跳转至

命令词和固件制作指南


1. 语音识别处理流程及所需资源

语音识别的流程及所需资源如下图所示,麦克风将语音转换为数字信号,送到NN做识别。NN识别需要两个资源,声学模型和语言模型,NN识别后输出字符串。然后到命令词信息表里查找NN输出的字符串,如果未找到,说明误识别,不处理。如果查找到,就是有效识别,然后根据查找到的命令词获取相关信息,进行相应应用功能处理,最后调用提示音播放器播放提示音。

资源及流程图

图1-1 资源及流程图

注解

  1. 语言模型:根据命令词生成,用于NN识别;
  2. 声学模型:用于NN识别,一般根据语言,应用场景等因数相关;
  3. 命令词信息表:用于保存命令词相关的信息,比如命令字符串、是否是唤醒词、对应的提示音等等;
  4. 提示音:用于识别到命令词后,做相应的反馈提示,当前支持adpcm、pcm、mp3、flac、adpcm-8KHz,SDK中通过宏切换。

后面的章节会介绍如何生成所需的资源。


2. 制作命令词模型文件

2.1. 准备命令词字符串文件。

  • 登录 ☞启英泰伦语音AI平台 , 如下图所示,点击左菜单栏(语言模型)选项图标进入语言模型界面:

语言模型菜单

图2-1 语言模型菜单
  • 创建项目:

创建语言模型项目

图2-2 创建语言模型项目
  • 先填写语言类型,下载对应语言的模板文件:

1、语言类型:下拉框选择中文、英文、日文。

2、下载样例:根据语言类型选择,会出现中文、英文、日文样例。

下载模板文件

图2-3 下载模板文件
  • 打开下载的中文模板文件,参照文件格式,编辑命令词:

编辑命令词

图2-4 编辑命令词

注解

  1. 命令词:需要语音识别的命令词字符串。
  2. 命令词类型:指定命令词是否为唤醒词,如果指定了唤醒词,平台会生成双网络数据。
  3. 双网络:是指为了改善唤醒词的识别效果,为唤醒词单独做一个识别模型,其他的命令词做一个识别模型,就相当于这个项目用到了两个神经网络模型,简称双网络。

2.2. 生成语言模型和声学模型

  • 在语言模型界面填写项目相关信息,芯片型号选CI1122,语言类型选中文,根据需求填写声学模型,上传2.1章节编辑好的命令词文件:

上传命令词字符串文件

图2-5 上传命令词字符串文件
  • 点击左上角的“保存”按钮:

保存

图2-6 保存
  • 然后平台有个加载和生成模型的过程,请等待页面自动刷新,不要手动刷新,如果有错误,请按提示修改,再保存:

等待页面自动刷新

图2-7 等待页面自动刷新
  • 页面自动刷新后,会出现下载链接,点击下载生成的语言模型以及声学模型:

下载生成的文件

图2-8 下载生成的文件
  • 解压下载的语言模型压缩包,可以得到命令词信息表文件:”[60000]{xxxx}.xls” 和命令词、唤醒词语言模型文件 “asr_zn_xxx_xxx.dat”:

下载生成的文件

图2-9 下载生成的文件
  • 解压下载的声学模型压缩包,可以得到声学模型:

解压下载的声学模型

图2-10 解压下载的声学模型

3. 生成播报音(voice)

  • 从平台主菜单进入“播报音合成”界面:

播报音合成菜单

图3-1 播报音合成菜单
  • 创建项目:

创建播报音合成项目

图3-2 创建播报音合成项目
  • 下载样例文件:

1、语言类型:下拉框选择中文、英文。

2、下载样例:根据语言类型选择,会出现中文、英文样例。

3、人声分类、合成人声:选择分类和人声后,可以试听样音。

4、试听样音:点击后可以播放音频。

下载样例文件

图3-3 下载样例文件
  • 打开下载的模板文件,中文、英文示例如下:

中文英文制作示例

图3-4 中文英文制作示例
  • 按照模板格式,编辑需要生成的播报音:

编辑需要生成的播报音

图3-5 编辑需要生成的播报音

注解

  1. 音频序号:指定生成音频文件的ID号。
  2. 音频名:指定生成音频文件的文件名。
  3. 合成内容:语音内容(文字间,可以有逗号分隔符号,但不能有空格)

