語音特徵參數求取[22]

的特性，而使辨識率提高。

3-3 為語音特徵參數求取流程圖，其過程分為六個步驟：

. 預強調：

人的口腔就像一個濾波器,會將語音的高頻部分濾除,因此將語音信號 通過一高通濾波器來做為補償，其高通濾波器的方程式如（3-1）式所 示：

（3-1）

將語音訊號每 s 取一個音框，為防止相鄰音框的特性變化太過於 迅速,令相鄰音框之間重疊 20ms

3. Hamming Window：

使用Hamming Window 降低音框中起始點與終點信號的不連續性，

ming Window 的公式如（3-2）式所示：

在圖3-1 與圖 3-2 中模型建立前的步驟皆屬語音特徵參數的求取，在 訊號辨識中，最常用的特徵參數是訊號在頻譜（Spectrum）上的能量值，

這些在頻譜上的能量值便可稱為一種特徵值。然而，對語音訊號而言，另 一種稱為倒頻譜的參數卻更能代表語音訊號

圖 1

( ) Z = 1 − 0 . 95 Z

⁻¹

H

2. 音框化：

30 m

其 Ham

語 音 信 號

預 強 調 (P re -e m p h a s is )

音 框 化

H a m m in g W in d o w

F F T & lo g || ||

F ilte r B a n k

In v e rs e C o s in e T ra n s fo rm

倒 頻 譜 參 數

圖 3-1：語音特徵參數求取流程圖

⎟ ⎠

Mel-Frequency Cepstrum Coefficients 則為一段音框的特徵代表，其 k 的取法如（3-3）式與（3-4）式所示

0

濾波形狀為三角形。而（3-4）式為將 Frequency-Scale f_h

fl f_s

FFT filter bank

圖3-3：用於計算 mel-cepstrum 之 filter bank

‧ ‧ ‧

6. 反餘弦轉換：

將訊號經過反餘弦轉換得到Mel-Frequency Cepstrum Coefficients

（MFCC）。

.2.2 建立語音辨識模型[22]

，接著就必須建立語音模型，而目前最普 遍使用的模型即是隱藏式馬可夫模型(Hidden Markov Model；HMM)，HMM 的目的為以統計的方式來建立每個類

HM 音模型建立完成

.3 新竹科學園區廠商名稱語音辨識器[28]

辨識器為交通大學 電信

圖3-5：語音辨識器使用者介面 M 相關參數中的 a,b 將會以矩陣形式來表示，而當語

後，當有辨識資料輸入時則利用 Viterbi Algorithm [22]的方法，計算輸入 語句和每個模型的相似度，機率最高者，即為辨識結果。

3

本論文將麥克風陣列與語音辨識器做結合，而語音

研究所，所開發的API 介面軟體，其使用者介面如圖 3-5 所示，當啟 動辨識後，語音辨識器會透過麥克風接收語音信號並將其波形顯示出來，

最後將顯示最有可能的辨識結果。

3.4 IBM ViaVoice[23]

論文中，麥克風陣列也與 iaVoice 做結合，ViaVoice 為 IBM 所開發

Widows 應用程式，包括

行的動作，啟動程式、切換程式、視窗移

可以朗讀電腦內的中英文字，如:文字檔、E-mail、網頁的

而麥克風陣列與

IBM V

的語音軟體，其最大的功用為用語音來聽寫文字並控制電腦。其產品功能 如下：

連續聽寫

可建立、編輯及修改文件並支援大多數

Microsoft Word 等。可讓 Via Voice 分析已輸入的文章，讓電腦了解使 用者的習慣用語。

語音命令

可使用聲音來告訴系統要執

動、最大化、最小化、更正聽寫錯誤，甚至是控制滑鼠的動作(語音滑 鼠)。

語音合成 Via Voice

內容等，同時還可以讓選擇不同的腔調如男生與女生聲音等。

網上瀏覽

Via Voice 可以用語音來瀏覽網頁，只要唸出想要選的超文字連結 (Hyper-link)，就可漫遊網際網路，並可用語音來控制瀏覽器，例如首 頁、我的最愛、重新整理等等。

