基于UniSpeech-SDA80D51的車載音響聲控系統*

王 瓊 ，郭恒飛 ，孫保群

（1.合肥工業大學 計算機與信息學院，安徽 合肥230009；2.合肥工業大學 汽車工程技術研究院，安徽 合肥230009）

現代電子技術的發展，使得越來越多的車載電器加入到汽車電子行列中，在改善汽車性能的同時，也增加了汽車駕駛操作的復雜度，給行車過程帶來了不安全隱患。隨著語音識別算法的改進和新一代專用語音處理芯片的問世，使得語音控制代替了手動控制車載電器，從而減輕了駕駛員手動操作負擔，大大提高了行車安全性。

目前我國的車身電子語音控制主要集中在汽車導航系統的應用上，語音識別技術在車身電子中的應用沒有充分發揮。本文首次提出了一種以專用語音處理芯片UniSpeech-SDA80D51為核心組成的非特定人車載音響語音控制系統的設計方案，并實現了系統樣機的研制。

1 車載音響語音控制系統

系統由語音采集、語音識別、控制驅動和車載音響等模塊構成，系統完成的主要功能是：語音采集模塊用于采集駕駛員發出的語音命令信號，由語音識別模塊實現信號的A/D轉換,并對轉換的數字信號進行語音識別處理，最終輸出與語音命令相對應的詞條編碼信號，控制模塊對接收的詞條編碼信號進行邏輯分析與處理并產生對應的控制信號驅動車載音響動作，代替駕駛員的手動操作。

1.1 語音識別模塊

語音識別模塊主要由UniSpeech-SDA80D51芯片及外圍電路組成。

SDA80D51是德國Infineon公司專為語音識別和語音處理應用領域新推出的高集成度SoC專用芯片，其基本結構如圖1所示。

由圖1可知，SDA80D51片內集成了直接雙訪問快速SRAM、2路 ADC和 2路DAC、多種通信接口和通用GPIO等部件。SDA80D51工作方式以M8051為主控制芯片，主要完成系統配置和 SPI、PWM、I2C、GPIO等接口的控制以及語音數據的傳輸工作；DSP核心OAK為協處理器，完成語音識別算法、語音編解碼算法等語音處理工作。

圖1 SDA80D51基本結構圖

非特定人語音信號由定向拾音器輸入，經過SDA80D51內部的數據采集模塊進行A/D轉換，再經過識別程序的預處理、端點檢測、特征參數提取、模板匹配等處理，選擇識別詞表中最接近的詞條序號作為識別結果，識別結果通過GPIO口輸出。

1.2 控制驅動模塊

控制驅動模塊由MCU和模擬開關及外圍電路構成，模塊主要用來接收語音識別結果，并對詞條編碼信號進行邏輯分析和處理，通過模擬開關電路產生對應功能的控制信號驅動音響動作。其中MCU選用美國ATMEL公司產品AT89S51，綜合AT89S51輸出I/O信號電壓特性和SL1102C1音響控制面板電阻式分流鍵盤電路的特點，確定使用繼電器模擬SL1102C1控制面板按鍵的閉合和斷開動作。AT89S51和繼電器模擬開關電路原理圖如圖2所示。

圖2 AT89S51與模擬開關電路原理圖

1.3 音響模塊

本設計是基于SL1102C1型汽車音響。SL1102C1是專門為中檔轎車設計的汽車音響，具有MP3播放、收音機和顯示時間等功能，目前大量使用在江淮同悅轎車上。SL1102C1前板共有開關機/靜音、音效、播放/暫停等15個按鍵和一個用來調節音量的編碼開關。

SL1102C1前板鍵控為分壓識別方式，按鍵包含短按和長按兩種動作。AT89S51輸出電壓為TTL電平，直接驅動音響容易引起鍵碼誤識別，造成系統誤操作，因此本文采用圖2所示電路，很好地解決了上述問題。當AT89S51接收到語音編碼信號后，立即進行邏輯分析并輸出對應的控制信號驅動繼電器吸合模擬按鍵動作，按鍵的短按和長按功能通過軟件實現。

模擬開關電路還適用于SL1102C1前板上的編碼開關，編碼開關具有音量調節功能。開關旋鈕旋轉時，開關上端子輸出對應的脈沖信號。當MCU收到操作編碼開關的語音命令信號后，驅動端子輸出脈沖信號，模擬開關旋鈕功能。

2 系統軟件設計

系統軟件包括非特定人語音識別模塊和邏輯控制模塊。

2.1 非特定人語音識別模塊

非特定人語音識別模塊基于隱馬爾可夫模型算法。HMM算法通過對大量語音數據進行數據統計，建立識別詞條的統計模型語音庫，然后從待識別語音中提取特征，與模型庫進行匹配，由比較匹配分數得到識別結果，并通過SDA80D51的GPIO口輸出。非特定人語音識別模塊主要由信號預處理、特征參數提取、模型匹配和Viterbi算法部分組成，模塊框圖如圖3所示。

圖3 非特定人語音識別模塊框圖

2.1.1 信號預處理

信號預處理部分主要完成輸入語音信號的采樣、模/數轉換功能。A/D變換由SDA80D51內嵌12位A/D變換器實現，采樣頻率固定為8 kHz。

2.1.2 特征參數提取

特征參數提取基于語音幀，采用分幀提取特片。先對語音信號進行重疊分幀，前一幀和后一幀重疊一半（幀信號重疊是體現相鄰兩幀數據之間的相關性），幀長為25 ms，對每幀提取一次語音特片。