提示

制作播报音也有一些规则可以减小固件大小,节省FLASH空间。SDK支持组合播报和选择播报,就可以把某些具有共性的词提取出来,制作成一个音频文件。比如,打开空间,打开电视,打开风扇,打开台灯,打开客厅灯,打开书房灯,这么多词都有“打开”一词,就可把“打开”做成一个单独的文件,在命令词信息表文件中,用组合播报的方式关联到命令词。再比如一些可以更换名字的项目,上电播报可能是“我是xxx, 你可以使用xxx来唤醒我”,可以把这名话拆分成4个音频:

  1. 我是
  2. xxx
  3. 你可以使用
  4. 来唤醒我

在命令词信息表中关联播报音ID时填入”1+2+3+2+4”。

其中”xxx”可以是多个名字,通过组合加选择播报的功能,在程序中根据情况选择播报,就不需要为每个名字生成一套播报音了。

  • 回到平台“播报音合成”界面,填写项目相关信息,点击“上传您的文件”按钮,上传已编辑好的音频字符串文件(TTSCmd_zn.xlsx)。点击左上角“保存”按钮,平台开始生成语音,需要等待一段时间。

上传音频字符串文件

图3-6 上传音频字符串文件
  • 等页面提示生成成功,出现“下载语音合成文件”按钮,点击即可下载:

等页面提示生成成功

图3-7 等页面提示生成成功
  • 下载得到下列音频文件:

下载音频文件

图3-8 下载音频文件

4. 制作固件

4.1. 编辑命令词信息表文件

将2.2节下载得到的命令词信息表文件:”[60000]{xxxx}.xls”拷贝到路径:%SDK_PATH%\sample\internal\sample_xxx\firmware\user_file\cmd_info\,替换原始[60000]开头的文件,并按照项目逻辑做相关修改,主要是关联播报音,设置唤醒词,调整识别灵敏度等。

命令词信息表文件{: .center .img-fluid tag=1 }

图4-1 命令词信息表文件

注解

  1. 模型名:用于设置当前这套命令词对应的模型名称,目前就3个:NN ID(声学模型文件ID)、ASR ID(语言模型文件ID)、VOICE GROUP(播报音目录ID)。
  2. 模型ID:用于设置当前这套命令词对应的模型ID号。填写0及大于0的数字均可,但需与文件前缀[ID]号匹配。例如,[3]asr_xxx_cmd.dat文件标识ID为3,ASR ID的模型ID就填3。
  3. 命令词:命令词字符串。
  4. 命令词ID:开发者自定义的命令词ID ,方便快速开发实现逻辑。默认不支持不同命令词使用相同的命令词ID,如果一定要可以修改脚本文件“cmd_info.bat”,cmd_info.exe 命令后添加“- -no-cmd-id-duplicate-check”。
  5. 命令词语义ID:语义ID,启英泰伦自定义的字符串语义ID,具有唯一性,如果产品考虑家庭组网的话,可以用此ID解决多个设备的命令词冲突问题。
  6. 置信度:用于调整命令词的识别灵敏度,解决误识别等。
  7. 唤醒词:用于指定唤醒词。
  8. 组合词:用于指定组合词,既是唤醒词,又是命令词,少了唤醒一步。
  9. 期望词:用在某些命令词特别不容易识别时使用。
  10. 不期望词:用在某些命令词特别容易识别,而不能识别另外一个相似的正确命令词,导致误识别。
  11. 特殊词计数:用于短的命令词截获具有相同内容的长命令词的情况。比如:“加热”和“加热三分钟”,可能说“加热三分钟”,也会得到“加热”的结果。解决方法是给“加热”命令词设置特殊词计数,在识别到“加热”后,再等待一会,看后续是否有相近命令结果,如果有就丢弃“加热”。也不能设置的太大,否则会明显增大“加热”的响应时间。
  12. 播报音类型:主要用于多个选择播报时,指定选择的方式。当前支持两种,“随机选择”(调用播报接口时,select_index设置为-1),“自定义选择”(调用播报接口时,select_index设置为要选择的值)。
  13. 播报音ID:播报音文件ID(也就是第4章中的音频序号),组合播报用‘+’连接(最多支持16个音频组合),如果有多个选择播报,每个选择项占一列,最多127列。
  14. 模型分组ID:用于多模型切换。SDK demo中默认0为命令词模型,1为唤醒词模型。