Via Voice 結合最大的用意即在吵雜的環境下也能用語音 來控制電腦，例如，使用者在用喇叭放音樂時，但使用者依然能用語音來 瀏覽網路、撰寫Word 等等。

第四章 軟硬體設計與實現

4.1 實驗平台架構

，平台架構圖如圖4-1 所示

首先，聲音訊號經由 著通過訊號放大電路與

濾波器並將聲音訊號透過A/D（Analog to Digital）轉換器轉換為數位形式，

音訊號放大及濾波電路

Data Acquisition Circuit and

4.2 聲音訊號放大及濾波電路

是用來放大麥克風所收到的訊號並 聲音訊號放大及濾波電路的目的

濾掉高頻及低頻的雜訊，每顆麥克風都有各自的放大及濾波電路，8 組放 大及濾波電路構造及功能皆相同，放大及濾波電路架構圖如圖4-2 所示：

聲音訊號放大及濾波電路

高通濾波器 放大電路及

低通濾波器

聲音訊號 類比訊號擷取

及轉換電路

圖 4-2：聲音訊號放大及濾波電路架構圖

音訊號經由電容式麥克風轉為電壓訊號後，必須先經過高通濾波器，以 聲

濾掉低頻雜訊及直流訊號，而高通濾波器的3 dB 點設於 80Hz 的地方。訊 號經過高通濾波器後還是一個非常小的電壓，因此必須經過一放大電路來 放大電壓訊號，以供後端的A./D 來取樣，而本電路的取樣頻率為 16 k Hz，

所以必須將訊號通過低通濾波器來避免Aliasing 問題，而電路中低通濾波 器的3 dB 點設定於 6 k Hz。聲音訊號放大及濾波電路圖展示於圖 4-3，本 放大電路為一兩級的OP 放大器，工作電壓介於 5V 和-5V 之間，並採用負 回授的形式，圖4-3 的放大倍率為 60dB。而電路的頻率響應圖由 P-SPICE 所模擬如圖4-4 所示。

圖 4-3：聲音訊號放大及濾波電路圖

圖 4-4：聲音訊號放大及濾波電路之頻率響應圖

4.3 類比訊號擷取及轉換電路

類比訊號擷取及轉換電路的目的是將放大倍率後的類比聲音訊號，轉 如4-5 所示，為了節省功率消耗，

電路

中A/D 轉換器只能供給正電壓，但 S/H 輸出會含有負電壓，因此 Switch

和A/D A/D 的輸入皆在

而S/H、Switch 和 A/D 的時序則由 EZ-USB FX 平台所控制，本系 統的取樣頻率為16 kHz，因此 S/H 的工作頻率為 16 kHz，因為總共有 個通道，所以Switch 和 A/D 的工作頻率為 16×8 kHz A/D 所轉換出

位元資料，由EZ-USB FX 平台所接收。

換為數位訊號（16 位元），電路架構圖

只用了一個A/D 轉換器，因此，8 通道的類比聲音訊號和 A/D 轉換器 之間需要一個切換器，將8 通道的類比聲音訊號輪流切給 A/D 做轉換。

S / H S / H S / H S / H

S w i t c h A d d e r A / D

S / H S / H S / H S / H

圖 4-5：類比訊號擷取及轉換電路架構圖（S/H：Sample and Hold）

其

之間必須加一個加法器，讓 0 伏以上。

8

，最後 來的16

E Z - U S B F X

1 6 k H Z 1 2 8 k H Z 1 2 8 k H Z

4.4 系統電路板

電路實作設計時，將聲音訊號放大及濾波電路和類比訊號擷取及轉換 路結合在一起，用Protel 軟體佈局出其電路圖，其印刷電路板實際照片 電

如圖4-6 所示：

圖 4-6：麥克風訊號濾波器與數位/類比轉換電路板

此印刷板電路為一四層板架構，長×寬為27 公分×10 公分，工作電壓為 5 伏特，其麥克

將EZ-USB 晶片與 SB 週邊介面所需的各種功能包裝成一個精簡的整合電路，其微處理機是 SB FX 平台在整個系統中有三項目的：

1.

風放大倍率和A/D 取樣範圍皆為可調。

4.5 EZ-USB FX 平台[24]

EZ-USB FX 平台是由 Cypress 半導體公司所推出，

U

一個增強的8051 核心。而 EZ-U 控制S/H、Switch 和 A/D 的時序 2. 接收 A/D 轉換器的數位資料輸出 3. 將數位資料傳送給 PC 端

架構圖如圖4-7 所示

4.5.1 控制 S/H、Switch 和 A/D 時序

4-7 中 8051 的 PORT A 來傳達控 制指令，控制時序由8051 等時中斷來完成，將中斷時間設為

S/H、Switch 和 A/D 的控制時序由圖

16k

1 秒，每次 中斷發生後，就同時啟動8 通道的 S/H，使 8 組 S/H 在同一時間完成取樣 的動作，接著控制Switch 將 8 通道 S/H 的輸出輪流切給 A/D 做轉換，換 句話說，要再下一次等時中斷發生時，將8 通道的 A/D 全處理完成。

