語音識別是人機交互的一種重要技術手段。根據實際需要和應用場合的不同，語音識別可以分為孤立詞識別和連續語音識別、特定人識別和非特定人識別。語音識別追求的主要指標為高識別率、實時性和大詞匯量；而對于一個語音識別系統，還應考慮軟硬件設計簡單、價格低廉、外圍控制靈活、人機交互便捷等特點。性能良好且成本低廉的語音識別系統在智能家電接口、智能玩具、智能儀器等領域提供便捷的人機交互服務，將具有廣闊的應用前景。
語音識別系統構成
語音識別系統主要包括識別單元選取、預處理、特征提取、模式匹配、參考模式庫等幾個部分。根據模式識別的原理，對未知的語音的模板與已知語音的參考模板逐一進行比較，得到的最佳匹配的參考模板就是識別的最終結果。語音識別的系統框圖如圖1所示。
初步處理：語音信號首先經過話筒會變成電信號，之后進行初步處理。初步處理包括對信號進行的濾波、數字化、預加重、分幀加窗以及端點檢測等一系列步驟。通過這些處理，將語音信號變成數字信號，并利用窗函數把語音數據序列分成連續的信號幀，找出信號中的語音部分。
特征提?。盒盘柦涍^初步處理之后，進入特征提取單元進行特征分析和特征提取。提取特征單元的功能一般是完成基于頻譜的特征矢量的計算，提取出代表信號特征的參數，形成矢量模板。語音幀的特征矢量按照一定的規則進行處理之后，作為參考模型和待識別語音的模板。
參考模型庫：參考模型庫就是語音信號的參考模板庫，通常是對說話人進行多次重復的語音訓練之后，使用平均或者聚類的分析方法，對這些語音信號進行一系列的分析和計算得到的特征矢量模板組成。
模板匹配：模板匹配單元完成特征矢量與已存語音信號模板之間的匹配計算。將輸入語音形成的特征矢量模板與訓練得的到語音模板庫進行分析比較，根據一定的搜索和匹配原則找出與參考模板中差別最小的特征矢量模板，然后根據此模板對應的語音信號找出識別結果。
語音識別系統的設計思想
隨著語音識別算法的發展以及嵌入式設備的運算能力的提高，在具有一定計算能力和存儲空間的嵌入式硬件平臺上實現語音識別，進而取代一些繁雜的直接操作已經成為了語音識別的重要發展方向。本系統是基于C8051F040單片機的語音識別系統，其識別框架如圖2所示。
圖1 語音識別系統結構圖
圖2 嵌入式語音識別系統框架圖
嵌入式語音識別系統的工作過程：首先采集語音信號，在程序運行時，通過控制模塊輸入當前需要進行的模板的訓練操作，輸入完成后系統采集特定人的語音信號，A/D轉換之后進入控制器，通過一系列的算法建立起該特定人的標準語音庫，并將其存入存儲電路之中；在語音識別時，首先通過控制模塊輸入當前需要進行的操作，然后采集用戶的語音，將采集到的信號進行一系列運算處理提取出特征矢量模板，存入存儲單元之中，并與標準語音庫中的語音命令進行比較，在允許的誤差范圍內找出語音庫中最接近該段音頻的語音信號，并把該語音信號作為識別結果通過顯示模塊告知用戶。
語音識別系統的硬件結構
語音識別系統的硬件部分主要由聲音采集模塊（拾音器以及功率放大電路）、帶通濾波器、存儲電路、串口通信電路、鍵盤控制電路、顯示電路以及微控制器等幾個基本單元組成。系統的硬件組成框圖如圖3所示。
圖3 語音識別系統硬件結構圖
系統的微控制器部分是整個系統的控制中心，主要完成對語音信號的存儲、對外部命令的響應、算法的實現以及實驗結果的輸出。本系統的采樣功能由單片機本身實現，選用的C8051F040型號單片機包含有A/D采樣的功能，而且采樣速率能夠滿足進行語音信號時所需要的采樣頻率。
進行語音實驗時，語音首先要進入聲音采集模塊。聲音采集模塊由拾音器和功率放大器組成。拾音器用于將語音信號轉化成電信號。當語音信號從拾音器出來之后會轉換成微弱的電信號（毫伏級），因此在拾音器的后端需要將該電信號進行放大處理（放大到伏級），這就是該模塊中功率放大電路的作用。
一般的語音最高頻率是3.4KHz，最低頻率為300Hz，而在語音信號通過輸入系統之后需要對該頻率段之外的頻率成分濾除，以提高語音的信噪比。帶通濾波器用于對語音信號進行濾波，以保留300Hz~3.4KHz的信號。為了實現對放大后信號的濾波處理，帶通濾波器可由低通濾波器和高通濾波器級聯而成，即設計一個下限截止頻率為300Hz的高通濾波器和上限截止頻率為3.4KHz的低通濾波器來級聯。
語音信號的采集一般需要8KHz的采樣頻率，而單片機本身片上資源較少，當存儲語音數據時可能會有存儲空間不夠的情況，此時，系統需要外部存儲器。
鍵盤控制模塊用于對語音的錄入、模版的訓練和語音信號的識別過程進行控制。
LCD顯示模塊用于顯示當前的系統狀況和識別結果，以便提示用戶進行下一步的操作。
串口通信模塊用于實現上下位機之間的點對點通訊。
語音識別系統的硬件設計
微控制器
