隨著現代電子技術的發展，越來越多的車載電器被加入到車身電子行列中，其在使得汽車性能改善的同時，增加了汽車駕駛操作的複雜度，也給行車過程帶來了不安全的隱患。隨著語音識別算法的改進和新一代專用語音處理晶片的問世，出現了使用語音控制代替手動控制的車載電器，從而減輕駕駛員手動操作負擔，大大提高行車安全係數。
目前我國的車身電子語音控制主要集中在汽車導航系統的應用上，沒有充分發揮語音識別技術在車身電子中的應用價值。本文首次提出了一種的以專用語音處理晶片UniSpeech-SDA80D51為核心組成非特定人車載音響語音控制系統的設計方案，並實現了系統樣機的研製。該系統在江淮同悅SL1102C1型車載音響上進行了語音控制實驗，實驗數據表明系統語音識別率可達到95%，為下一步項目產品化開發奠定了基礎。
1 車載音響語音控制系統
非特定人車載音響語音控制系統結構框圖如圖1 所示。
系統的主要功能是：語音採集模塊(由定向拾音器組成)用於採集駕駛員發出的語音命令信號，由語音識別模塊實現信號的A/D轉換，並對轉換的數位訊號進行語音識別處理，最終輸出與語音命令相對應的詞條編碼信息。控制模塊對接收的詞條編碼信號進行邏輯分析與處理並產生對應的控制信號，通過系統I/O接口驅動車載音響動作，完成駕駛員的語音命令。
1.1 語音識別模塊
語音識別模塊主要由UniSpeech-SDA80D51晶片及外圍電路組成。
SDA80D51是德國Infineon公司專為語音識別和語音處理應用領域新推出的專用晶片，採用高集成度的SoC系統結構，以0.18 μm半導體工藝製造，SDA80D51的基本結構如圖2所示。
SDA80D51片內集成了直接雙訪問快速SRAM、2路ADC和2路DAC、多種通信接口和通用GPIO等部件。SDA80D51工作方式以M8051為主控制晶片，主要完成系統配置和SPI、PWM、I2C、GPIO等接口的控制以及語音數據的傳輸工作；DSP核心OAK為協處理器，完成語音識別算法、語音編解碼算法等語音處理工作。
非特定人語音信號由定向拾音器輸入，經過SDA80D51內部的數據採集模塊進行A/D轉換，再經過識別程序的預處理、端點檢測、特徵參數提取、模板匹配等處理，選擇識別詞表中最接近的詞條序號作為識別結果，識別結果通過GPIO口輸出。
1.2 控制模塊
控制模塊由MCU和模擬開關電路構成，本模塊主要完成對語音識別模塊輸出的詞條編碼信號進行邏輯分析和處理，通過模擬開關電路產生對應功能的控制信號控制音響的動作。其中MCU選用美國ATMEL公司產品AT89S51，綜合AT89S51輸出I/O信號電壓特性和SL1102C1音響控制面板電阻式分流鍵盤電路的特點，確定使用繼電器模擬SL1102C1控制面板按鍵的閉合和斷開動作。AT89S51和繼電器模擬開關電路原理圖如圖3所示。
1.3 音響模塊
本設計是基於SL1102C1型汽車音響。SL1102C1是專門為中檔轎車設計的汽車音響，具有MP3播放、收音機和顯示時間等功能，目前大量使用在江淮同悅轎車上。SL1102C1前板共有開關機/靜音、音效、播放/暫停等15個按鍵和一個用來調節音量的編碼開關。
SL1102C1前板上的按鍵為電壓採樣識別方式，按鍵包含短按和長按兩種動作，AT89S51輸出電壓為TTL電平，直接採用I/O信號驅動音響按鍵動作容易引起誤識別，造成系統誤操作，因此本文採用圖3所示的模擬開關電路，很好地解決了上述問題。當AT89S51接收到語音編碼信號後，立即進行邏輯分析並輸出對應的控制信號驅動相應繼電器吸合模擬按鍵動作，按鍵的短按和長按功能是通過軟體實現的。
模擬開關電路還適用於SL1102C1前板上的編碼開關，編碼開關具有音量調節功能，其工作原理如圖4所示。
由圖4可知，編碼開關上有A、B、C三個端子，開關旋鈕左、右旋轉時，A、B端子輸出對應的脈衝信號。當MCU收到操作編碼開關的語音命令信號後，驅動繼電器動作，控制端子A、B輸出信號，模擬開關旋鈕功能。
2 系統軟體設計
系統的軟體包括非特定人語音識別模塊和邏輯控制模塊。
2.1 非特定人語音識別模塊
非特定人語音識別模塊基於HMM模型算法。該算法通過對大量語音數據進行數據統計，建立識別詞條的統計模型語音庫，然後從待識別語音中提取特徵，與模型庫進行匹配，由比較匹配分數得到識別結果，並通過SDA80D51的GPIO口輸出識別結果對應的詞條編碼信號。語音識別模塊主要由信號預處理、特徵參數提取、模型匹配和Viterbi算法部分組成，非特定人語音識別模塊框圖如圖5所示。
2.1.1 信號預處理
信號預處理部分主要完成輸入語音信號的採樣、 模/數轉換功能。A/D變換由SDA80D51內嵌12位A/D變換器實現，採樣頻率固定為8 kHz。
2.1.2 特徵參數提取
特徵參數提取基於語音幀，採用分幀提取特片。先對語音信號進行重疊分幀，前一幀和後一幀重疊一半(幀信號重疊是體現相鄰兩幀數據之間的相關性)，幀長為25 ms，對每幀提取一次語音特片。
語音信號是聲道響應和聲門激勵信號的卷積。分別求聲道傳輸函數和聲門激勵信號的對數頻率響應，由於聲門激勵信號的頻率響應和聲道傳輸函數在頻譜的變化快慢不同，如將頻率軸視為時間軸，則聲門激勵信號的頻率響應對應於「高頻」區；而聲道傳輸函數對應於「低頻」區，處在不同區域就易於分辨。
MFCC參數屬於感知頻域倒譜參數，反映了語音信號短時幅度譜的特徵。p維MFCC參數的具體計算提取過程如下：
(1)用DFFT對每幀s(n：m)計算線性頻譜，計算頻譜模的平方為功率譜；
(2)功率譜經過Mel濾波器組獲得D個參數X(i)，D是Mel濾波器組中三角形濾波器的數量；
(3)對X(i)做對數運算和離散餘弦變換，餘弦變換計算公式如下：
式中的Y(i)是第i個Mel濾波器的對數能量輸出，i=1，2，…，D。
2.1.3 HMM語音識別算法
隱馬爾可夫採用概率統計模型描述語音信號，HMM模型建立在Markov鏈基礎上，使用Markov鏈來模擬語音信號統計特性的變化。HMM模型為雙重隨機過程，其一是Markov鏈，由(π，A)描述狀態的轉移，輸出為狀態序列；另一個是隨機過程，由B描述，在統計意義上B反映了狀態和觀察值之間的對應關係，輸出為觀察值矢量序列。Markov鏈中狀態和時間參數都是離散的Markov過程。
Viterbi算法是一種幀同步動態規整算法，在給定觀察值序列和模型時，Viterbi算法給出了一個概率密度P(Q，O|λ)最大的狀態序列。Viterbi算法包括初始化、遞推、終止、路徑回溯和確定最佳狀態序列。