在语音识别系统中，前端处理的主要作用是对输入的语音进行分析，以提取出包含语义的语音参量。此外，在孤立词的识别中，还要包括语音的端点检测。语音识别系统中的模型训练阶段主要是对人类的语言进行学习，并在学习结束后把学习的内容组成语音库存储起来。在识别阶段，前端处理的语音参量进入该模块后，可根据不同的识别模型来计算与相应词库中每个模型间的逻辑距离。然后在判决逻辑中确定识别的判决方式并最终确定识别结果。目前有多种语音识别算法，如DTW（Dynamic TimeWrapping）、NNS（Neural Network System）、SPM（Segmental Probability Model）、HMM（Hidden MarkevModelling）以及它们的组合方法。其中以基于HMM模型的系统用的最广泛，同时也最成功。
　　CDD＿SPM算法不同于传统的HMM模型，在性能相差无几的情况下，其计算量远远低于连续隐马尔可夫模型，因而是一种介于连续马尔可夫模型（CHMM）和离散马尔可夫模型（DHMM）之间的模型。它不必进行矢量量化，而具有连续密度分布的特征，但却没有分段概率模型（SPM）那么大的计算量。
2．1  算法原理
　　假设随机变量ξ符合正态分布N（0，σ），那么其概率密度为：

CDD-SPM模型假定某一段语音的所有特征向量离开特征向量中心C的欧氏距离符合AN（σ），这样，其训练过程就是计算某段语音的CDD＿SPM模型中的参数，即矢量中心C和概率密度σ的过程。这两个参数可以用来表征这段语音。识别时，计算出待识别的语音段的每个特征向量离开中心C的距离，进而估计出每个向量出现的概率以及整个段的概率。最后将某个语音的所有段综合起来的最大概率者就是识别结果。
2．2 CDD－SPM模型的训练算法
　　在CDD－SPM模型的训练算法中，首先对语音库中N个词的M个语音样本按帧计算出特征向量。然后从n＝1到N对每个词Wn模型进行训练，并把属于词Wn的所有Q个样本中的每一个样本都非线性划分为J段。最后从j＝1到J按以下方法计算每一段的参数，其步骤如下：
    （1）从q＝1到Q统计第j段的矢量中心C_nj；
　　（2）从q＝1到Q计算第j段中每个矢量偏离C_nj的距离D_njq的均值D_nj；
    （3）计算σ_nj。
　　通过以上步骤得到的C_nj和σ_nj即是第n个词Wn第j段的模型参数。这样，词Wn的模型便是（C_n，σ_n），其中：

2．3  识别算法
　　识别算法的主要过程有两步：第一是计算待识别语音Wx的特征向量，并将其非线性划分为J段，设每段的特征向量数为m_j。第二是从n＝1到N计算W_x与每个词模型λ_n＝（C_n，σ_n）的匹配概率。而从j＝1到J，则可分为以下三步进行处理：
　　（1）计算待识别语音第j段m_j个特征向量偏离C_n的距离D_njk；
　　（2）利用（2）式计算m_j个特征向量出现在λ_n模型中的g（D_njk）；
　　（3）用下式计算第j段m_j个特征向量出现的总概率：

