基于DSP的高速實時語音識別系統的設計與實現

　　實時語音識別系統中，由于語音的數據量大，運算復雜，對處理器性能提出了很高的要求，適于采用高速DSP實現。雖然DSP提供了高速和靈活的硬件設計，但是在實時處理系統中，還需結合DSP器件的結構及工作方式，針對語音處理的特點，對軟件進行反復優化，以縮短識別時間，滿足實時的需求。因此如何對DSP進行優化編程，解決算法的復雜性和硬件存儲容量及速度之間的矛盾，成為實現系統性能的關鍵。本文基于TMS320C6713設計并實現了高速實時語音識別系統，在固定文本的說話人辨識的應用中效果顯著。

　　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語音識別系統的基礎。語音識別的過程可以被看作足模式匹配的過程，模式匹配是指根據一定的準則，使未知模式與模型庫中的某一模型獲得最佳匹配。

　　1.1 MFCC

　　語音識別中對特征參數的要求是：

　　(1) 能夠有效地代表語音特征;

　　(2) 各階參數之間有良好的獨立性;

　　(3) 特征參數要計算方便，保證識別的實時實現。

　　系統使用目前最為常用的MFCC(Mel FrequencyCepstral Coefficient，美爾頻率倒譜系數)參數。

　　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三角濾波器進行Binning運算;

　　(3) 求log，換算成對數率;

　　(4) 從對數率的濾波器組幅度，使用DCT變換求出MFCC系數。

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

　　1.2 DTW

　　語音識別中的模式匹配和模型訓練技術主要有DTW(Dynamic Time Warping，動態時間彎折)、HMM(HideMarkov Model，隱馬爾科夫模型)和ANN(Artificial Neu-ral Network，人工神經元網絡)。

　　DTW是一種簡單有效的方法。該算法基于動態規劃的思想，解決了發音長短不一的模板匹配問題，是語音識別中出現較早、較為經典的一種算法。DTW算法的原理是計算兩個長度不同的語音之間的相似程度，即失真距離。

　　設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。本文中每幀語音的特征參數為14維，因此T，R分別為N