，识别率高达整套系统具有定的抗噪性能，在有些背景噪音的环境下，仍具有很高的识别率芯片在语音识别后，能够返回大量丰富的提示音，让您和芯片交流更亲切丰富的外设键盘操作液晶显示口和串口输出，方便为您进行二次开发。应用领域高档智能玩具比如能和儿童交流的语音娃娃声控玩具汽车等汽车电子语音导航系统家电语音智能控制比如空调冰箱消毒柜洗衣机电灯等手机比如语音拨号等。芯片技术参数是个位结构的微控制器，在存储器资源方面考虑到用户的较少资源的需求以及便于程序调试等功能，里只内嵌字的闪存。较高的处理速度使其能够非常容易地快速地处理复杂的数字信号，适用在数字语音识别应用领域。工作电压范围内的工作速度范围，较高的工作速度使其应用领域更加拓宽。字和字闪存仅占页存储空间，位可编程的多功能端口两个位定时器计数器实时时钟低电压复位监测功能通道位模数转换输入功能并具有内置自动增益控制功能的麦克风输入方式双通道位方式的音频输出功能。是数字声音和语音识别产品的种最经济的应用。性能•位微处理器•工作电压为，为•时钟•内置字•内置闪存•可编程音频处理，主要是特定人语音识别，识别率达到以上•晶体振荡器•系统处于备用状态下时钟处于停止状态，耗电小于•个位可编程定时器计数器可自动预置初始计数值•个位数模转换输出通道•位通用可编程输入输出端口•个中断源可来自定时器，时基，个外部时钟源输入，键唤醒•具备触键唤醒的功能•使用多种音频压缩编码方式，压缩率高，保真度大•锁相环振荡器提供系统时钟信号•实时时钟•通道位电压模数转换器和单通道声音模数转换器•声音模数转换器输入通道内置麦克风放大器和自动增益控制功能•具备串行设备接口•低电压复位功能和低电压监测功能第三章特定人语音识别设计技术流程目前，常用的说话人识别方法。其系统构成如图预处理包括语音信号的采样反混叠滤波语音增强。特征提取用以从语音信号波形中提取组或几组能够描述语音信号特征的参数。构建参考模块词表中每个词对应个参考模式，它由这个词重复发音多遍，再经特征提取和种训练中得到。模式匹配按照定的准则求取待测语音特征参数和语音信息与模式库中相应模板之间的失真测度，最匹配的就是识别结果。特定人语音识别的方法流程目前，常用的说话人识别方法有模板匹配法统计建模法联接主义法即人工神经网络实现。考虑到数据量实时性以及识别率的问题，采用基于矢量量化和隐马尔可夫模型相结合的方法。预处理是指对语音信号的特殊处理预加重，分帧处理。预加重的目的是提升高频部分，使信号的频谱变得平坦，以便于进行频谱分析或声道参数分析。用具有倍频程的提升高频特性的预加重数字滤语音输入预处理特征提取参考模块库模块匹配判断逻辑识别结果输出语音录入波器实现。样个系统仍然是人类面临的个大的挑战，我们只能步步朝着改进语音识别系统的方向步步地前进。第二章特定语音识别芯片介绍系列明多达以上的人对语音识别的信息查询服务系统的性能表示满意。可以预测在近五到十年内，语音识别系统的应用将更加广泛。各种各样的语音识别系统产品将出现在市场上。人们也将调整自己的说话方式以适应各种各样的识手机已经包含了语音识别拨号功能，还有语音记事本语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票旅游银行信息，并且取得很好的结果。调查统计表经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方经济发达国家，大量的语音识别产品已经进入市场和服务领域。些用户交机电话机语音命令进行操作。语音技术的应用已经成为个具有竞争性的新兴高技术产业。语音识别技术发展到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于，对特定人语音识别系统的识别精度就更高。