為了節(jié)約內存占用量，設定第一階段候選詞條數(shù)量的上限為8，這樣，第二階段可能出現(xiàn)的有效狀態(tài)數(shù)量不會超過208個，從而可以使占用內存最大的輸出概率矩陣復用第一階段輸出概率矩陣所占用的那段內存，提高內存使用效率［7］。

　　4 實驗結果

　　錄音環(huán)境為辦公環(huán)境，8 kHz采樣，16 bit量化，每個詞條最大持續(xù)時間為2 s，端點檢測的循環(huán)緩沖區(qū)長度 =7 W。特定人識別系統(tǒng)的測試語音為本實驗室自錄的100個孤立詞人名詞表，識別結果如表1所示。非特定人識別系統(tǒng)的訓練集為863男生連續(xù)語音數(shù)據(jù)，測試語音為200詞的人名詞表。第一階段多候選識別結果如圖4所示。可見，雖然一候選的識別率不足94％，但隨著候選詞條數(shù)的增加，正確識別結果幾乎都包含在第一階段前幾選的識別結果中。本文選用的八候選策略的識別率可以達到99.5％。系統(tǒng)最終識別結果如表2所示，識別率僅從基線系統(tǒng)的98.5％下降到97.5％，而識別時間僅為基線系統(tǒng)的30％。

　　圖4 非特定人系統(tǒng)第一階段多候選識別率

　　5 結論

　　本文提出了一種基于定點DSP的特定人與非特定人語音識別片上系統(tǒng)的實現(xiàn)方法。通過降低特征維數(shù)，改進語音預處理與識別算法等手段，在保證識別性能的前提下，實現(xiàn)了硬件資源的高效率利用。在運算速度為288 MIPS，工作時鐘為144 MHz的條件下，特定人與非特定人識別系統(tǒng)識別率分別為98%與97.5％，識別時間分別為0.13倍實時和0.34倍實時。

　　本文的創(chuàng)新點在于：采用基于循環(huán)緩沖技術的四階段實時端點檢測算法，以及基于雙緩沖區(qū)的語音傳輸方式，在核心識別算法的處理中，選擇合適的特征維數(shù)，合理優(yōu)化識別算法流程，在保證識別性能不受影響的前提下，有效改善了硬件資源占用率與系統(tǒng)實時性能。