語音信號的數據量非常大，系統語音識別時需要具有較強的計算能力。系統選用C8051F040單片機作為處理器。
C8051F040單片機是完全集成的混合信號系統級芯片，采用了流水線處理技術，除了不再劃分時鐘周期和機器周期，還能在執行指令期間對下一條指令進行預處理，因而大大提高了指令的執行速度。C8051F040有著強大的處理能力，它在一個芯片內集成了數據采集和控制所需的幾乎全部硬件外設，代表了目前8位單片機的發展方向。
圖4 7805芯片連接圖
圖5 AS1117芯片連接圖
圖6 兩級放大電路圖
圖7 帶通濾波器電路圖
電源系統
本系統外部提供9V的直流電源，因此采用線性穩壓芯片7805作為電壓調節和穩壓器件來將較高的直流電壓轉變成所需的工作電壓，即將9V~12V電源轉換為穩定的5V直流電源。
使用7805芯片進行穩壓之后，采用AS1117芯片穩壓數字電源DV和模擬電源AV的輸入。
輸入系統
輸入系統用于把語音信號通過麥克風變成電信號。同時，由于語音信號比較微弱，所以必須要將電信號適當地放大。一般情況下，拾音器的輸出為毫伏級的電壓，要將電壓信號放大到伏級，需要放大的倍數大致為1000倍。
由于輸入到放大器的信號很微小，為了減小動態誤差，本系統處于深度反饋之中。同相放大器的電壓放大倍數一般在1~100之間，由于放大倍數為1000左右，本文選擇NE5532芯片進行兩級同向放大器的設計。在兩級放大電路中，前一級的輸出信號就是后一級的輸入信號，后一級的輸入電阻就是前一級的負載。兩級放大電路的電壓放大倍數等于各級電壓放大倍數的乘積。
帶通濾波電路
語音的頻率范圍一般為300Hz~3.4KHz，為了提高語音信號的質量，可以在輸入與輸出的回路中設計一個帶通濾波器來濾除語音頻率范圍以外的頻率成分。本文采用運算放大器NE5532設計巴特沃斯帶通濾波器。這個帶通濾波器通過前級的二階壓控型低通濾波器與后級的二階壓控高通濾波器級聯而成。需要低通濾波器的上限截止頻率為3.4KHz，高通濾波器的下限截止頻率為300Hz。
存儲系統
在系統中，對語音信號的存儲以及識別算法要求系統有足夠的空間來存儲這些原始數據和中間數據。本文選擇的C8051F040單片機雖然集成了4KB的外部內存，但是對于系統大量的存儲需要，還需要擴展外部內存。語音識別時采用8KHz的采樣率，每段2s的音頻信號至少需要16KB的存儲空間，因此系統使用外擴256K字節的FLASH ROM作為語音參考模板的存儲空間。對于待識別語音，本系統外擴了32K字節的SRAM作為存儲空間，這樣就至少能錄制4s的語音信號，滿足需求。在擴展內存之時，為了配置端口的方便考慮，將其擴展到P4~P7口，即P7口對應于8位數據線，P6口對應于地址線的高8位。
通信電路
為了便于系統調試，系統采用串口通信作為單片機與上位機之間的通訊方式，將計算數據和識別結果傳輸到機之中。
C8051F040有兩種串行通信總線：增強型串行通信總線UART0和異步全雙工串行通信總線UART1。
圖8 單片機與MAX3232接口電路圖
UART0包含四種工作模式（模式0、模式1、模式2和模式3），本系統選擇UART0的模式1作為通信模式。UART0的模式1：同步方式為異步，波特時鐘為T1、T2、T3或T4溢出，有效位為8位，1起始位，1停止位。
單片機與PC機之間最簡單的通信方式就是串口通信。但是RS-223C所規定的邏輯電平與單片機的邏輯電平是不同，必須把單片機的電平轉變為RS-223C電平。本系統采用MAX3232芯片進行這種電平轉換。單片機與MAX3232的接口電路如圖8所示。
MAX3232的輸入TXD和RXD通過單片機的交叉開關配置，可以配置到P0.0口以及P0.1口。將TXD和RXD分別接入MAX3232的一端輸入T1in以及R1out。MAX3232的輸出TD、RD分別接入9針串行插口的2腳和3腳，5腳接地，然后通過串口線與PC上的串行接口相連，即可完成單片機與PC機之間的通信電路搭建。
系統軟件設計
在語音識別系統的整個程序設計中，系統進入主程序之后，主程序采用調用子程序的方式來完成對語音模板的訓練和識別等任務。系統的主程序流程如圖9所示。系統運行之后，有按鍵按下時，判斷為何種命令，如果是模板訓練命令則進行模板訓練的算法操作，如果是語音識別命令則執行語音識別子程序。
結束語
C8051F040是高度集成的混合信號SoC級微控制器芯片。本文基于此芯片，實現了特定人孤立詞語音識別的系統的設計。硬件設計中，以C8051F040為核心進行了電源系統、語音輸入、帶通濾波、存儲系統和通訊模塊等電路的設計。本設計的系統可靠性高、成本低、操作簡單，具有較好的應用前景。
圖9 語音識別主程序流程圖