基于STM32F1的孤立词语语音识别

胡 凡，李维华，伏思达，覃家鸿，李忠憓

（合肥工业大学，合肥　230001）

语音识别的发展最早开始于上世纪50年代的贝尔实验室，Davis等科学家研究出可以识别出10个英文数字的实验装置。60年代的一系列数字信号处理方法推动了语音识别的发展，如FFT。同时，伴随着计算机技术的发展，语音识别逐渐从硬件工作转移到软件工作，这时的语音识别发展很快，但人们很快就意识到语音识别的困难加深。此后，70年代日本学着提出的动态时间规整技术（DTW）解决不等长语音的对整匹配问题，以及80年代提出的隐马尔可夫模型法（HMM），都是现阶段语音识别的重要算法。

1　硬件设计及预处理

1.1　音频采集电路

首先是对于语音信号的采集，本系统使用电容式咪头采集音频，但MIC的输出电压只有几毫伏到十几毫伏，所以需要加放大电路，可采用三极管或者运放放大。本系统采用三极管阻容耦合二级放大电路，需要注意的是咪头需要一个工作电压，所以直接将VCC接到咪头的正极，然后第一级的耦合电容设置为10uf，这个对三极管基极充电时间有影响，它和集电极的电阻一同构成了RC充电电路，且10uf的电容会把音频信号耦合到基极上，咪头采集到的信号控制在3.3V以内。单片机是无法识别模拟电信号的，所以需要用到A/D采样；人说话的语音信号大多数有效信号集中在100HZ-3400HZ，所以根据香农采样定理，只要A/D采样频率大于等于6800HZ即可，这对于我们STM32F1系列单片机来说是完全可以实现的，接着考虑A/D精度，STM32F1ZET6拥有1～3个12 位逐次逼近型的模拟数字转换器，对于Vref=3.3v来说其最小误差为0.8mv，这是完全可以接受的，这就实现了语音模拟信号的采样量化。

1.2　高频补偿

经过研究，人的发生器官也相当于一个时变线性系统，在8000Hz以上频率时，会有大约6dB/倍频的频率衰减，所以为了平滑频率，需要对信号进行高频预加重，即运用一个6dB/倍频的一阶数字滤波器。

1.3　分帧及加窗处理

很容易理解语音信号具有短时性，但从另一方面看，语音的形成过程与发音器官的运动密切相关的，且发生器官的运动比起声音振动速度来说是缓慢的，所以在一个短时间范围内可以认为其变化很小，借此，我们对语音信号进行短时分析（分帧），一般语音信号在10ms-30ms之间保持稳定，我们去每帧长度为20ms，且为了使语音信号的连续性，每一帧之间混叠窗长的一半；窗函数的选择大致有矩形窗、汉宁窗、哈明窗等，而窗函数的选择要求一般包含两点：一是尽量减少窗函数的旁瓣高度，使能量集中在主瓣。二是主瓣宽度尽量窄，以获得较陡的过渡带；介于以上条件，我们选择哈明窗。由于帧与帧连接处的信号因为加窗而弱化，如果没有帧移，这部分信息就丢失了。

2　软件设计

2.1　端点检测

当系统接收到一段完整的语音信号时，去除语音段前后的噪声对于我们语音参数提取具有重要意义。经研究，当我们在发出语音时，清音和浊音会不断的出现，发现浊音的短时能量明显比环境噪声高，清音的短时平均过零率与环境噪声也有明显的区别，所以利用这个特性，设定短时能量和短时平均过零率的门限值，当某一帧的短时能量或短时平均过零率大于门限值，则可认为进入有效语音段，设定为语音起点，当某一帧的短时能量和短时平均过零率都小于门限值时，认为这是语音末点。

2.2　MFCC语音特征提取

在音频信号的采集过程中，模拟信号通过 A/D 转换后成为数字信号。数字信号为时域的信号，而一般信号分析的方法都是在频域进行分析，所以需要通过傅里叶变换将时域信号转变为频域信号，然后提取其中能反映语音本质特征的参数来进行语音识别。进过几十年的发展，语音特征提取算法大致有三类：

基于线性预测分析的提取方法（LPCC）、基于频谱分析的提取方法（MFCC）、基于其他数字信号处理技术的特征分析方法，本系统采用基于频谱分析的提取方法，Mel频率倒谱频系数MFCC。MFCC特征提取包含两个关键步骤：一是转化到梅尔频率。二是进行倒谱分析。梅尔刻度和频率的赫兹的关系如下：M=2595*log10（1+f/700），由公式可知道梅尔刻度和频率之间是对数关系，低频部分梅尔刻度的分辨率高，高频部分梅尔刻度的分辨率低，这跟人耳的听觉特性是相符的。所以对于有效语音段，进行离散傅里叶变化（DFT），将频谱信号通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组，M通常取22-26。

