基于DSP的高速實(shí)時(shí)語音識別系統(tǒng)的設(shè)計(jì)-設(shè)計(jì)應(yīng)用

精品文檔-下載后可編輯基于DSP的高速實(shí)時(shí)語音識別系統(tǒng)的設(shè)計(jì)-設(shè)計(jì)應(yīng)用實(shí)時(shí)語音識別系統(tǒng)中，由于語音的數(shù)據(jù)量大，運(yùn)算復(fù)雜，對處理器性能提出了很高的要求，適于采用高速DSP實(shí)現(xiàn)。雖然DSP提供了高速和靈活的硬件設(shè)計(jì)，但是在實(shí)時(shí)處理系統(tǒng)中，還需結(jié)合DSP器件的結(jié)構(gòu)及工作方式，針對語音處理的特點(diǎn)，對軟件進(jìn)行反復(fù)優(yōu)化，以縮短識別時(shí)間，滿足實(shí)時(shí)的需求。因此如何對DSP進(jìn)行優(yōu)化編程，解決算法的復(fù)雜性和硬件存儲容量及速度之間的矛盾，成為實(shí)現(xiàn)系統(tǒng)性能的關(guān)鍵。本文基于TMS320C6713設(shè)計(jì)并實(shí)現(xiàn)了高速實(shí)時(shí)語音識別系統(tǒng)，在固定文本的說話人辨識的應(yīng)用中效果顯著。1語音識別的原理

語音識別的基本原理框圖如圖1所示。語音信號中含有豐富的信息，從中提取對語音識別有用的信息的過程，就是特征提取，特征提取方法是整個(gè)語音識別系統(tǒng)的基礎(chǔ)。語音識別的過程可以被看作足模式匹配的過程，模式匹配是指根據(jù)一定的準(zhǔn)則，使未知模式與模型庫中的某一模型獲得匹配。

1.1MFCC

語音識別中對特征參數(shù)的要求是：

(1)能夠有效地代表語音特征；

(2)各階參數(shù)之間有良好的獨(dú)立性；

(3)特征參數(shù)要計(jì)算方便，保證識別的實(shí)時(shí)實(shí)現(xiàn)。

系統(tǒng)使用目前為常用的MFCC(MelFrequencyCepstralCoefficient，美爾頻率倒譜系數(shù))參數(shù)。

求取MFCC的主要步驟是：

(1)給每一幀語音加窗做FFT，取出幅度；

(2)將幅度和濾波器組中每一個(gè)三角濾波器進(jìn)行Binning運(yùn)算；

(3)求log，換算成對數(shù)率；

(4)從對數(shù)率的濾波器組幅度，使用DCT變換求出MFCC系數(shù)。

本文中采用12階的MFCC，同時(shí)加過零率和delta能量共14維的語音參數(shù)。

1.2DTW

語音識別中的模式匹配和模型訓(xùn)練技術(shù)主要有DTW(DynamicTimeWarping，動(dòng)態(tài)時(shí)間彎折)、HMM(HideMarkovModel，隱馬爾科夫模型)和ANN(ArtificialNeu-ralNetwork，人工神經(jīng)元網(wǎng)絡(luò))。

DTW是一種簡單有效的方法。該算法基于動(dòng)態(tài)規(guī)劃的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別中出現(xiàn)較早、較為經(jīng)典的一種算法。DTW算法的原理是計(jì)算兩個(gè)長度不同的語音之間的相似程度，即失真距離。

設(shè)測試語音和參考語音用T和R表示，他們分別含有N幀和M幀的語音參數(shù)。本文中每幀語音的特征參數(shù)為14維，因此T，R分別為N×14和M×14的矩陣。把測試語音的各個(gè)幀號x=1～N在一個(gè)二維直角坐標(biāo)系中的橫軸上標(biāo)出，把參考語音的各幀號y=1～M在縱軸上標(biāo)出，通過這些表示幀號的整數(shù)坐標(biāo)畫出一些縱橫線即可形成一個(gè)網(wǎng)格，網(wǎng)格中的每一個(gè)交叉點(diǎn)(x，y)表示測試模式中某一幀號與訓(xùn)練模式某一幀的交叉點(diǎn)，對應(yīng)于兩個(gè)14維向量的歐氏距離。DTW算法在于尋找一條通過此網(wǎng)格中若干交叉點(diǎn)的路徑，使得該路徑上節(jié)點(diǎn)的路徑和。算法示意圖如圖3所示。

2系統(tǒng)硬件環(huán)境

本系統(tǒng)的芯片為TI公司的32位浮點(diǎn)數(shù)字信號處理器TMS320C6713。其時(shí)鐘頻率可達(dá)300MHz，處理能力可以高達(dá)1336MIPS和1000MFLOPS。由于256kB的片上RAM無法滿足多路信號處理時(shí)的空間需求，系統(tǒng)通過EMIF(ExternalMemoryInterface，外部存儲器接口)擴(kuò)展了32MB的外部SDRAM，并采用EDMA(ExternalDirectMemoryAccess，擴(kuò)展的直接存儲器訪問)方式對這些外部空間進(jìn)行訪問。

TMS320C6713有2個(gè)McBSPs(Multi-channelBuff-eredSerialPort，多通道緩沖串口)，每個(gè)McBSP，可與多達(dá)128個(gè)通道進(jìn)行收發(fā)。本系統(tǒng)中采用McBSP0實(shí)現(xiàn)數(shù)字語音信號到DSP的輸入，DSP進(jìn)行實(shí)時(shí)判別后輸出結(jié)果。

3軟件實(shí)現(xiàn)