MFCC參數屬于感知頻域倒譜參數，反映了語音信號短時幅度譜的特征。p維MFCC參數的具體計算提取過程如下：

(1)用 DFFT對每幀 s(n:m)計算線性頻譜，計算頻譜模的平方為功率譜；

(2)功率譜經過 Mel濾波器組獲得到D個參數X(i)，D是Mel濾波器組中三角形濾波器的數量；

(3)對X(i)做對數運算和離散余弦變換，余弦變換計算公式如下:

式中的 Y(i)是第 i個Mel濾波器對數能量的輸出，i=1,2,…,D。

2.1.3 HMM語音識別算法

隱馬爾可夫算法采用概率統計模型描述語音信號，HMM模型建立在Markov鏈基礎上，使用 MarKov鏈來模擬語音信號統計特性的變化。HMM模型為雙重隨機過程，其一是 Markov鏈，由（π，A）描述狀態的轉移，輸出為狀態序列；另一個是隨機過程，由B描述，在統計意義上B反映了狀態和觀察值之間的對應關系，輸出為觀察值矢量序列。Markov鏈中狀態和時間參數都是離散的Markov過程。

Viterbi算法是一種幀同步動態規整算法，在給定觀察值序列和模型時，Viterbi算法給出了一個概率密度P(Q，O|λ)最大的狀態序列。Viterbi算法包括初始化、遞推、終止、路徑回溯和確定最佳狀態序列。

(1)初始化

(2)遞歸

(3)終止

(4)狀態序列

對于語音處理而言，因 Q的變化，P(Q，O|λ)取值范圍很大，而 P(Q，O|λ)的最大值占了全部 P(Q，O|λ)的很大的成分，所以可以用 Viterbi算法來計算P(O|λ)。

2.2 控制模塊

控制模塊的主要功能是：在AT89S51查詢到語音詞條信號后，查表獲得詞條編碼，根據編碼判斷對應按鍵是長按或短按，分別進入相應的子程序處理。在子程序中，輸出語音命令所對應的I/O控制信號驅動繼電器吸合模擬按鍵或編碼開關動作，并及時復位I/O口。控制模塊還具有完全兼容手動控制的功能，在語音控制操作的同時也可以進行手動操作，手動的優先級高于語音命令，這樣可以避免語音控制和手動控制之間沖突。

控制模塊部分程序代碼如下：

void main()

{…… //初 始 化

while(1)

{…… //初 始 化

while(P0==0x00) //等待語音信號

{ WDTRST=0x1E;

WDTRST=0xE1; //WD指令

YXSY=0;}

YXSY=1;

if(date!=P0)

{ delayms(6); //延時函數

date=P0;

if(date==1||date==2) //開機、靜音

{ PWR=0; //電源按鈕按下

delayms(200);

PWR=1;} //電源按鈕松開

……

P1=0xff;

P2=0xff;}}}

3 系統實測結果

本系統在江淮同悅SL1102C1型車載音響上進行了非特定人語音識別率和模擬開關動作準確率測試。由于汽車音響的語音詞條為2～4個字，語音識別率實驗內容為車載音響常用2字詞條指令18條、3字詞條指令12條、4字詞條指令 10條，實驗對象為 6人4男、2女（普通話和方言），實驗環境為實驗室環境。為了提高系統的識別率，系統采用奧林巴斯 ME52定向麥克，提高了麥克接收范圍，系統測試結果如表1所示。

表1 系統識別率測試結果

由表1可知，系統的識別率與語音指令詞條字數、麥克接收距離、說話人方言有關。男聲和女聲的識別率接近。

在系統控制電路實驗中，模擬開關動作達到了較高的準確率，測試結果為98%以上，只要控制程序運行正常，各路繼電器就能按照程序安排執行閉合和斷開模擬手動開關操作。

實現汽車電器的語音控制是未來車載電器的發展趨勢，越來越多的解決方案被不斷提出和驗證。本文提出的設計是在SL1102C1型車載音響上使用SDA80D51芯片，實現了車載音響非特定人的語音識別與控制。該設計得到的樣機有較高的識別率，工作穩定、可擴展性強，達到預期的設計目標，整個設計方案和實現方法是可行的。由于語音識別率隨著環境、說話人不同而變化，雖然HMM算法在噪聲很少的環境下可以獲得很高的識別率，但當測試語音或者環境中含有不同程度的噪聲污染時，語音識別系統的性能會有所下降。提高系統的抗噪性和魯棒性是語音識別系統走向實用化的關鍵之一。

[1]楊行峻，遲惠生.語音信號數字處理[M].北京：電子工業出版社，1995.

[2]Inifneon.UniSpeech2V2.0 functional specification[Z].Infineon Technologies AG，2002.

[3]韓紀慶，張磊，鄭鐵然.語音信號處理[M].北京：清華大學出版社，2004.

[4]王海青.基于CDHMM的口令式語音識別系統及其DSP實現[D].合肥：中國科學技術大學，2003.

[5]BURCHARD B，ROMER R，FOX O.A single chip phoneme based HMM speech recognition system for consumer applications，Consumer Electronics，IEEE Transactions on，2000，46(3)：914-919.

[6]Masao Namiki，Takayuki Hamamoto，Seiichiro Hangai.Spoken word recognition with digital cochlea using 32 DSP-boards.IEEE Trans.on Acoust，Speech，Signal Processing，2001，2：969-972.