基于ATMEGAl28的语音识别系统设计

0 引言

传统的人机交互依靠复杂的键盘或按钮来实现，随着科技的发展，一些新型的人机交互方式也随之诞生，带给人们全新的体验。基于语音识别的人机交互方式是目前热门的技术之一。但是语音识别功能算法复杂、计算量大，一般在计算机上实现，即使是嵌入式方面，多数方案也需要运算能力强的ARM或DSP，并且外扩RAM、FLASH等资源，增加了硬件成本，这些特点无疑限制了语音识别技术的应用，尤其是嵌入式领域。
本系统采用的主控MCU为Atmel公司的ATMEGA128，语音识别功能则采用ICRoute公司的单芯片LD3320。LD3320内部集成优化过的语音识别算法，无需外部FLASH，RAM资源，可以很好地完成非特定人的语音识别任务。

1 整体方案设计

1．1 语音识别原理

在计算机系统中，语音信号本身的不确定性、动态性和连续性是语音识别的难点。主流的语音识别技术是基于统计模式识别的基本理论，原理如图1所示。

语音识别通常需要两个阶段完成。第一阶段是训练，主要是提取语音特征，用户往往需要进行几次语音训练，经过预处理和特征提取后获得相应特征参数。第二阶段是识别，识别过程就是将输入的语音特征参数和模型库中的参数进行相似性比较，最后输出匹配度最高的特征参数完成识别过程。

2 硬件电路设计

硬件框架如图2所示，电路主要由主控制器电路和语音识别电路组成。ATMEGA128控制LD3320语音识别电路，输出结果由ATMEGA128处理，然后通过总线来控制不同的设备。


2．1 控制器电路

控制器选用Atmel公司生产的ATMEGA128芯片，采用先进的RISC结构，内置128 KB FLASH，4 KB SRAM，4 KB E2PROM等丰富资源。该芯片是业界高性能、低功耗的8位微处理器，并在8位单片机市场有着广泛应用。

2．2 LD3320语音识别电路

LD3320芯片是一款"语音识别"专用芯片。该芯片集成了语音识别处理器和一些外部电路，包括A／D、D／A转换器、麦克风接口、声音输出接口等，而且可以播放MP3。不需要外接任何的辅助芯片如FLASH，RAM等，直接集成到产品中即可以实现语音识别、声控、人机对话功能。

图3为LD3320电路原理图，与MCU通信采用SPI总线方式，时钟不能超过1．5MHz。

麦克风工作电路如图4所示，音频输出只需将扬声器连接到SPOP和SPON即可。使用SPI总线方式时，LD3320的MD要设为高电平，SPIS设为低电平。SPI总线的引脚有SDI，SDO，SDCK以及SCS。INTB为中断端口，当有识别结果或MP3数据不足时，会触发中断，通知MCU处理。RSTB引脚是LD3320复位端，低电平有效。LED1，LED2作为上电指示灯。


3 软件系统设计

软件设计主要有两部分，分别为移植LD3320官方代码和编写语音识别应用程序。

3．1 移植LD3320源代码

LD3320源代码是基于51单片机实现的，SPI部分采用的是软件模拟方式，但在播放MP3数据时会有停顿现象，原因是51单片机主频较低，导致SPI速率很慢，不能及时更新MP3数据。移植到ATMEGA128需要修改底层寄存器读写函数、中断函数等。底层驱动在Reg_RW．c文件中，首先在Reg_RW．h使用HARD_PARA_PORT宏定义，以支持硬件SPI。然后在Reg_RW．c文件中找到HARD_PARA_PORT对应条件宏的代码段，保留AVR的SPI接口代码。

3．2 应用程序实现

在代码中预先设定几个单词："你好"，"播放音乐"，"打开"。当用户说"播放音乐"时，MCU控制LD3320播放一段音乐，如果是其他词语，则在串口中打印识别结果，然后再次转换到语音识别状态。

3．2．1 MP3播放代码

LD3320支持MP3数据播放，播放声音的操作顺序为：

通用初始化→MP3播放用初始化→调节播放音量→开始播放。

将MP3数据顺序放入数据寄存器，芯片播放完一定数量的数据时会发出中断请求，在中断函数中连续送入声音数据，直到声音数据结束。MP3播放函数实现代码如下：

由于MCU容量限制，选取测试的MP3文件不能太大。首先在计算机上将MP3文件的二进制数据转为标准C数组格式文件，然后将该文件加入工程中。源代码中MP3文件存储在外扩的SPI FLASH中，工程中需要注释和移除全部相关代码。MP3数据读取函数是LD_ReloadMp3Data()，只需将读取的SPI FLASH数据部分改成以数组数据读取的方式即可。

3．2．2 语音识别程序

LD3320语音识别芯片完成的操作顺序为：通用初始化→ASR初始化→添加关键词→开启语音识别。在源代码中的RunASR()函数已经实现了上面的过程，直接调用即可开启语音识别功能。

RunASR()函数代码如下：

用户说完话后，LD3320通过打分的方式，将关键词列表中特征最相似的一个作为输出。然后LD3320会产生一个中断信号，此时MCU跳入中断函数读取C5寄存器的值，该值即为识别结果，得到结果后，用户可以根据数值来实现一些功能，比如读取到1，说明是"播放音乐"，那么可以调用前面的PlaySound()函数来播放音乐。

语音识别控制的关键点在于语音识别的准确率。表1给出了测试结果，当然也可以在识别列表中加入更多的关键词来做测试。通过测试结果可以看出，LD3320的识别率在95％上，能够满足用户需求。