刘 生

（南京熊猫电子装备有限公司，江苏南京 210046）

0 引言

近年来，随着人工智能及交互技术的发展，越来越多智能设备可以实现人机对话。为了提高自动语音识别率，业内通常使用波束形成技术进行定向收音，获得了较好的收音效果［1］。针对一些如智能音箱、机器人等智能对话设备，为了实现全向的高效收音，通常会在对话开始时利用声源定位技术获得声音的方向，并将其作为参数传给后续的波束形成部分进行处理。

常用的声源定位算法主要有基于最大可控响应功率的波束形成方法、基于高分辨率谱估计的方法与基于时延估计的定位方法［2-4］。基于相位变换加权的可控波束响应功率（Steered Response Power-Phase Transform，SRP-PHAT）声源定位算法由于具有较强的鲁棒性，可实现真实环境中的声源定位，因此也得到了广泛应用［5-6］。由于算法运算量较大，在嵌入式系统中，为提高算法的实时性，一般使用FPGA 或专用CMOS 芯片进行算法实现［7-8］。在智能语义交互产品中，目前的主流技术是使用Linux 或Android 系统进行网络通信，连接语音对话服务器，实现语义识别、语义处理及语音合成。这部分功能需要使用通用ARM 处理器进行实现，如果使用FPGA 或专用CMOS 芯片实现语音定位及前端语音处理部分功能，势必会提高产品复杂度，成本也会随之升高。本文基于ARM 平台处理器，使用Python 及C++语言对算法进行设计与实现。将原来利用专用芯片实现的前端语音功能在嵌入式ARM 平台上重新进行设计与实现，对产品集成度进行了提升。……