海思HI35xx语音识别方案

前言

语音识别是智能化应用的一个重要分支，也是语音交互功能的基础。语音识别基于神经网络算法，借助大数据进行模型训练，据科大讯飞相关数据报道，它们已经能够实现98%以上的准确识别率，同时支持多种外语及国内的一些方言。从语音技术实现方式分类可以分为本地识别和云识别，本地识别主要是借助语音芯片诸如LD3320等，而云识别目前国内比较火的有科大讯飞、百度AI等云服务提供，它们提供友好的API接口，支持多种开发语言，相比于本地语音识别，它的识别准确率更高，应用场景更为灵活。

海思HI35xx音频知识

海思音频模块包含音频输入（AI）、音频输出（AO）、音频编码（AENC）、音频解码（ADEC）这四个模块，这几个模块实现了声音采集、声音播放以及声音编解码的功能。原始的音频信号是模拟信号，通过pcm方式进行数字化，常用音频采样频率有8khz、16khz、32khz、48khz。根据香农采样定理，为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱中最高频率的2倍，而人能听到的声音频率范围在20~20000hz，而且听力敏感区是集中在中频区段，所以用16khz频率采样作为语音识别原始数据既能保持音质，也能降低数据运算复杂度。

根据笔者的经验，海思音频模块硬件实现方式有两种，一种是将音频芯片集成到芯片内部，作为片上资源使用，另一种是外接音频芯片方式，如wm9874。这两种接法大同小异，与音频芯片控制指令数据交互是由I2C实现，而音频数据交互则是由I2S或者PCM来实现。软件开发需要注意的是音频采样率设置、采样数据位宽，8位或者16位，不同的云语音识别平台对音频采样率、位宽都有要求，不过比较通用的是16khz采样、16位数据宽度、pcm音频格式。下图是海思CPU与音频芯片用I2S或PCM方式进行数据交互的示意图，可见PCM方式只有单声道，而没有多声道立体声的概念。

语音识别方案

语音识别方案分为硬件本地实现和智能语音云实现，我比较推崇使用云方式，它成本较低，后期维护少，识别准确率高，而且随着5G商业化浪潮实现，网络延时基本可以忽略，语音识别实时性与本地相比无异。配合HIMPP平台的API使用实现音频采集、处理、推云平台的功能并不难，首先MIC作为音频模拟信号输入源，由AUDIO CODE芯片进行模数转换，然后通过I2S或者PCM方式与CPU进行数据交互，接着CPU通过Socket连接云服务器进行推流，云将语音识别的数据返回。此外，云还有语音合成功能，它可以将文字合成为语音，此过程恰好与语音识别的数据流相反，并最终推向speaker。HIMPP平台的API使用可以参考《海思HI35xx平台软件开发快速入门之背景知识》

语音识别案例

这里参考了百度AI语音识别案例源码，百度AI语音识别的样例编程语言环境为C++，由于采用了云方式，避免不了进行网络开发，根据百度AI语音开发文档，有要求一定运行环境，网络连接请求依赖于curl、加密依赖于openssl、数据交互格式依赖jsoncpp，还有百度语音识别的SDK开发包，这里这里给出了这些运行环境移植的源码。

// 请替换您下载的C++SDK路径
#include "aip-cpp-sdk-0.7.4/speech.h"

void ASR(aip::Speech* client);

void ASR_url(aip::Speech* client);

void TTS(aip::Speech* client);

int main()
{
    // 务必替换百度云控制台中新建百度语音应用的 Api Key 和 Secret Key
    aip::Speech * client = new aip::Speech("15398376", "GgCrxhNOhe0UnP9k0hHaUxfF", "TEmp8hCGMeVV61VG0PAKXKRG4nekMLmI");
    
    ASR(client);
    
    ASR_url(client);

    TTS(client);
    
    return 0;
}

/**
 * ASR语音识别示例
 */
void ASR(aip::Speech* client) {
    std::map options;
    options["lan"] = "ZH";
    std::string file_content;
    aip::get_file_content("./16k_test.pcm", &file_content);
    Json::Value result = client->recognize(file_content, "pcm", 16000, options);
    std::cout << "语音识别本地文件结果:" << std::endl << result.toStyledString();
}

/**
 * ASR语音识别示例,使用远程文件地址
 */
void ASR_url(aip::Speech* client) {
    std::map options;
    options["lan"] = "zh";
    Json::Value result =
    client->recognize_url("http://bos.nj.bpc.baidu.com/v1/audio/8k.amr",
                          "http://your_site/dump",
                          "amr", 8000, options);
    std::cout << "语音识别远程文件结果:" << std::endl << result.toStyledString();
}

/**
 * TTS语音合成示例
 */
void TTS(aip::Speech* client) {
    std::ofstream ofile;
    std::string file_ret;
    std::map options;
    options["spd"] = "5";
    options["per"] = "2";
    ofile.open("./tts.mp3", std::ios::out | std::ios::binary);
    Json::Value result = client->text2audio("百度语音合成测试", options, file_ret);
    // 如果file_ret为不为空则说明合成成功，返回mp3文件内容
    if (!file_ret.empty())
    {
        // 合成成功保存文件
        ofile << file_ret;
        std::cout << "语音合成成功，打开目录下的tts.mp3文件听听看" << std::endl;
    } else {
        // 合成出错，打印错误信息
        std::cout << result.toStyledString();
    }
}

总结

语音识别作为智能化终端的基础越来越受到人们的重视，特别是云语音识别能力及准确率大大提高的今天，借助5G网络发力，相信在未来的3年内将会普遍实现终端带语音，云识别的应用场景。智能安防将重新定义市场，安全智慧城市将服务于大众。记HI35XX语音识别总结于广州，2019-01-25.