電子語(yǔ)音玩具設(shè)計(jì)中語(yǔ)音、軟件、功耗等技術(shù)的綜合考慮

趙大有 2002/10/28

　　今天孩子們的玩具實(shí)際上屬于一種嵌入式系統(tǒng)，本文跳過(guò)玩具產(chǎn)品設(shè)計(jì)項(xiàng)目中的"概念設(shè)計(jì)"階段，直接從項(xiàng)目的工程設(shè)計(jì)開(kāi)始討論，并且假定項(xiàng)目的設(shè)計(jì)規(guī)格說(shuō)明書(shū)(設(shè)計(jì)指標(biāo))已經(jīng)完成。這些設(shè)計(jì)規(guī)格說(shuō)明書(shū)通常是以游戲模式流程圖的方式來(lái)詳細(xì)地描述玩具的行為。我們?cè)O(shè)想的洋娃娃游戲模式如下：

常規(guī)模式：

　　A. 玩具是嬰兒洋娃娃，其腰部配備一個(gè)常態(tài)為斷開(kāi)的開(kāi)關(guān)(該開(kāi)關(guān)用來(lái)檢測(cè)擁抱洋娃娃的動(dòng)作)，還有一個(gè)重力開(kāi)關(guān)(該開(kāi)關(guān)用來(lái)檢測(cè)洋娃娃是站立還是躺下姿勢(shì))。 B. 洋娃娃站立時(shí)重力開(kāi)關(guān)斷開(kāi)。 C. 洋娃娃站立時(shí)，如果腰部開(kāi)關(guān)被按下，洋娃娃將播放下列聲音中的一種：哈哈地笑、長(zhǎng)時(shí)間地大笑、或者以愉快的聲調(diào)說(shuō)話。每一次按下洋娃娃的腰部開(kāi)關(guān)，洋娃娃都將循環(huán)地播放上述聲音中的一種。 D. 洋娃娃躺下時(shí)，如果腰部開(kāi)關(guān)被按下，那么洋娃娃會(huì)發(fā)出哭聲，然后轉(zhuǎn)為無(wú)聲。E. 如果將洋娃娃的姿勢(shì)由躺下轉(zhuǎn)為站立，洋娃娃就會(huì)打哈欠。 F. 如果將洋娃娃的姿勢(shì)由站立轉(zhuǎn)為躺下，洋娃娃就會(huì)發(fā)出簡(jiǎn)短的鼾聲，然后轉(zhuǎn)為無(wú)聲。

語(yǔ)音控制模式：

　　A. 洋娃娃站立時(shí)，如果超過(guò)2分鐘沒(méi)有外界信息輸入，他會(huì)說(shuō)："好寂寞呀，怎么沒(méi)人陪我玩"B.在這個(gè)時(shí)候，如果還沒(méi)有信息輸入，洋娃娃將播放下列聲音中的一種：哈哈地笑、長(zhǎng)時(shí)間地大笑、或者以愉快的聲調(diào)說(shuō)話。C. 洋娃娃站立時(shí)，你可以和他進(jìn)行對(duì)話，如"你多大了？"、"你叫什么？"甚至可以和你對(duì)詩(shī)。D.如果給洋娃娃加上機(jī)械動(dòng)作，我們同樣可以用語(yǔ)音來(lái)控制它的動(dòng)作，比如你可以叫他跳舞、唱歌、行走等。

聲音處理

工程設(shè)計(jì)的第一步是記錄聲音并且將聲音信息傳送給芯片開(kāi)發(fā)系統(tǒng)。盡管以后還要進(jìn)行下采樣(downsapling)，但是對(duì)聲音信號(hào)進(jìn)行高質(zhì)量的采樣仍然十分重要。從聲學(xué)意義上講，該記錄過(guò)程通常都應(yīng)該在絕對(duì)安靜的錄音棚環(huán)境下進(jìn)行，要采用44KHz 16位采樣方式錄制，并直接將聲音信號(hào)記錄在計(jì)算機(jī)硬盤(pán)上。通常情況下應(yīng)該聘請(qǐng)語(yǔ)音專業(yè)人員來(lái)從事錄制工作，而不是由項(xiàng)目工程師或辦公人員來(lái)錄制。每一個(gè)字詞或者短語(yǔ)最好錄音幾次，這樣就有選擇的余地。

