介紹一種適合家電遙控器應用的語音識別算法，該算法使用雙模塊和兩級端點檢測方法，能有效地提高識別和穩健性；介紹利用該技術實現的一種新型學習型遙控器，展現了語音識別技術在家電領域的廣闊前景。 關鍵詞：語音識別 DTW FED FRED 學習型遙控器 家用電器發展的一個重要方面是讓用戶界面更加人性化，更加方便自然，做到老年人和殘疾人可以無障礙地使用。利用語音識別技術實現語音控制是提高家電產品用戶界面質量的一條重要途徑。

本文以語音控制遙控器為例，說明語音識別技術如何應用在家電器領域。 適合家用電器應用的語音識別嵌入式系統結構如圖1所示，它由四個部分組成。第一部分為模/數轉換部分，其輸入端接收輸入的語音信號，并將其轉化成數字芯片可處理的數字采集信號；在輸出端將解碼后的語音數字信號轉換為音頻模擬信號，通過揚聲器放聲。第二部分為語音識別部分，它的作用是對輸入的數字語音詞條信號進行分析，識別出詞條信號所代表的命令，一般由DSP完成。第三部分語音提示和語音回放部分，它一般也是在DSP中完成的，其核心是對語音信號進行數字壓縮編碼和解碼，目的是提示用戶操作并對識別語音的響應，完成人機的語音交互。第四部分是系統控制部分，它將語音識別結果轉換成相應的控制信號，并將其輸出轉換成物理層操作，完成具體功能。語音識別與系統控制的有機結合是完成聲控交互的關鍵，下面將對語音識別算法及遙控系統控制部分作詳細的討論。

1 語音識別算法 目前，常以單片機（MCU）或DSP作炎硬件平臺的實現消費類電子產品中的語音識別。這類語音識別主要為孤立詞識別，它有兩種實現方案：一種是基于隱含馬爾科夫統計模型（HMM）框架的非特定人識別；另一種是基于動態規劃（DP）原理的特定人識別。它們在應用上各有優缺點。HMM非特定人員的優點是用戶無需經過訓練，可以直接使用；并且具良好的穩定性（即對使用者而言，語音識別性能不會隨著時間的延長而降低）。但非特定人語音識別也有其很難克服的缺陷。首先，使用該方法需要預先采集大量的語料庫，以便訓練出相應的識別模型，這就大大提高了應用此技術的前期成本；其次，非特定人語音識別很難解決漢語中不同方言的問題，限制了它的使用區域；另外還有一個因素也應予以考慮，家電中用于控制的具體命令詞語最好不要完全固定，應當根據的用戶的習慣而改變，這一點在非特定人識別中幾乎不可能實現。因此大多數家電遙控器不適合采用此方案。

DP特定人識別的優點是方法簡單，對硬件資源要求較低；此外，這一方法中的訓練過程也很簡單，不需預先采集過多的樣本，不僅降低了前期成本，而且可以根據用戶習慣，由用戶任意定義控制項目的具體命令語句，因而適合大多數家電遙控器的應用。DP特定識別的嚴重缺點是它的穩健性不理想，對有些人的語音識別率高，有的人識別率卻不高；剛訓練完時識別率較高，但隨著時間的推遲而識別率降低。些缺點往往給用戶帶來不便。為克服這些缺陷，對傳統方法作為改進，使識別性能和穩健性都有顯著的提高，取得令人滿意的結果。 1.1 端點檢測方法 影響孤立詞識別性能的一個重要因素是端點檢測準確性。在10個英語數字的識別測試中，60毫秒的端點誤差就使識別率下降3%。

