很多人不知道#智能语音机器人#实现原理，今天晟兴智能语音机器人(sxznai. （1）初始化
（2）递推
（3）终止
式（2）表示的是初始前向概率，bi（o1）为观察值序列处于t=1时刻在状态i时的输出概率，由于它服从连续高斯混合分布，故此值往往极小。根据大量实验观察，通常小于10-10，此值在定点DSP中已不能用Q格式表示。分析式（3）可以发现，随着时间t的增加，还会有大量的小数之间的乘法加法运算，使得新的前向概率值at+1更小，逐渐趋向于0，定点DSP采用普通的Q格式进行计算时便会负溢出，即便不发生负溢出也会大大丢失精度。因此必须寻找一种解决方法，在不影响DSP实时性的前提下，既不发生负溢出，又能提高精度。2DSP实现语音识别孤立词语音识别一般采用DTW动态时间规整算法。连续语音识别一般采用HMM模型或者HMM与人工神经网络ANN相结合。为了能实时控制机器人，首先需要考虑的是能够实现实时地语音识别。而考虑到CHMM的巨大计算量以及成本因素，采用了数据处理能力强大，成本相对较低的定点数字信号处理器，即定点DSP。本实验采用的是TI公司多媒体芯片TMSDM。定点DSP要能准确、实时的实现语音识别，必须考虑2点问题：精度问题和实时性问题。精度问题的产生原因已经由1.4节详细阐述，这里不再赘述。因此必须找出一种可以提高精度，而又不会对实时性造成影响的解决方法。基于以上考虑，本文提出了一种动态指数定标方法。这种方法类似于科学计数法，用2个32b单元，一个单元表示指数部分EXP，另一个单元表示小数部分Frac。首先将待计算的数据按照指数定标格式归一化，再进行运算。这样当数据进行运算时，仍然是定点进行，从而避开浮点算法，从而使精度可以达到要求。对于实时性问题，通常，语音的频率范围大约是～Hz左右，因而本实验采样率取8kHz，16b量化。考虑识别的实现，必须将语音进行分帧处理。研究表明，大约在10～30ms内，人的发音模型是相对稳定的，所以本实验中取32ms为一帧，16ms为帧移的时间间隔。解决实时性问题必须充分利用DSP芯片的片上资源。利用EDMA进行音频数据的搬移，提高CPU利用率。采用PING—PONG缓冲区进行数据的缓存，以保证不丢失数据。CHMM训练的模板放于外部存储器，由于外部存储器较片内存储器的速度更慢，因此开启CACHE。建立DSP／BIOS任务，充分利用BIOS进行任务之间的调度，实时处理新到的语音数据，检测语音的起止点，当有语音数据时再进入下一任务进行特征提取及识别。将识别结果用扬声器播放，并送入到机器人的控制模块。实验中，采用如图3的程序架构。
图3 机器人识别软件框图3机器人控制机器人由自然条件下的语句进行控制。这些语句描述了动作的方向，以及动作的幅度。为了简单起见，让机器人只执行简单命令。由手机进行遥控，DSP模块识别出语音命令，送控制命令到ARM模块，驱动左右机械轮执行相应动作。3.1硬件结构
机器人的硬件结构如图4所示。
图4 机器人硬件结构机器人主要有2大模块，一个是基于DSP的语音识别模块；另一个是基于ARM的控制模块，其机械足为两滑轮。由语音识别模块识别语音，由控制模块控制机器人动作。3.2语音控制首先根据需要，设置了如下几个简单命令：前、后、左、右。机器人各状态之间的转移关系如图5所示。其中，等待状态为默认状态，当每次执行前后或左右转命令后停止，即回到等待状态，此时为静止状态。
图5 机器人状态语音的训练模板库由4个命令加10个阿拉伯数字共14个组成，如下所示。命令：“前”、“后”、“左”、“右”；数字：“0～9”。命令代表动作的方向，数字代表动作的幅度。当执行前后命令时，数字的单位为dm，执行左右转弯命令时，数字的单位为角度单位的20°。每句命令句法为命令+数字。例如，语音“左2”表示的含义为向左转弯40°，“前4”表示向前直行4dm。机器人语音控制的关键在于语音识别的准确率。表1给出了5个男声样本的识别统计结果。
表1 识别统计结果4结语工作中，成功地将CHMM模型应用于定点DSP上，并实现了对机器人的语音控制。解决了CHMM模型巨大计算量及精度与实时性之间的矛盾。提出了一种新的端点检测算法，对于对抗短时或较低能量的环境噪音具有明显效果。同时需要指出的是，当语音识别指令增多时，则需要定义更多的句法，并且识别率也可能会相应降低，计算量也会相应变大。下一步研究工作应更注重提高大词汇量时的识别率及其鲁棒性。
晟兴智能语音机器人以上便是对智能机器人语音识别技术的具体讲解，更多内容可以
转载请注明：http://www.0431gb208.com/sjslczl/2113.html