　　對(duì)于那些需要從電子樂(lè)器中獲取音樂(lè)的工程項(xiàng)目來(lái)說(shuō)，更可取的方法是將藝術(shù)家的演奏效果記錄成MIDI格式。MIDI格式可以修改演奏的樂(lè)器以及播放順序，并且在必要的時(shí)候(如根據(jù)硬件進(jìn)一步調(diào)整語(yǔ)音性能)去掉多調(diào)(polyphonic)成分。

　　有時(shí)，音頻工程師還必須通過(guò)合并冗余的聲音信號(hào)來(lái)實(shí)現(xiàn)被采樣聲音的分解以壓縮ROM空間。一個(gè)典型實(shí)例就是從1到20之間計(jì)數(shù)的語(yǔ)音玩具。在這樣的玩具設(shè)計(jì)中，并不需要為每一個(gè)數(shù)字都單獨(dú)進(jìn)行語(yǔ)音采樣和錄音，語(yǔ)音采樣通常從數(shù)字1開(kāi)始到12，然后是數(shù)字20，接下來(lái)是音節(jié)"thir-"(數(shù)字13)、"fif-"(數(shù)字15)和"eigh-"(數(shù)字18)，除此之外，還有后綴"-teen"。請(qǐng)注意，"four"、"six"、"seven"和"nine"等語(yǔ)音信號(hào)既可以表示這些數(shù)字所代表的語(yǔ)音，也可作為音節(jié)跟語(yǔ)音后綴"teen"結(jié)合表示大于10的數(shù)字的語(yǔ)音。

　　對(duì)語(yǔ)音信號(hào)進(jìn)行分解的程度取決于可用存儲(chǔ)空間的大小。可以嘗試將數(shù)字31分解成"thir-"(并且這個(gè)音節(jié)還可以用于數(shù)字13和30)、"-ty"(這個(gè)音節(jié)可以用于所有帶"-ty"的數(shù)字中)以及"one"。語(yǔ)音的分解費(fèi)時(shí)費(fèi)力，要拆分和連接音節(jié)，增強(qiáng)爆破音，測(cè)試連接音的不同組合以確保連接音的聲效像一個(gè)連貫字。有時(shí)為了得到僅僅幾個(gè)詞的比較理想的聲效，可能需要幾個(gè)星期時(shí)間，所以如果沒(méi)有必要應(yīng)該盡量避免更進(jìn)一步的分解。

　　語(yǔ)音分解的一個(gè)極端例子是設(shè)計(jì)類似于SC-01或SPO256A-AL2這樣的音位變體語(yǔ)音合成芯片。芯片中存儲(chǔ)了(實(shí)際上是合成)一個(gè)語(yǔ)音片段庫(kù)，通過(guò)這個(gè)語(yǔ)音庫(kù)你可以組合出各種各樣的詞。舉例來(lái)說(shuō)，你可以從語(yǔ)音片段"d"、"ah"和"g"來(lái)構(gòu)造出"dog"。然而，要保證這種合成的聲效聽(tīng)起來(lái)非常接近于實(shí)際情況就十分困難。

微控制器的選擇

　　在玩具的生產(chǎn)制造中，成本控制是一個(gè)重要的考慮因素，所以要盡量選用廉價(jià)的控制芯片。這樣一來(lái)幾乎所有帶語(yǔ)音的玩具都用4位語(yǔ)音微控制器芯片設(shè)計(jì)，這些芯片都包括簡(jiǎn)單的控制器內(nèi)核、輸入和輸出管腳、寄存器以及串行訪問(wèn)的ROM，在該ROM中存入一段小程序和大量語(yǔ)音采樣信號(hào)。

　　早期芯片采用簡(jiǎn)單的4位PCM編碼技術(shù)，能在很短的ROM空間內(nèi)存儲(chǔ)很長(zhǎng)的語(yǔ)音編碼信號(hào)。最新的芯片都采用4位或5位ADPCM技術(shù)，這是一種預(yù)測(cè)編碼系統(tǒng)，它利用了模擬信號(hào)數(shù)字化過(guò)程中連續(xù)采樣之間的相關(guān)性。從算法上來(lái)說(shuō)，每一個(gè)采樣值結(jié)合解碼器當(dāng)前的輸出狀態(tài)生成下一個(gè)輸出狀態(tài)。利用ADPCM技術(shù)，一個(gè)5位輸入數(shù)據(jù)流可以驅(qū)動(dòng)一個(gè)8位DAC，而且可以產(chǎn)生非常好的聲效。盡管這種壓縮系統(tǒng)并不產(chǎn)生原始信號(hào)的字節(jié)流，然而這對(duì)于語(yǔ)音和音樂(lè)播放來(lái)說(shuō)已經(jīng)足夠了，同8位PCM編碼方式相比，可以節(jié)省37.5%的ROM空間。