由于TMS320C6x系列的C語言編譯器的效率可達(dá)匯編語言的70％～80％，并且C語言具有開發(fā)周期短、可維護(hù)性好、可移植性好、可繼承性好等優(yōu)點(diǎn)，所以軟件采用C語言實(shí)現(xiàn)。

3.1軟件流程

測試中采用10個(gè)參考模板，每個(gè)模板由相應(yīng)的參考語音中2s的語音數(shù)據(jù)訓(xùn)練而成。識別策略為每路積累2s的接收語音數(shù)據(jù)后與逐個(gè)參考模板進(jìn)行匹配，如果經(jīng)由DTW運(yùn)算所得的距離值小于特定的門限，就判決已匹配。如果不匹配，就繼續(xù)接收匹配，超過8s匹配不上，就放棄。軟件流程框圖如圖5所示，其中語音數(shù)據(jù)的采樣率為8000Hz，每幀取256個(gè)采樣點(diǎn)，即32ms的數(shù)據(jù)為一幀。

程序調(diào)試通過后，采用CCS對其實(shí)時(shí)性進(jìn)行分析。CCS(CodeComposerStudio，代碼編譯器)是TI公司提供的軟件開發(fā)環(huán)境。他擴(kuò)展了基本的代碼生成工具，集成了調(diào)試和實(shí)時(shí)分析功能。在CCS下，程序通過WintechTDS510仿真器接到目標(biāo)板的JTAG口進(jìn)行硬件仿真測試。

測試發(fā)現(xiàn)1幀信號的處理時(shí)間為78135679個(gè)指令周期，即391ms(TMS320C6713工作在200MHz)，遠(yuǎn)遠(yuǎn)達(dá)不到實(shí)時(shí)處理的要求，必須對其進(jìn)行優(yōu)化。

3.2代碼的優(yōu)化

首先根據(jù)TI公司提供的軟件開發(fā)流程，從合作編譯器選項(xiàng)、使用內(nèi)聯(lián)函數(shù)、使用字訪問短整型數(shù)據(jù)和使用軟件流水等方面對代碼進(jìn)行了優(yōu)化。具體實(shí)現(xiàn)中，采用-pm選項(xiàng)、-op3選項(xiàng)和-o3選項(xiàng)對程序進(jìn)行了重新編譯。展開內(nèi)層循環(huán)，并通過#pragmaMUSTITERATE()告訴編譯器循環(huán)執(zhí)行的次數(shù)，上述優(yōu)化后，處理一幀的時(shí)間從78135679個(gè)指令周期降到了50364683個(gè)指令周期，但是還是無法滿足實(shí)時(shí)性的要求。

進(jìn)一步對代碼進(jìn)行測試分析，提取MFCC參數(shù)的過程中，256點(diǎn)的實(shí)數(shù)FFT運(yùn)算占用了大量的時(shí)間。TI公司針對C6000系列的DSP提供了豐富的庫函數(shù)可以方便地調(diào)用。這里，從dsp67x.lib中調(diào)用DSPF_dp_cfftr4_dif()進(jìn)行256點(diǎn)實(shí)數(shù)的FFT運(yùn)算，把提取MFCC的時(shí)間降為了0.72ms。

由于采用10個(gè)參考模板，每路數(shù)據(jù)識別就要進(jìn)行10次DTW的運(yùn)算，所以如何減少DTW的運(yùn)算時(shí)間是優(yōu)化的重點(diǎn)。對DTW的優(yōu)化從兩方面進(jìn)行，首先采用查表法縮小匹配時(shí)搜索的區(qū)域。

由于DTW匹配的過程中限定了彎折的斜率，因此好多格點(diǎn)實(shí)際上是達(dá)不到的，如圖6所示。因此菱形之外的格點(diǎn)對應(yīng)的幀匹配距離是不需要計(jì)算的。在本系統(tǒng)的應(yīng)用中，因?yàn)槊看味家?s和2s的語音數(shù)據(jù)進(jìn)行匹配，M和N都固定是64幀，所以可以建一個(gè)表格儲存菱形區(qū)域內(nèi)的測試幀號和參考幀號，匹配時(shí)只計(jì)算表格中兩幀間的矢量距離，即歐氏距離，從而把歐氏距離的運(yùn)算從40960次減少到了19460次。

在采用DTW快速算法后，還需進(jìn)行了19460次歐氏距離的運(yùn)算。測試可得，每次運(yùn)算耗時(shí)1524個(gè)指令周期，所以這部分的運(yùn)算仍是影響識別速度的關(guān)鍵。為了進(jìn)一步提高代碼的性能，把這段代碼改為線性匯編來實(shí)現(xiàn)。

完成上述全部優(yōu)化后，測試得到，處理一幀的時(shí)間為1849365個(gè)指令周期，其中TMS320C6713工作在200MHz，即處理1幀的時(shí)間為1849365／200000000=9.25ms，達(dá)到0.29倍實(shí)時(shí)。

4實(shí)驗(yàn)及小結(jié)

為了測試上述系統(tǒng)的識別性能，對其進(jìn)行了固定文本的說話人辨識實(shí)驗(yàn)。實(shí)驗(yàn)中，采用錄音設(shè)備錄制了10個(gè)人、3個(gè)不同時(shí)間所說的同一句話，共30句，平均時(shí)間長度為4.5ms。從每個(gè)人的3句話中選擇頻譜清晰的一句訓(xùn)練成模板，另外錄制20句由這10個(gè)人所說的長度接近但內(nèi)容不同的語音做測試語音。這樣模板庫中有10個(gè)模板，測試語音有50個(gè)。

首先通過各模板間的匹配，確定了判決門限0.2，然后把50句測試語音依次送