摘要：介紹了一種以ARM為核心的嵌入式語音識別模塊的設計與實現。模塊的核心處理單元選用ST公司的基于ARM Cortex-M3內核的32位處理器STM32F103C8T6。本模塊以對話管理單元為中心，通過以LD3320芯片為核心的硬件單元實現語音識別功能，采用嵌入式操作系統μC／OS-II來實現統一的任務調度和外圍設備管理。經過大量的實驗數據驗證，本文設計的語音識別模塊具有高實時性、高識別率、高穩定性的優點。
關鍵詞：ARM；語音識別；對話管理；LD3320；μC／OS-II

引言
    服務機器人以服務為目的，因此人們需要一種更方便、更自然、更加人性化的方式與機器人交互，而不再滿足于復雜的鍵盤和按鈕操作。基于聽覺的人機交互是該領域的一個重要發展方向。目前主流的語音識別技術是基于統計模式。然而，由于統計模型訓練算法復雜，運算量大，一般由工控機、PC機或筆記本來完成，這無疑限制了它的運用。嵌入式語音交互已成為目前研究的熱門課題。
    嵌入式語音識別系統和PC機的語音識別系統相比，雖然其運算速度和內存容量有一定限制，但它具有體積小、功耗低、可靠性高、投入小、安裝靈活等優點，特別適用于智能家居、機器人及消費電子等領域。

1 模塊整體方案及架構
    語音識別的基本原理如圖1所示。語音識別包括兩個階段：訓練和識別。不管是訓練還是識別，都必須對輸入語音預處理和特征提取。訓練階段所做的具體工作是通過用戶輸入若干次訓練語音，經過預處理和特征提取后得到特征矢量參數，最后通過特征建模達到建立訓練語
音的參考模型庫的目的。而識別階段所做的主要工作是將輸入語音的特征矢量參數和參考模型庫中的參考模型進行相似性度量比較，然后把相似性最高的輸入特征矢量作為識別結果輸出。這樣，最終就達到了語音識別的目的。

    現有的語音識別技術按照識別對象可以分為特定人識別和非特定人識別。特定人識別是指識別對象為專門的人，非特定人識別是指識別對象是針對大多數用戶，一般需要采集多個人的語音進行錄音和訓練，經過學習，達到較高的識別率。
    基于現有技術開發嵌入式語音交互系統，目前主要有兩種方式：一種是直接在嵌入式處理器中調用語音開發包；另一種是嵌入式處理器外圍擴展語音芯片。第一種方法程序量大，計算復雜，需要占用大量的處理器資源，開發周期長；第二種方法相對簡單，只需要關注語音芯片的接口部分與微處理器相連，結構簡單，搭建方便，微處理器的計算負擔大大降低，增強了可靠性，縮短了開發周期。
    語音識別技術在國內外的發展十分迅速。目前國內在PC應用領域，具有代表性的有：科大訊飛的InterReco2．0、中科模式識別的Pattek ASR3．0、捷通華聲的jASRv5．5；在嵌入式應用領域，具有代表性的有：凌陽的SPCE061A、ICRoute的LD332X、上海華鎮電子的WS-117。
    本文的語音識別方案是以嵌入式微處理器為核心，外圍加非特定人語音識別芯片及相關電路構成。語音識別芯片選用ICRoute公司的LD33 20芯片。

2 硬件電路設計
    如圖2所示，硬件電路主要包括主控核心部分和語音識別部分。語音進入語音識別部分后，將處理過的數據并行傳輸到主控制器，主控制器經過處理后，發送命令數據到USART，USART可用于擴展外圍串行設備，如語音合成模塊等。

2．1 主控制器電路
    本文的主控制器選用的是ST公司的STM32F103C8T6芯片。該芯片基于ARM Cottex-M3 32位的RISC內核，工作頻率最高可達72 MHz，內置高速存儲器(64 KB的閃存和20 KB的SRAM)，豐富的增強I／O端口和聯接到兩條APB總線的外設。STM32系列提供了全新的32位產品選項，結合了高性能、實時、低功耗、低電壓等特性，同時保持了高集成度和易于開發的優勢，將32位MCU世界的性能和功效引向一個新的級別。
2．2 語音識別電路
    圖3為語音識別部分原理圖，參照了ICRoute發布的LD3320數據手冊進行設計。LD3320的內部集成了快速穩定的優化算法，不需外接Fla-sh、RAM，不需要用戶事先訓練和錄音而完成非特定人語音識別，識別準確率高。

   圖中，LD3320采用并行方式直接與STM32F103C8T6相接，均采用1kΩ電阻上拉，A0用于判斷是數據段還是地址段；控制信號，復位信號以及中斷返回信號INTB與STM32F103C8T6直接相連，采用10kΩ電阻上拉，輔助系統穩定工作；和STM32F103C8T6采用同一個外部8 MHz時鐘；發光二極管D1、D2用于復位后的上電指示；MBS(引腳12)作為麥克風偏置，接了一個RC電路，保證能輸出一個浮動電壓給麥克風。