對于面向消費類應用的語音識別芯片系統，各種干擾因素更加復雜，使精確檢測端點問題更加困難。為此，提出了稱為FRED（Frame-based Readl_time Endpoint Detection）算法[3]的兩級端點檢測方案，提高端點檢測的精度。第一級對輸入語音信號，根據其能量和過零率的變化，進行一次簡單的實時端點檢測，以便去掉靜音得到輸入語音的時域范圍，并且在此基礎上進行頻譜特征提取工作。第二級根據輸入語音頻譜的FFT分析結果，分別計算出高頻、中頻和低頻段的能量分布特性，用來判別輕輔音、濁輔音和元音；在確定了元音、濁音段后，再向前后兩端擴展搜索包含語音端點的幀。FRED端點檢測算法根據語音的本質特征進行端點檢測，可以更好地適應環境的干擾和變化，提高端點檢測的精度。 在特定人識別中，比較了常用的FED（Fast Endpoint Detection）[5]和FRED兩種端點檢測算法的性能。兩種算法測試使用相同的數據庫，包括7個人的錄音，每個人說100個人名，每個人名讀3遍。測試中的DP模板訓練和識別算法為傳統的固定端點動態時間伸縮（DTW）模板匹配算法[4]。兩種端點檢測算法的識別率測試結果列在表1中。 表1 比較FED和FRED端點檢測算法對DTW模板匹配識別率的影響 端點檢測算法第1人第2人第3人第4人第5人第6人第7人平均 FED 92.5% 87% 92.6% 95.6% 96.2% 96.8% 100% 94.4% FRED 94.3% 89.9% 93.2% 99.4% 99.4% 98.8% 100% 96.4% 測試結果說明：使用FRED端點檢測算法，所有說話人的識別率都有了不同程度的提高。因此，本系統采用這種兩級端點檢測方案。 1.2 模擬匹配算法 DTW是典型的DP特定人算法，為了克服自然語速的差異，用動態時間規整方法將模板特征序列和語音特征序列進行匹配，比較兩者之間的失真，得出識別判決的依據。 假設存儲的一個詞條模板包括M幀倒譜特征R={r(m);m=1,2,∧,M}；識別特征序列包括N幀倒譜特征T={t(n);n=1,2, ∧,N}。在r(i)和t(i)之間定義幀局部失真D(i,j),D(i,j)=|r(i)-t(i)| 2，通過動態規劃過程，在搜索路徑中找到累積失真最小的路徑，即最優的匹配結果。采用對稱形式DTW： 其中S(i,j)是累積失真,D（i,j）是局部失真。 當動態規劃過程計算到固定結點（N，M）時，可以計算出該模板動態匹配的歸一化距離，識別結果即該歸一化距離最小的模板詞條：x=argmin{S(N,Mx)}。 為了提高DTW識別算法的識別性能和模板的穩健性，提出了雙模板策略，即x=argmin{S(N,M2x)}。第一次輸入的訓練詞條存儲為第一個模板，第二次輸入的相同訓練詞條存儲為第二個模板，希望每個詞條通過兩個較穩健的模板來保持較高的識別性能。與上面測試相同，也利用7個人說的100個人名，每個人名含3遍的數據庫，比較DTW單模板和雙模板的性能差別，結果更在表2中。 表2 DTW不同模板數的識別率比較 DTW 第1人第2人第3人第4人第5人第6人第7人平均 單模板 94.3% 89.9% 93.2% 99.4% 99.4% 98.8% 100% 96.4% 雙模板 99.4% 96.6% 98.5% 100% 100% 98.8% 100% 99.0% 測試結果說明：通過存儲兩個模板，相當大地提高了DTW識別的性能，其穩健性也有很大的提高。因此，對特定人識別系統，采用DTW雙模板是簡單有效的策略。

綜上所述，該嵌入式語音識別芯片系統采用了改進端點檢測性能的FRED算法，12階Mel頻標倒譜參數（MFCC）作為特征參數，使用雙模板訓練識別策略。通過一系列測試，證明該系統對特定人的識別達到了很好的識別性能，完全可以滿足家用電器中聲控應用的要求。 2 語音控制遙控器設計 目前家用遙控器主要為按鍵式，并有兩種類型：一種是固定碼型，每個鍵對應一種或幾種碼型，都是生產廠家預先設定好的，用戶不能更改；另一種是學習型，具有自我學習遙控碼的功能，可由用戶定義遙控器的每個鍵對應的碼型，它能夠將多種遙控器集于一身，用一個遙控器就可控制多個

