AT32 AI Studio关键字识别应用笔记

MCU学习帮

前言

随着人工智能技术从云端向设备边缘的持续迁移，端侧智能（Edge AI）正成为实现实时响应、数据隐私保护和低功耗计算的关键范式。在这一趋势下，高效、易用的开发工具对于降低AI应用落地门槛至关重要。AT32 AI Studio作为一款面向端侧AI应用开发的集成平台，为开发者提供了从模型优化到最终部署的全流程支持，极大地简化了在资源受限的嵌入式设备上部署智能模型的复杂性。

关键字识别（Keyword Spotting， KWS）作为语音交互的基石技术，广泛存在于智能家居、可穿戴设备、车载系统等场景中，其核心需求正是低延迟、高准确率与本地化处理。传统的云端语音处理方案难以完全满足这些需求，因此，基于端侧设备的KWS方案成为了必然选择。本应用笔记旨在通过一个具体的KWS案例，系统性地展示如何利用AT32 AI Studio这一强大工具，快速完成模型准备、优化、部署及验证的全过程。我们期望通过这份笔记，为开发者提供一条清晰的路径，将先进的AI语音模型高效、可靠地赋能于实际的边缘计算产品之中。

支持型号列表：AT32F403A/AT32F435

备注：本文档仅供有需求的小伙伴们参考，仅作分享使用，文档中涉及的相关图片和视频资料，可访问雅特力官网获取下载，实现更快捷的使用：https://www.arterytek.com/cn/support/index.jsp?index=1

1                 概述

本案例演示了使用AT32 AI Studio平台，完成一个轻量级关键字识别应用的完整开发流程。案例聚焦于实现常用关键字“YES”、“NO”、“LEFT”、“RIGHT”等特定命令词的精准、实时识别，并最终将模型部署到真实的边缘计算设备上运行。

主要功能：

l  数据集加载与预处理：案例演示了如何导入和整理自定义的语音数据集，并利用平台工具完成音频特征提取（如梅尔频谱图），为模型训练准备好标准化的输入数据。

l  模型训练与优化：采用适合边缘设备的轻量级神经网络进行训练。核心

在于利用AT32 AI Studio的量化压缩工具对模型进行优化，在尽量保持精度的前提下显著减小模型体积与计算量，以满足边缘端部署的严苛要求。

l  模型验证与部署：将优化后的模型转换为硬件适配的格式，并在模拟环境或真实开发板上进行精度与性能评估，确保识别准确率与实时性达到预期，最终生成指定硬件的完整项目工程代码。

1.1           硬件环境

本应用笔记基于AT-START-F435开发板和AT32-Audio-EV，主要包含以下器件：

n  AT32F435 MCU主控芯片

n  WM8988音频编解码器

n  W25Q128 SPI Flash存储器

n  TC8002D音频功放IC

n  S08OB383麦克风

实际电路图可参考文件AT_START_F435_V1.1.zip和AT32_Audio_EV_V2.1.zip

1.2           软件环境

本应用笔记基于AT32 AI Studio平台进行软件开发，完整项目所需的软件包括：

n  AT32_AI_Studio

通过官方下载链接AT32_AI_Studio获取最新版软件，解压AT32_AI_Studio.zip后可得到AT32_AI_Studio.exe，双击后即可进入软件界面

n  Keil MDK

用于AT32系列开发板的程序开发与编译

n  串口调试工具

用于开发板数据接收和调试信息收集等

2                          KWS模型训练

本章节主要介绍如何通过AT32 AI Studio平台进行KWS模型训练，包括数据集导入、模型训练、验证和部署等操作。

2.1           数据集导入

KWS模型训练的数据集中被引用次数最多的就是TensorFlow Datasets所提供的speech_commands数据集。本案例也将使用该数据集进行KWS模型训练，该数据集具有以下特点：

n  包含35个常用的英文关键词

n  约10万条1秒时长的音频文件

n  包含背景噪声样本

n  专为小型的关键词识别模型训练设计

关于数据集下载及更多详细内容请参考：https://www.tensorflow.org/datasets/catalog/speech_commands

数据集下载解压后放入AT32 AI Studio软件所在目录，在软件界面中点击数据集路径-浏览，即可选择指定的模型训练数据集

2.2            模型训练和验证

数据集导入成功后即可开始模型训练和验证的操作，AT32 AI Studio提供了关于模型训练中最核心的三个配置项：学习率（learningrate）、批量大小（batch size）和轮次（epoch），这三个配置项的作用如下：

n  学习率：决定了模型根据计算出的误差（梯度）来调整自身参数时的幅度

n  批量大小：对训练样本进行分批处理的数据量大小

n  轮次：模型训练过程中训练样本被遍历和学习的次数

这三个参数在模型训练过程中相互关联，在实际模型调试中，通常首先确定一个合适的批量大小，其设定可基于运行AT32 AI Studio软件的硬件性能而定，然后通过实验寻找最佳的学习率和轮次，这是模型成功训练的基础。