3 軟件系統設計
    軟件系統的設計主要包括3部分：主控單元的嵌入式操作系統μC／OS-II移植、LD3320的語音識別程序設計、對話管理單元的設計。
3．1 嵌入式操作系統μC／OS-II移植
    μC／OS-II是一個源碼公開、可移植、可固化、可裁剪、占先式的實時多任務操作系統。它是專門為計算機的嵌入式應用設計的，絕大部分代碼采用C語言編寫，具有執行效率高、占用空間小、實時性能優良和可擴展性強等特點，最小內核可至2 KB。在μC／OS-II中，任務的概念尤為重要，它是可剝奪型的內核，因此任務優先級的劃分至關緊要。基于分層化和模塊化的設計理念，整個系統任務的劃分如表1所列。

    表1中除OSTaskStat和OSTaskIdle任務為系統自帶，其他7個任務均為用戶創建。App_TaskStart是系統的第一個任務，對系統時鐘和底層設備進行初始化，創建所有事件和其他各項用戶任務，并對系統狀態進行監測；App_TaskSR完成語音識別；App_TaskCmd完成對話集中命令的解析和執行，并通過USART1向外發送；App_TaskCom作為外圍擴展任務，通過USART2向外發送指令或數據，負責控制外圍擴展設備，如語音合成設備等；
    App_TaskUpdate通過解析USART1接收的命令和數據進行對話集的更新；App_TaskPB是按鍵掃描任務，負責檢測3個獨立按鍵，分為短按和長按檢測；App_TaskLed驅動4個LED指示燈，指示當前工作狀態。
3．2 語音識別程序設計
    語音識別程序的設計，參考了LD332X開發手冊，本文中采用中斷方式工作，其工作流程分為通用初始化一語音識別用初始化-寫入識別列表-開始識別-響應中斷。
    ①通用初始化和語音識別用初始化。在初始化程序里，主要完成軟復位、模式設定、時鐘頻率設定、FIFO設定。
    ②寫入識別列表。列表的規則是，每個識別條目對應一個特定的編號(1個字節)，編號可以相同，可以不連續，但是數值要小于256(00H～FFH)。本芯片最多支持50個識別條目，每個識別條目是標準普通話的漢語拼音(小寫)，每2個字(漢語拼音)之間用一個空格間隔。本文中采取了連續不同編號的識別條目，表2是簡單的示例。

    ③開始識別。設置幾個相關的寄存器，即可開始語音的識別。圖4是相關的流程。ADC通道即為麥克風輸入通道，ADC增益也就是麥克風音量，可設定值00H～7FH，建議設置值為40H～6FH，值越大代表MIC音量越大，識別啟動越敏感，但可能帶來更多誤識別；值越小代表MIC音量越小，需要近距離說話才能啟動識別功能，好處是對遠處的干擾語音沒有反應。本文中設定值為43H。

    ④響應中斷。如果麥克風采集到聲音，不管是否識別出正常結果，都會產生一個中斷信號。而中斷程序要根據寄存器的值分析結果。讀取BA寄存器的值，可以知道有幾個候選答案，而C5寄存器里的答案是得分最高、最可能正確的答案。

3．3 對話管理單元設計
    為了方便進行對話的管理，本文中設計了一個對話管理單元，用于對等待識別的語句和等待執行的命令進行存儲，在主控制器中通過定義二維數組來實現。LD3320每次識別最多可以設置50項候選識別句，每個識別句可以是單字、詞組或短句，長度為不超過10個漢字或者79個字節的拼音串。基于上述原因，本文設計的對話管理數組如表3所列。

    行為數組中存儲要執行的行為編號，對應于50條語音識別語句，共有50組指令，每組指令中可以最多包含6個行為，并行的行為可以歸為一步，通過多個行為的組合，就可以完成更復雜的任務。

4 性能測試與應用
    為了保證設計的語音識別模塊的語音識別率、穩定性和響應時間，本文對所描述的語音識別模塊做了相應的測試，測試環境分別為安靜的家庭環境和嘈雜的醫院環境，共8條語音指令，對每條語音指令分別進行10次測試，每個環境下對每個特定人的總實驗次數為80次，記錄成功識別的次數。測試結果如表4所列。

    測試中的3個非特定人中，非特定人1為女性，非特定人2和非特定人3為男性。由表中數據可以看出，家庭環境下對非特定人的語音識別率可達到90％以上，嘈雜的醫院環境下的語音識別率也可達82．5％以上。識別率方面，在嘈雜環境下比在安靜環境下的語音識別率有所降低；穩定性方面，在安靜環境下系統的穩定性較好，語音說1遍，最多說2遍模塊就可以做出正確的響應；在噪聲環境下，系統的穩定性有所下降，個別語音命令需要說3遍甚至3遍以上才能被模塊準確識別；實時性方面，在安靜環境下的語音能保證系統響應的實時性，響應時間一般不超過1 s，在噪聲環境下的響應時間相對長一些。

結語
    本文討論了基于STM32的嵌入式語音識別模塊的設計和實現，對模塊各個組成單元的硬件電路及軟件實現進行了詳細的介紹。大量實驗及實際應用表明，本文設計的語音識別模塊具有穩定性好、語音識別率高、抗噪聲干擾能力強、結構簡單和使用方便等特點。該模塊實用性
強，可廣泛應用于服務機器人智能空間、智能家居和消費電子產品等多個領域。