家電，又可以作為原配遙控器的備份。由于現代家電功能不斷增加，上述兩種遙控器都有按鍵過多，用戶不易記住每個鍵的含義等問題。將語音識別技術應用于學習型遙控器，利用語音命令代替按者對命令的記憶和使用，同時省去了大量按鍵，縮小了遙控器的體積。 語音控制遙控器的硬件框圖如圖2所示，它由兩個獨立的模塊組成：語音信號處理模塊和系統控制模塊。 語音信號算是模塊由DSP、快閃存儲器（FLASH）、編解碼器（CODEC）組成。其中DSP是整個語音識別模塊的核心，負責語音識別、語音編解碼，以及FLASH的讀寫控制。DSP的優點是運算速度快、內存空間大、數據交換速度快，可用來實現復雜的算法，提高識別率，減小反應延時，得到較高的識別性能。DSP芯片選用Analog Devices公司的AD2186L，它具有如下特點：①運算速度達40MIPS，且均為高效的單調周期指令；②提供了40K字節的片內RAM，其中8K字（16Bit/字）為數據RAM，8K字（24Bit/字）為程序RAM，最大可達4兆字節的存儲區，用于存儲數據或程序；③3.3V工作電壓，具有多種省電模式。AD2186L既能完成與語音信號算是相關的算法，又適合使用電池作能源的遙控器。FLASH和CODEC也都選用3.3V工作電壓的芯片。

FLASH為美國ATMEL公司的AT29LV040A（4M Bit），它作為系統的存儲器，主要用于存放以下內容：提示語音合成所需的參數，特定人訓練后的碼本數據，DSP系統的應用程序和學習和遙控碼數據。CODEC選用美國TI公司的TLV320AC37，用來進行A/D、D/A變換、編碼和解碼。 系統控制模塊由單片機、紅外接收發送器、電源管理電路組成。單片機負責整個遙控器的系統控制。單片機作為主控芯片，進行鍵盤掃描，根據用戶通過鍵盤輸入的指令，分別完成學習遙控碼；控制DSP進行語音訓練、回放、識別；將識別結果轉換成相應的遙控碼，通過紅外發光管發射出去。單片機與DSP之間通過標準的RS232串行協議通訊。

系統的控制軟件流程圖如圖3所示。在使用前，按“學習鍵”進入學習狀態，用戶先對學習型遙控器訓練語音命令，并使其學習與各語音命令相對應的原理控碼型。使用時按“識別鍵”，進入語音識別狀態，等待語音處理模塊返回結果，若返回正確的識別結果，則把相應的遙控碼發射出去。例如，原電視遙控器數字鍵“1”對應中央1臺，用戶的訓練命令為“中央1臺”，學習了原遙控器的數字鍵“1”的遙控碼，并使其與訓練命令“中央1臺”對應起來。于是使用時只需對著學習型遙控器的麥克風說出“中央1臺”，電視就會切換到中央1臺。

這樣用戶不需要記住每個電視臺與臺號的對應關系，相對于枯燥的頻道數字，用戶自定義的命令更容易記住。 若連續的30秒無正確的命令則遙控器進入休眠狀態，單片機控制電源管理電路切換DSP和FLASH電源，單片機本身也進入休眠狀態，直至用戶按鍵，喚醒單片機，再由單片機控制恢復DSP和FLASH供電，重新開始工作。這是因為整個系統中，DSP的功耗最大，長時間不用時，關閉語音信號處理模塊，可以顯著地降低整個系統的功耗。 從實驗室走向市場的過程中，可靠性與成本是遇到的最大挑戰。采用雙模板的DTW和兩組端點檢測FRED算法，可在系統資源和反應延時增加極小的情況下，有效地提高識別率和穩健性。該項技術成功地運用在學習型遙控器上，展現了語音識別技術在家電領域的廣闊前景。