各f（m）之间在赫兹轴上的间隔随着m值的减小而缩小，随着m值的增大而增宽，但在梅尔刻度却是等距离。最后就是离散余弦变换，进行反傅里叶变换然后通过低通滤波器获得最后的低频信号，这样能量会集中在低频部分。每个三角滤波器会有一个输出，通过以上计算实现了每帧数据从N（FFT点数）点到M点的降维，大大减小了计算量，减小了内存开销、缩减了运算时间。

2.3　特征匹配算法

现阶段，语音识别用到的模型匹配方法主要有动态时间规整（DTW）、隐马尔可夫模型（HMM）和人工神经网络。本系统用于孤立词识别，相比较两算法，HMM需要大量数据，复杂程度远大于DTW，所以在孤立词语音识别中，DTW 算法得到更广泛的应用。笔者觉得，对于一个算法的理解，首先得从它的物理意义开始，在网上很多人的博客里都对这个算法有过通俗的解释，并配以实例，在这我就不多加说明了。主要步骤为初始化矩阵，计算每个数据之间的“距离”，计算累计匹配距离，匹配距离最小的特征模板与输入特征有最大的相似性。

这是在IDE平台上模拟试验的DTW算法：

3　嵌入式平台上的算法设计

首先，一段短时语音信号长度大约为2s以内，我们以8khz的ADC采用频率去采样得到的最大点数为16000，因为STM32F1为12位ADC，所以每个点的数据相当于两个字节，总的算来需要16000*2=32000字节，对于拥有64KB RAM的STM32F103ZET6来说在内存上是可以实现的。ST官方固件库提供的16位、1024点FFT用时2.138 ms，20ms为一帧，算下来总共有100帧，也就是100次1024点的FFT计算，总用时就是213.8ms，加上其他地方的指令、算法运算时间，识别一个指令应该在0.5s以内。至于每帧20ms，按照8khz的采样频率只能得到160个点，采用1024点FFT则需要在尾部补864个零，因为由公式（delta f）=fs/N 补零可以提高频率分辨率。且考虑到ADC采样次数比较多，所以采集到的数据采用DMA的方式传输到设定的数组，这样可以节省指令执行时间。从工程的初始化开始，先是设定单片机运行频率（72MHZ），延时函数初始化（SysTick），ADC、DMA、按键函数部分以及需要用到的引脚的初始化，main（）中的主要为一个按键函数来实现何时进行模板训练，何时进行语音识别。工程的主要部分为端点检测、MFCC语音特征提取、以及特征提算DTW的代码实现。想着重提出来说的是DTW算法，算法基于动态规划（DP）的思想，用于于长度不等的序列如何匹配。直接的理解，是warping一个序列后可以与另一个序列重合。这个时候两个序列中所有对应点的距离之和是最小为零。所以从直观上理解，warping的正确性一般指每一个相对应的特征点的对齐，我想这也是动态时间规整算法的核心。这个解释应该很宏观，理解了物理意义，这个算法也变的简单起来。

对于它的起源（DP）我们不去过多的诉说，而它广阔的应用前景，结合cpp面向对象的特性，我想我们可以把这个warping运用的很只能，就像对于人的情感、关系，将两个人综合特征的显现进行“匹配”，或是两代人之间的种种特征（貌似很像DNA检测，不过一个是唯物，一个是格物），这是对“对象”的一个小小改变。

[1]董辰辉，彭雪峰.MATLAB 2008 全程指南.北京：电子工业出版社[M]，2009 年 3 月 .

[2]张雪英.数字语音处理及 MATLAB 仿真.北京：电子工业出版社[M]，2011年 7 月 .

[3]宋知用.MATLAB在语音信号分析与合成中的应用.北京：北京航空航天大学出版社[M]，2013 年 11 月.

[4]顾亚强.非特定人语音识别关键技术研究[J].国防科技大学硕士学位论文，2009 年 11 月 .

[5]徐科军，黄云志，林逸榕，陈强.信号分析处理（第二版）.北京：清华大学出版 [M]，2006 年 4 月 .

[6]汪冰.小词汇非特定人的孤立词语音识别系统的研究与设计[J].广东工业大学硕士学位论文，2008 年 5 月.