提示

  1. 如果有未关联到命令词的播报,可以创建一个假命令词,也就是命令词字符串未用于生成语言模型,不会被识别到,但可以通过些字符串播放出来。
  2. 编辑命令词信息表文件名的ID必需为60000,不能修改,如[60000]{xxxx}.xls。
  3. 注意适当应用组合播报,选择播报,多模型切换功能,可以减小固件大小,节省FLASH空间。

关联播报音

图4-2 关联播报音

4.2. 编辑代码,实现项目需求

  • 用户逻辑的实现主要在“system_msg_deal.c”文件中;
  • UserTaskManageProcess函数就是用户逻辑处理任务,在这个任务里处理各种消息,如:语音识别消息,按键消息,串口消息等。
  • 找到要处理的消息,实现对应的逻辑功能。比如IO控制,播报音选择,切换模型,参数调整,串口上报等。
  • 如果有需要关机保存的信息,可以使用ci_nvdm模块保存,请参考SDK中标准demo中音量设置相关代码。

注解

  1. 如果有用命令词切换模型的,同时切换模型的命令有语音播报,注意切换模型接口与语音播报的调用顺序,需要根据播报音所在的模型来定。

4.3. 合成并烧录固件

4.3.1. 拷贝资源文件

固件制作目录如下图:

固件制作目录

图4-3 固件制作目录
  • 将第2章节生成的语言模型文件(asr_zn_214_CI1122.dat)放入firmware目录下的asr目录中, 按照4.1节编辑的《命令词信息表》中ASR ID设置文件ID号,如[0]asr_zn_214_CI1122.dat。如果使用双网络,需将唤醒词、命令词的语言模型均放到该目录;
  • 将第2章节生成的声学模型文件GE-CH-S-V00214.fefixbin3676,放入firmware目录下的NN目录中,设置按照4.1节编辑的《命令词信息表》中NN ID设置文件ID号,如[0]GE-CH-S-V00214.fefixbin3676。如果NN目录下已有该模型,无需再替换;
  • 将第3章节生成的播报音文件(TTS_wav目录下的wav格式的音频文件)放入firmware目录下的voice目录中,按照3.1节编辑的《命令词信息表》中VOICE GROUP设置文件夹ID号,如[0]voice。
  • 编辑工程代码,生成user.bin,在user_code目录下;
  • 合成分区bin文件,双击运行”合成分区bin文件.bat”,选择需要的音频格式(特殊音频格式需要修改SDK配置),完成后,会在asr、NN、user_file、voice目录下生成与目录同名的bin文件。

4.3.2. 打包固件

打包升级,双击运行“打包升级.bat”,在弹出界面选择”CI112X“,再选择“固件打包”,关于工具的更多使用方法请按F1查看帮助:

升级工具选择芯片类型

图4-4 升级工具选择芯片类型

升级工具主界面

图4-5 升级工具主界面

进入打包界面:

升级工具打包界面{: .center .img-fluid tag=1 }

图4-6 升级工具打包界面

注解

  1. Config:软硬件信息区;
  2. User、ASR、NN、Voice、UserFile等:固件分区信息区。
  3. 菜单栏。

  • 1、在版本信息区填写软硬件相关信息;
  • 2、选择或填写各分区bin文件路径;
  • 3、点击“打包固件”;
  • 4、如果弹窗提示地址冲突,调整各分区大小,重新执行第3步;
  • 5、弹窗提示“固件已生成”表示打包成功。

  • 关于固件打包界面的更多介绍和问题处理,请参照SDK文档 ☞《串口升级工具使用说明》

4.3.3. 烧录固件

在打包升级工具中点击“固件升级”:

固件升级

图4-7 固件升级
  • 1、选择或填写固件路径;
  • 2、勾选待升级的设备所连接的串口;
  • 3、其他选择:强制更新所有分区,鉴权文件,加密;
  • 4、待升级模块切换到升级模式(短接PG、EN两个引脚);
  • 5、重启待升级设备,开始升级;
  • 6、等待升级完成,如果顺利的话,升级成功后,设备会自动引导进固件代码,如果有上电播报音话,能听到上电播报。