最后再从n＝1到N检查P_n，以将最大者的模型所对应的词作为识别结果。  
2．4 CDD＿SPM的实现
　　前面介绍了CDD－SPM算法的原理，现在介绍本系统中的具体实现步骤：
　　（1）使ADSP2181以8kHz的采样率接收语音数据。
　　（2）判断语音的起点和终点。在语音采集过程中，计算每一帧的平均能量，连续几帧都达到一定域值就认为已经是语音段，再向前搜索至过零率始终大于某个事先设好的域值，则这就是语音段的起点。终点的判定与起点类似。
　　（3）预加重、分帧和加窗处理。在每一帧中取256点，帧移为128点。然后通过一个一阶的滤波器H（z）＝1－a／z对采集的信号进行处理。
　　（4）计算LPC系数及LPC倒谱矢量。用Durbin算法计算出P阶LPC系数后，直接用LPC参数求出LPC倒谱。
　　（5）非线性划分。计算出一个语音样本的各帧的LPC倒谱系数后，不论是训练还是识别，都要对接收到的每个语音样本进行非线性划分，接收到的语音一概划分为6段。具体方法如下：
    ●计算两个CEP矢量之间距离；
　　●计算出整个样本所有相邻CEP矢量的距离之和D；
    ●计算非线性划分的距离标准Davr；
    ●进行划分。
　　（6）训练算法。每个样本训练五次，并完成以下工作：
    ●计算此语音样本每一段的矢量中心；
　　●计算各段中每个矢量偏离中心的距离的均值Davri；
    ●计算每一段的参数σ_i。
　　（7）识别算法。在算出段内每一个矢量与矢量中心的距离后，通过公式（2）计算出各个矢量出现的概率，再用公式（4）和公式（5）计算出待识别语音与各个模型的匹配概率，最后将匹配概率最大者定为识别结果。
3  系统硬件
　　本文介绍的语音识别模块由ADSP－2181、CODECMC145503、ROM、FLASH及输入输出器件组成，图2所示为其组成框图。

其中的DSP用于完成语音训练和识别等主要功能。CODEC则用于完成语音的输入输出，即模数／数模转换等功能。利用ROM可存放DSP的程序及初始化数据。而FLASH则用于存放语音模板和压缩的语音。
3．1  DSP与CODEC的接口
　　CODEC一般可接在DSP的串行通信口0上，采用的芯片是MC145503。该芯片是一种通用语音信号编码电路，其采样率为8kHz，8bit量化，可以选择A率压缩或μ率压缩，符合CCITTG．．711建议。图3为ADSP2181与MC145503语音编码器的接口电路。
　　MC145503语音编码器所需要的2．048MHz时钟信号和8kHz的采样信号都是由ADSP2181提供的，其2．048MHz的时钟信号可使用串口的帧同步信号，而SCLK信号则用的是串行同步时钟。在图3中，DT是发送数据端，DR是接收数据端，TFS是发送帧同步信号，RFS为接收帧同步信号端。其中RFS和TFS为8kHz，SLCK为2．048MHz。
3．2  存储器接口
　　图4所示是该语音识别模块的存储器接口电路，其中的27C010用来存放自举程序和初始化数据，这是一片采用CMOS工艺的低功耗EPROM，容量为128k。FLASHAT29C020用来存放语音模板和压缩语音。为了对二者进行区分，笔者使用了一片74F139进行译码，这样，当ADSP2181进行BDMA操作时，便可选通74F139译码器。

3．3  与MCU的接口
　　由于语音识别模块随时要接受MCU送来的指令，并向MCU通信返回接收状态。因此笔者将该语音识别模块和MCU进行串行方式连接，由于CODEC已经用了SPOT0，所以将ADSP2181的SPOT1设为串行模式并通过5根线与MCU相连，其接口电路如图5所示。图中，串行时钟SCLK1设置为输出模式，这样可以充分利用ADSP2181的资源；RFS1和TFS1分别为接收帧同步和发送帧同步信号，它们用于指明串行数据字的开始，帧同步信号可在内部产生，也可在外部产生，它可以是高电平，也可以是低电平。系统中的TFS1为输出，RFS1为输入，它们均为高电平。DR1和DT1分别用于串行数据的接收和发送，SPOT1从DR1上接收数据，由DT1发送数据，发送和接收的首位为MSB，工作在全双工模式，数据位与串行时钟SCLK1同步；通信时，DSP的内部时钟为100kHz，串行通信采用8位字长。
　　笔者将该语音识别模块放在一般的办公环境中对20个人（10男10女）的名字词条进行了训练（每个词条训练5次）测试，测试表明：当识别条件与训练条件基本一致时，其识别率不小于97％，但是如果环境变化较大，识别率会有所下降。从话筒输入到计算机屏幕显示所需时间不到一秒，可以满足实时性要求，说明本模块已达到实用阶段。