隨著計算機技術和信息技術的迅速發(fā)展，語音口令識別已經成為了人機交互的一個重要方式之一。語音口令識別系統(tǒng)將根據(jù)人發(fā)出的聲音、音節(jié)或短語給出響應，如通過語音口令控制一些執(zhí)行機構、控制家用電器的運行或做出回答等。在數(shù)字信號處理芯片上已經實現(xiàn)了語音口令識別系統(tǒng)或語音口令識別系統(tǒng)的部分功能，然而隨著嵌入式微處理器處理能力的大幅度提高，計算量大的語音口令識別算法已經能夠通過嵌入式微處理器來完成，將語音口令識別系統(tǒng)與嵌入式系統(tǒng)相結合，發(fā)揮語音識別系統(tǒng)的潛力，使語音識別系統(tǒng)能夠廣泛應用于便攜式設備中。

采用隱馬爾克夫模型（Hidden Markov MODEL，HMM） 描述語音信號的非平穩(wěn)性和局部平穩(wěn)性，HMM中的狀態(tài)與語音信號的某個平穩(wěn)段相對應，平穩(wěn)段之間以轉移概率相聯(lián)系。由于HMM建模對語音信號長度和模型的混合度的要求都比較低，因此在現(xiàn)有的非特定人語音口令識別系統(tǒng)中，多采用狀態(tài)輸出具有連續(xù)概率分布的連續(xù)隱馬爾可夫模型（ConTInuous Density Hidden Markov MODEL，CDHMM）。

論文給出一種基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)的設計方案，硬件系統(tǒng)的核心芯片是嵌入式微處理器，語音口令識別算法采用CDHMM。語音口令首先經過預處理，提取MFCC（Mel-Frequency Ceptral Coefficients）特征參數(shù)，然后建立此口令的CDHMM模型，把所有語音口令的模型放在模型庫中，在識別階段，通過概率輸出*分，取*分最大的一個作為識別出的口令。將語音識別系統(tǒng)與嵌入式系統(tǒng)相結合，可以使語音口令識別系統(tǒng)廣泛應用于便攜式設備中。

1 硬件電路的設計和工作原理

基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)需要有接收語音信號的輸入芯片配合麥克風實現(xiàn)將模擬語音信號轉換成數(shù)字信號的功能，然后由嵌入式微處理器對輸入的語音口令信號進行處理。完成語音口令信號輸入功能的芯片采用的是PHILIPS公司的低功耗芯片UDAl341TS，供電電源電壓為3V，該音頻處理芯片由模數(shù)/數(shù)模轉換（ADC）、控制邏輯電路、可編程增益放大器（PGA）和數(shù)字自動增益控制器（DAGC）以及數(shù)字信號處理器等部分組成，能進行數(shù)字語音處理。

芯片UDAl341TS采用標準的內部集成電路聲音總線IIS（Inter IC Sound Bus），該總線是由PHILIPS等公司共同提出的數(shù)字音頻總線協(xié)議，專門用于音頻設備之間的數(shù)據(jù)傳輸，目前很多音頻芯片和微處理器都提供了對IIS總線的支持。

IIS總線有三根信號線，分別是位時鐘信號BCK（Bit Clock）、字選擇控制信號WS（Word Select）和串行數(shù)據(jù)信號Data，由主設備提供串行時鐘信號和字選擇控制信號，IIS總線的時序如圖1所示。

2 基于CDHMM的口令識別的軟件設計

2.1 口令識別的軟件系統(tǒng)框圖

語音口令識別的軟件系統(tǒng)分別由特征參數(shù)提取、語音模型庫和概率輸出*分三大模塊組成，如圖3所示：1）語音口令特征參數(shù)的提取，輸入不同的語音口令，首先要進行特征參數(shù)提取，采用Mel頻率參數(shù)作為CDHMM的建模參數(shù)，Mel頻率參數(shù)是根據(jù)人耳的聽覺特性將語音信號的頻譜轉化為基于Mel頻率的非線性頻譜，然后轉換到倒譜域上。2）在訓練階段，對不同的語音口令建立CDHMM模型。3）在口令識別階段，通過概率輸出*分對待測語音口令做出識別。

N（o，ujk，∑jk）為多維高斯概率密度函數(shù)，o是觀察矢量序列，即從語音中提取的特征矢量參數(shù)（o1，o2，…，ot），t為觀察矢量序列的時間長度。ujk，∑jk分別為高斯分布的均值和方差參數(shù)，Cjk為高斯分布的權值，滿足約束條件

是改進后的模型，再將作為初始值，重新估計。

基于“分段K-平均法”的CDHMM參數(shù)估計具體過程為：

（1）設置模型參數(shù)初始值λ=（π，A，B）。

（2）根據(jù)此λ用Viterbi算法將輸入的訓練語音數(shù)據(jù)劃分為最可能的狀態(tài)序列，利用狀態(tài)序列估計參數(shù)A。

對于概率密度函數(shù)由若干正態(tài)分布函數(shù)線性相加的CDHMM系統(tǒng)，每個狀態(tài)θj（1≤j≤N）的概率密度函數(shù)bj（X）由K個正態(tài)分布函數(shù)線性相加而成，這樣可以把每一狀態(tài)語音幀分成K類，然后計算同一類中諸語音幀矢量X的均值矢量，方差矩陣∑jk和混合密度函數(shù)中各概率密度函數(shù)的權重系數(shù) Cjk。

（4）由（2）和（3）估計的CDHMM參數(shù)作為初值，利用重估公式對CDHMM參數(shù)進行重估，得到參數(shù)。

（5）利用（4）所得的計算，并與p（O/λ）相比較。如果差值小于預定的閾值或迭代次數(shù)超過預定的次數(shù)，即說明模型參數(shù)已經收斂，無需進行重估計算，可將作為模型參數(shù)輸出。反之，若差值超出閾值或迭代未到預定的次數(shù)，則將計算結果作為新的初值，重復進行下一次迭代。

3 結束語

論文建立了一種基于嵌入式系統(tǒng)的語音口令識別系統(tǒng)，并且對上升、下降等14條口令進行測試，每條語音先切除靜音，預加重，然后通過 Hamming窗分幀處理，幀長和幀移分別為20ms和10ms，然后對每一幀語音信號提取16MFCC+16AMFCC共32維參數(shù)作為特征矢量。該語音口令識別系統(tǒng)達到了實時的要求，可以使語音口令識別系統(tǒng)廣泛應用于便攜式設備中。