嵌入式语音识别系统的研究和实现 - 方敏

嵌入式语音识别系统的研究和实现①

方 敏,浦剑涛,李成荣,台宪青

(中国科学院自动化研究所高技术创新中心,北京 100080)

摘要:本文首先给出了一种适合于在嵌入式平台上实现的可变命令集的非特定人语音识别系统,同传统

的基于PC的非特定人语音识别系统相比,该系统具备内存消耗小,运算速度快的优点。然后给出了该语音

识别系统在多种嵌入式平台上的实现和评估结果,论证了非特定人语音识别系统在嵌入式平台上实现的可

行性及其对硬件的最低配置要求,在技术层次上分析了目前实现高性能语音识别SOC的主要问题和困难,并

指出了今后相关的研究方向。

关键词:计算机应用;中文信息处理;嵌入式平台;非特定人语音识别;语音识别SOC 中图分类号:TP391.4 文献标识码:A

Research and Realization of Embedded Speech Recognition System FANG Min,PUJian-tao,LI Cheng-rong,TAI Xian-qing

(Hi-tech Innovation Center,Institute of Automation,Chinese Acadamy of Science Beijing 100080,China)

Abstract:Proposed in this paperis a novel speaker-independent speech recognition system,which is command-variable and

suitable for realization based on embedded platform.Compared with traditional speaker-independent speech recognition sys-

tem based on PC,our system is featured small storage and computation cost.The system is evaluated on several embedded

platformsthat are specially designed.According to the result of the evaluation,the feasibility of speaker-independent

speech recognition system based on embedded platform is proved and the least requirement for the hardware is given.Then

we analyzed the main problems and difficulties in the development of high performance speech recognition SOC(System On

a Chip)from the point of technology,and pointed out some future works. Key words:computer application;Chinese information processing;embedded platform;speaker-independent speech recog- nition;speech recognition SOC

1 前言

随着计算机软硬件技术、半导体技术、电子技术、通讯技术和网络技术等的飞速发展,人类已

经进入后PC时代。这个时代一个典型的特征就是:各种新型智能化的设备日益广泛地走进人们

的工作和生活,而人与这些智能化终端之间的自然快捷稳定可靠的交互方式有助于提高人机

交

互的效率,增强人对智能化设备的控制。作为人机交互最自然的方式,语音技术的研究近几十年

来取得了长足的进展,其中语音识别由于其重要性和研究的难度更成为研究的热点[1,8]。 嵌入式语音识别系统是指应用各种先进的微处理器在板级或是芯片级用软件或硬件实现 语音识别技术。语音识别系统的嵌入式实现要求算法在保证识别效果的前提下尽可能优化, 以适应嵌入式平台存储资源少、实时性要求高的特点。实验室中高性能的大词汇量连续语音 识别系统代表当今语音识别技术的先进水平。但由于嵌入式平台在资源和速度方面的限制, 其嵌入式实现尚不成熟。而中小词汇量的命令词语音识别系统由于算法相对简单,对资源的 需求较小,且系统识别率和鲁棒性较高,能满足大多数应用的要求,因而成为嵌入式应用的主 要着眼点。

目前,在嵌入式平台实现了的主要是对系统的运算资源和存储资源要求比较低的特定人

孤立词语音识别系统[7]。而在现实中,更多的语音识别应用要求系统具有非特定人的特点。 相对而言,特定人语音识别系统可以对整词声学建模,识别则采用简单的DTW等匹配算法,这 对小词汇量识别系统的实现效果比较理想。其缺点是,如果词表更换,就要求采集大量数据, 重新训练模型,且训练好的模型又具有特定人的局限。本文介绍的非特定人语音识别系统采 用基于汉语声韵母的声学建模单元,命令集可变,更换词表时无需重新训练模型,避免了特定 人识别系统词表增大模型空间线性增加的缺点。

此项研究的目的在于:通过比较不同平台上的系统实现,分析语音识别系统嵌入式实现的 最低运算和存储资源配置要求及系统优化方向,为语音识别系统板级及芯片级的设计开发提 供参考依据。

为使系统尽可能少的占用嵌入式平台存储和运算资源并保证识别效果,我们对系统进行

了优化,采用压缩的声学模型。我们分别在数字信号处理能力强的DSP平台和通用性好、性 价比高的ARM平台上实现了该系统,考虑到不同的处理器及不同的硬件平台在系统时钟频 率、数据处理速度、存储资源、缓冲机制等方面的差异,针对不同的平台对系统进行了模型大小

及代码等方面的优化,进一步给出了在各平台上系统实现所要求的最小硬件资源配置及系统 能达到的最高实时性能。嵌入式板级平台的测试评估结果为今后语音识别片上系统(SOC)的 研制奠定了技术基础。

本文各小节内容安排如下:第二部分给出了一种适合于嵌入式平台实现的非特定人语音

识别系统及其改进系统,第三部分分别介绍了三种嵌入式平台,第四部分给出了该非特定人语 音识别系统的实验结果及其在不同嵌入式平台上的评估结果,并对结果进行了分析,最后是本 项研究的阶段性结论,并对今后嵌入式语音识别技术的研究方向进行了探讨和展望。 2 适用于嵌入式平台的基于汉语声韵母建模的非特定人语音识别系统

汉语大词汇量连续语音识别系统(LVCSR)[2～6]一般采用以声韵母为建模单元的上下文相 关的声学模型,一遍或多遍的搜索算法,以及N-GRAM的语言模型,词汇量一般达到几万个词, 因此对运行平台的计算能力和存储能力要求非常高,目前只能在主流的PC机上运行。听写 机曾是LVCSR的主流应用模式,但在实际应用中,由于语音识别引擎的识别率及其鲁棒性还 不能达到应用的要求,因此听写机的应用并没有得到推广。但是,LVCSR系统的与说话人无 关和自然语言交互的特点,却始终是语音交互接口所不懈追求的。由于运算资源和存储资源, 以及语音识别引擎本身性能的限制,目前要在嵌入式平台上实现一个可用的口语交互接口是 很困难的。所以本文的研究集中在说话人无关上,希望能够在嵌入式平台上实现一个非特定 人的语音识别系统。

2.1 BASELINE系统(简称系统1)

图1给出了非特定人语音识别BASELINE系统的框架结构。 74

硬性结构图

该平台包含: a)一个CPU芯片 b)一片FLASH

c)一个CODEC语音输入输出接口 d)一片AD/DA芯片 e)一个麦克风

f)如果CPU芯片的片内RAM存储空间太小,还必 须外扩RAM

g)如果需要向外设输出识别结果,可以增加UART接口和RS232接口 3.2 基于TMS320C5409的DSP嵌入式平台(简称DSP5409平台) TMS320C5409 DSP是TI公司TMS320C54X系列的产品。TMS320C54X系列的DSP是一种 典型的高性能、低功耗、16位定点DSP,广泛应用在各种嵌入式应用场合。54X系列的DSP的

处理器速度快,片内资源丰富,完全能够满足非特定人语音识别系统的要求。我们选择的 TMS320C5409 DSP的处理器速度最高可达100MIPS;片内共48K字的存储空间,其中DRAM是

32K字,ROM是16K字;片内具有丰富的外设,如PLL,McBSP,DMA,HIP等,其中McBSP0我 们用来和AD DA连接,接收采集到的语音数据。

外扩的资源有:两片1M字节的8位FLASH,支持16 …… 此处隐藏：5149字，全部文档内容请下载后查看。喜欢就下载吧 ……