　　許多玩具采用的外部電路都非常簡(jiǎn)單，通常包括一個(gè)電池、一個(gè)用來(lái)設(shè)定芯片時(shí)基的外部電阻、一個(gè)小喇叭或一個(gè)用于驅(qū)動(dòng)喇叭的晶體管。這些芯片的價(jià)格如何呢？一般來(lái)說(shuō)，可以容納兩分鐘音頻信號(hào)的掩膜微控制器裸片，量產(chǎn)條件下成本大約為每片1.20美元。絕大多數(shù)的玩具都使用更小的芯片，價(jià)格大約在0.15美元到0.30美元。本文討論的應(yīng)用選擇W583S10，在華邦公司推薦的6.4kHz采樣頻率下，該芯片僅能存儲(chǔ)10秒的語(yǔ)音數(shù)據(jù)，如圖１所示。注意，電阻Ｒ1的值取決于采樣頻率。通常情況下，設(shè)計(jì)工程師會(huì)使用一個(gè)電阻替換盒來(lái)試驗(yàn)其它阻值。

　　上述芯片的指令集并不豐富，其指令集通常包括對(duì)寄存器加載常量的指令、寄存器增/減指令、設(shè)置輸出管腳狀態(tài)指令、無(wú)條件跳轉(zhuǎn)指令、寄存器無(wú)條件跳轉(zhuǎn)指令以及根據(jù)輸入管腳狀態(tài)的條件跳轉(zhuǎn)指令。芯片中實(shí)現(xiàn)子程序的唯一方法是在一個(gè)寄存器中存儲(chǔ)一個(gè)返回地址。在對(duì)器件編程時(shí)，要大量使用GOTO語(yǔ)句，對(duì)于一些較大的項(xiàng)目來(lái)說(shuō)，程序中會(huì)出現(xiàn)許多冗余代碼。

語(yǔ)音識(shí)別（控制）系統(tǒng)的選擇

　　語(yǔ)音識(shí)別系統(tǒng)的基本流程如圖1所示

圖1 語(yǔ)音識(shí)別系統(tǒng)的基本流程

　　語(yǔ)音信號(hào)輸入后首先經(jīng)過(guò)濾波器，去除干擾及可能造成混淆的成分，然后由前端處理模塊提取語(yǔ)音識(shí)別所需的特征參數(shù)。當(dāng)前語(yǔ)音識(shí)別所用的特征參數(shù)主要有兩種類型：線性預(yù)測(cè)倒譜系數(shù)（Linear Prediction Cepstrum Coefficient, LPCC）和MEL頻標(biāo)倒譜系數(shù)（Mel Frequency Cepstrum Coefficient, MFCC）。

　　LPCC系數(shù)主要是模擬人的發(fā)聲模型，未考慮人耳的聽(tīng)覺(jué)特性。它對(duì)元音有較好的描述能力，對(duì)輔音描述能力及抗噪性能比較差，而其優(yōu)點(diǎn)為計(jì)算量小，易于實(shí)現(xiàn)。

　　MFCC系數(shù)則考慮到了人耳的聽(tīng)覺(jué)特性，具有較好的識(shí)別性能。但是，由于它需要進(jìn)行快速傅立葉變換（Fast Fourier Transform Algorithm, FFT），將語(yǔ)音信號(hào)由時(shí)域變換到頻域上處理，因此其計(jì)算量和計(jì)算精度要求高，必須在DSP上完成。

　　在此，我們選擇準(zhǔn)確率最高、功能最全、價(jià)格最適宜的Sensory語(yǔ)音識(shí)別芯片(RSC164或RSC364)。

RSC-364

　　由美國(guó)Sensory Integrated Circuit公司開(kāi)發(fā)，2000年開(kāi)始生產(chǎn)，是一顆為消費(fèi)類電子產(chǎn)品應(yīng)用的低價(jià)位的語(yǔ)音識(shí)別專用芯片，其結(jié)構(gòu)圖如圖2所示。

　　RSC-364是一片以8位MCU為核心的CMOS器件，片上還集成了ROM、RAM、A/D、

深圳捷通公司供稿 CTI論壇編輯