这些技术已动平台的个很大障碍，想象下如果手机仅仅只有个手表那么大，再用键盘进行拨号操作已经是不可能的。语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过接口正在把电话机从个单纯的服务工具变成为个服务的提供者和生活伙伴使用电话与通信网络，人们可以通过语音命令方便地从远端的数据库系统中查询与提取有关的信息随着计算机的小型化，键盘已经成为移可以扩展到，词，还包括办公常用词条，具有纠错机制，其平均识别率可以达到。该系统对新闻语音识别具有较高的精度，是目前具有代表性的汉语连续语音识别系统。语音识别技术的现状在电话与通信系统率可以达到不定长数字串和定长数字串，这是目前国际最好的识别结果之，其性能已经接近实用水平。研发的词邮包校核非特定人连续语音识别系统的识别率达到，前三选识别率达并且可以识别普通话与四川话两种语言，达到实用要求。中科院自动化所及其所属模式科技公司年发布了他们共同推出的面向不同计算平台和应用的天语中文语音系列产品，结束了中文语音识别产品自年以来直由国外公司垄断的历史。国外研究历史语音识别的研究工作可以追溯到世纪年代贝尔实验室的系统，它是第个可以识别十个英文数字的语音识别系统。但真正取得实质性进展，并将其作为个重要的课题开展研究则是在年代末年代初。这首先是因为计算机技术的发展为语音识别的实现提供了硬件和软件的可能，更重要的是语音信号线性预测编码技术和动态时间规整技术的提出，有效的解决了语音信号的特征提取和不等长匹配问题。这时期的语音识别主要基于模板匹配原理，研究的领域局限在特定人，小词汇表的孤立词识别，实现了基于线性预测倒谱和技术的特定人孤立词语音识别系统同时提出了矢量量化和隐马尔可夫模型理论。随着应用领域的扩大，小词汇表特定人孤立词等这些对语音识别的约束条件需要放宽，与此同时也带来了许多新的问题第，词汇表的扩大使得模板的选取和建立发生困难第二，连续语音中，各个音素音节以及词之间没有明显的边界，各个发音单位存在受上下文强烈影响的协同发音现象第三，非特定人识别时，不同的人说相同的话相应的声学特征有很大的差异，即使相同的人在不同的时间生理心理状态下，说同样内容的话也会有很大的差异第四，识别的语音中有背景噪声或其他干扰。因此原有的模板匹配方法已不再适用。实验室语音识别研究的巨大突破产生于世纪年代末人们终于在实验室突破了大词汇量连续语音和非特定人这三大障碍，第次把这三个特性都集成在个系统中，比较典型的是卡耐基梅隆大学的系统，它是第个高性能的非特定人大词汇量连续语音识别系统。这时期，语音识别研究进步走向深入，其显著特征是模型和人工神经元网络在语音识别中的成功应用。模型的广泛应用应归功于实验室等科学家的努力，他们把原本艰涩的纯数学模型工程化，从而为更多研究者了解和认识，从而使统计方法成为了语音识别技术的主流。统计方法将研究者的视线从微观转向宏观，不再刻意追求语音特征的细化，而是更多地从整体平均统计的角度来建立最佳的语音识别系统。在声学模型方面，以链为基础的语音序列建模方法隐式链比较有效地解决了语音信号短时稳定长时时变的特性，并且能根据些基本建模单元构造成连续语音的句子模型，达到了比较高的建模精度和建模灵活性。在语言层面上，通过统计真实大规模语料的词之间同现概率即元统计模型来区分识别带来的模糊音和同音词。另外，人工神经网络方法基于文法规则的语言处理机制等也在语音识别中得到了应用。世纪年代前期，许多著名的大公司如苹果和都对语音识别系统的实用化研究投以巨资。语音识别技术有个很好的评估机制，那就是识别的准确率，而这项指标在世纪年代中后期实验室研究中得到了不断的提高。比较有代表性的系统有公司推出的和公司的