0 引言
传统的人机交互依靠复杂的键盘或按钮来实现,随着科技的发展,一些新型的人机交互方式也随之诞生,带给人们全新的体验。基于语音识别的人机交互方式是目前热门的技术之一。但是语音识别功能算法复杂、计算量大,一般在计算机上实现,即使是嵌入式方面,多数方案也需要运算能力强的 ARM 或 DSP,并且外扩 RAM、FLASH 等资源,增加了硬件成本,这些特点无疑限制了语音识别技术的应用,尤其是嵌入式领域。
本系统采用的主控 MCU为 Atmel 公司的 ATMEGA128,语音识别功能则采用 ICRoute 公司的单芯片 LD3320。LD3320 内部集成优化过的语音识别算法,无需外部 FLASH,RAM 资源,可以很好地完成非特定人的语音识别任务。
1 整体方案设计
1.1 语音识别原理
在计算机系统中,语音信号本身的不确定性、动态性和连续性是语音识别的难点。主流的语音识别技术是基于统计模式识别的基本理论,原理如图 1 所示。
2.1 控制器电路
控制器选用 Atmel 公司生产的 ATMEGA128 芯片,采用先进的 RISC 结构,内置 128 KB FLASH,4 KB SRAM,4 KB E2PROM 等丰富资源。该芯片是业界高性能、低功耗的 8 位微处理器,并在 8 位单片机市场有着广泛应用。
2.2 LD3320 语音识别电路
LD3320 芯片是一款“语音识别”专用芯片。该芯片集成了语音识别处理器和一些外部电路,包括 A/D、D/A 转换器、麦克风接口、声音输出接口等,而且可以播放 MP3。不需要外接任何的辅助芯片如 FLASH,RAM 等,直接集成到产品中即可以实现语音识别、声控、人机对话功能。
图 3 为 LD3320 电路原理图,与 MCU 通信采用 SPI 总线方式,时钟不能超过 1.5MHz。
麦克风工作电路如图 4 所示,音频输出只需将扬声器连接到 SPOP 和 SPON 即可。使用 SPI 总线方式时,LD3320 的 MD 要设为高电平,SPIS 设为低电平。SPI 总线的引脚有 SDI,SDO,SDCK 以及 SCS。INTB 为中断端口,当有识别结果或 MP3 数据不足时,会触发中断,通知 MCU 处理。RSTB 引脚是 LD3320 复位端,低电平有效。LED1,LED2 作为上电指示灯。
3 软件系统设计
软件设计主要有两部分,分别为移植 LD3320 官方代码和编写语音识别应用程序。
3.1 移植 LD3320 源代码
LD3320 源代码是基于 51 单片机实现的,SPI 部分采用的是软件模拟方式,但在播放 MP3 数据时会有停顿现象,原因是 51 单片机主频较低,导致 SPI 速率很慢,不能及时更新 MP3 数据。移植到 ATMEGA128 需要修改底层寄存器读写函数、中断函数等。底层驱动在 Reg_RW.c 文件中,首先在 Reg_RW.h 使用 HARD_PARA_PORT 宏定义,以支持硬件 SPI。然后在 Reg_RW.c 文件中找到 HARD_PARA_PORT 对应条件宏的代码段,保留 AVR 的 SPI 接口代码。
3.2 应用程序实现
在代码中预先设定几个单词:“你好”,“播放音乐”,“打开”。当用户说“播放音乐”时,MCU 控制 LD3320 播放一段音乐,如果是其他词语,则在串口中打印识别结果,然后再次转换到语音识别状态。
3.2.1 MP3 播放代码
LD3320 支持 MP3 数据播放,播放声音的操作顺序为:
通用初始化→MP3 播放用初始化→调节播放音量→开始播放。
将 MP3 数据顺序放入数据寄存器,芯片播放完一定数量的数据时会发出中断请求,在中断函数中连续送入声音数据,直到声音数据结束。MP3 播放函数实现代码如下:
由于 MCU 容量限制,选取测试的 MP3 文件不能太大。首先在计算机上将 MP3 文件的二进制数据转为标准 C 数组格式文件,然后将该文件加入工程中。源代码中 MP3 文件存储在外扩的 SPI FLASH 中,工程中需要注释和移除全部相关代码。MP3 数据读取函数是 LD_ReloadMp3Data,只需将读取的 SPI FLASH 数据部分改成以数组数据读取的方式即可。
3.2.2 语音识别程序
LD3320 语音识别芯片完成的操作顺序为:通用初始化→ASR 初始化→添加关键词→开启语音识别。在源代码中的 RunASR函数已经实现了上面的过程,直接调用即可开启语音识别功能。
RunASR函数代码如下:
用户说完话后,LD3320 通过打分的方式,将关键词列表中特征最相似的一个作为输出。然后 LD3320 会产生一个中断信号,此时 MCU 跳入中断函数读取 C5 寄存器的值,该值即为识别结果,得到结果后,用户可以根据数值来实现一些功能,比如读取到 1,说明是“播放音乐”,那么可以调用前面的 PlaySound函数来播放音乐。
语音识别控制的关键点在于语音识别的准确率。表 1 给出了测试结果,当然也可以在识别列表中加入更多的关键词来做测试。通过测试结果可以看出,LD3320 的识别率在 95%上,能够满足用户需求。
4 结语
本文讨论了基于 AVR 单片机的语音识别系统设计的可行性,并给出了设计方案。通过多次测试结果表明,本系统具有电路运行稳定,语音识别率高,成本低等优点。同时借助于 LD3320 的 MP3 播放功能,该系统具有一定的交互性和娱乐性。移植性方面,系统通过简单的修改,可以很方便地将 LD3320 驱动程序移植到各种嵌入式系统中。随着人们对人工智能功能的需求,语音识别技术将越来越受到人们的关注,相信不久的将来,语音识别将会拥有更广阔的应用。