類比訊號擷取及轉換電路

8051

Port B Port D Port A

ISO FIFO 256 bytes

EP0緩衝區

USB

介面 PC

圖 4-7：EZ-USB FX 平台架構圖

4.5.2 接收 A/D 轉換器數位資料輸出

A/D 轉換器的輸出資料由 所接收，A/D 輸出 16 位元，而 Port B 和 Port D 各接收 8 位元，每次計時中斷發生時，Port

時傳輸FIFO 中，EZ-USB FX 的 8051 的 Port B 和 Port D

為

B 和 Port D 會將其所接收到的資料存於等

等時傳輸FIFO 總共有四個，每個容量為 256 bytes，在系統中，我們只用 了一個等時傳輸FIFO，也就是每 1ms，等時傳輸 FIFO 會被填滿。

4.5.3 USB 傳輸[25]

等時傳輸FIFO 會由等時中斷的方式，每 1ms 透過 USB 傳輸給 PC 端，

其USB 提供了四種不同的傳輸模式：

1、 巨量傳輸(Bulk)：突發性的傳輸模式。資料封包大小為 8、16、32、

如資料傳送錯誤，可要求裝置重送

2、

3、 的時間傳出封包，主要使用在音頻與

傳輸錯誤亦不再

4、 求。

而在實驗平臺的架設中，只用到控制傳輸及等時傳輸。

生，等時傳輸FIFO 中的資料將透過 USB 傳輸給主機。表 4-1 為四種傳 64 位元組。除了資料封包之外另有交握封包(Hand-Shake Package)，

及自動錯誤資料檢核機制(CRC)，

封包，確保資料的正確性。

中斷傳輸(Interrupt)：類似巨量傳輸，資料封包大小為 1~64 位元組。

高速的裝置中。需經由主機規則固定間隔詢問。

等時傳輸(Isochronous)：在固定

影像等資料流中。為了確保封包可以在固定的時間送出，無 Hand-Shaking 封包，僅具有 CRC 錯誤檢核，資料

重送封包。時間是最重要的要求條件。

控制傳輸(Control)：用來配置及傳送命令給裝置，確認裝置要

系統中，USB 傳輸模式我們選擇等時傳輸的方式，因此每 1 ms 等時中斷 發

輸模式的比較。

封包大小(Byte) 時間 資料檢 查

應用

巨量傳輸 8、16、32、64 盡快完成 有 儲存裝置、印表機 中斷傳輸 1～64 1～255ms 有 滑鼠、鍵盤

等時傳輸 1～1024 1ms 沒有 影像、聲音

控制傳輸 盡快完成 有 命令

表4-1. U 輸 比較

中 動了兩種 模式，一種為4.5.1 中斷，

所介紹的等時中 斷 時間為

SB 四種傳 模式

在 8051 ，系統啟 中斷 所介紹的計時

另一種為本節 斷，計時中 的

16k

1 s，而等時中斷的 時間為1ms。因此一次完整的等時傳輸資料由 次等時中斷和 15 次計時中1 斷所構成，其中斷同步說明圖如圖4-8 所示

等時中斷

第1次計時中斷 第2次計時中斷 第15次計時中斷

等時中斷

T1 T2 T3 T16

1 ms

圖 4-8：USB 韌體中計時中斷與等時中斷同步說明

從圖中可看出，每 1ms 會發生 15 次計時中斷和 1 次等時中斷，T2－T15 為 計時中斷的間隔，差不多為

16k

1 s，第 15 次計時中斷發生後的 T16 s，會發 會由等時中斷的副程式來校正。而 生等時中斷，為了確保中斷的同步，T1

USB 裝置韌體流程圖如圖 4-9 所示。

開始

致能控制傳輸中斷

等待主機端輸出 控制傳輸訊號

回傳主機 USB 的裝置設定

致能等時和計 時中斷並設定 等時傳輸FIFO

等待中斷

將數位資料存於 等時傳輸FIFO

將等時傳輸FIFO 中的資料傳給主

機端

否

是

否

計時中斷 等時中斷

圖4-9：USB 裝置韌體流程圖

4.6 主機端程式設計

4.6.1 整體架構

主機端程式目的是用來處理語音訊號，使其經過VAD和Dahl^，s

Algorithm的處理，並即時性的用喇叭播出處理結果，軟體架構圖如 2.5.3 節所述。

而主機端軟體編譯環境為Microsoft Visual C++，並將使用者介面寫成 視窗形式以方便使用者操作，而程式中VAD和Dahl^，s Algorithm的結合是使 用multithread方式來處理。在實做上，因為考慮到有限的資源達到最好的

而主機端軟體編譯環境為Microsoft Visual C++，並將使用者介面寫成 視窗形式以方便使用者操作，而程式中VAD和Dahl^，s Algorithm的結合是使 用multithread方式來處理。在實做上，因為考慮到有限的資源達到最好的

在文檔中 使用麥克風陣列實現即時語音純化與真人語音活動偵測系統 (頁 42-0)