设定好以上三个参数后即可点击开始按钮，进行自动化的模型训练。开始训练后，根据运行软件的硬件性能以及训练参数的不同，训练完成所花费的时间不等。以上述参数为参考，训练所需时间约610秒，可通过训练日志查看详细的训练过程以及报错信息等内容。

在模型训练完成后，软件将自动进行模型验证工作，主要包含：

1)      性能评估：在独立测试集上计算准确率、损失等核心指标，并进行细致的误差分析（如混淆矩阵）；

2)      质量诊断：通过绘制训练曲线诊断过拟合/欠拟合，并可视化分析预测结果；

3)      部署验证：测试模型推理速度、资源消耗，并验证格式转换（如转TensorFlow Lite）后的精度与功能完整性。

经过以上步骤最终确保模型从实验状态达到生产就绪标准，接下来就可进行模型部署了。

2.3            模型部署

模型部署阶段用户可以选择将要部署的模型、开发板、项目类型等，主要的部署配置如下：

选择模型：选择将要部署的模型

TFLite模型文件：选择模型文件路径

输出项目路径：选择部署项目的生成路径

开发板：选择AT32 AI Studio支持的开发板

使用NPU：可选是否支持NPU

应用：指定模型的应用类型，可选音频、视觉和传感器

项目类型：指定生成项目所使用的开发环境，可选Keil和VSCode

张量内存池大小：设定模型运行所需占用的内存大小

设定完成后直接点击执行按钮即可在指定目录下生成工程项目。

3                          软件实现

本章节详细阐述了关键字唤醒（KWS）系统的核心软件实现流程。整个系统在资源受限的嵌入式MCU上运行，其软件架构被清晰地划分为三个核心模块：音频预处理、音频降噪和KWS模型部署。这三个模块依次串联，构成了一条完整的“声音采集->信号增强->智能识别”处理流水线，其软件实现架构如下图所示。

3.1           音频预处理

音频预处理模块负责将连续的音频流转化为可供后续模块处理的、包含有效语音的定长数据段。其核心任务是从原始音频流中实时检测并截取长度为1秒的潜在语音片段。

3.1.1       音频采集与缓冲

数字麦克风（I2S接口）持续采集环境音频。通过I2S外设配合DMA（直接存储器访问）控制器，实现高效、零CPU占用的数据搬运。DMA将采集到的PCM音频数据自动存入一个预定义的全局环形缓冲区中。该设计确保了在MCU处理当前数据帧时，不会丢失新采集的音频样本，实现了数据的连续无缝缓存。

3.1.2       语音活动检测（VAD）

系统并非简单地按固定时间切片，而是通过一个轻量级的语音活动检测流程来触发有效片段的捕获。该流程持续监控环形缓冲区中的数据，其工作原理如下图所示。

具体步骤如下：

1)      短帧分析：系统定期（例如，每100毫秒）从环形缓冲区中取出一个短时音频帧（如20ms）。

2)      频域转换：利用CMSIS-DSP库中的CFFT（复数FFT）函数对该短帧进行快速傅里叶变换，将其从时域转换到频域。

3)      特征判断：在频域内，计算该短帧在典型人声频率范围内的能量，并与预设的静音阈值进行比较。当能量超过阈值时，则判定可能检测到人声。

4)      数据捕获：一旦检测到人声，软件立即从环形缓冲区中，以当前时刻为结束点，向前定位并提取连续、无间断的1秒（16000个采样点）音频数据。此机制确保了捕获的音频片段末尾包含触发VAD的语音，提高了关键词被完整捕获的概率。

5)      交付数据：将这1秒的原始PCM音频数据复制到专用的全局数组 audio_buffer_1s中，并为下一模块设置数据就绪标志audio_ready_flag = 1。

3.2            音频降噪

音频降噪模块旨在提升语音信号的信噪比，从而在嘈杂环境下增强KWS模型的识别鲁棒性。本系统采用频谱减法对捕获的1秒音频进行增强处理。

3.2.1       算法原理

频谱减法基于一个核心假设：噪声是加性的，并且其频谱特性在短时间内变化缓慢。算法在频域内，从带噪音频信号的幅度谱中估计并减去噪声信号的幅度谱，而保留原始语音的相位谱用于信号重建。

3.2.2       实现流程

该模块的处理流程是一个标准化的数字信号处理链，如下图所示。

具体处理步骤概述如下：

1)      分帧与加窗：将1秒的时域信号分割为多个短时重叠帧（如20ms一帧，重叠50%），并对每帧应用汉宁窗以减少频谱泄漏。

2)      频域变换：对每一帧加窗后的信号进行FFT，得到复数形式的频谱，从中分离出幅度谱和相位谱。

3)      噪声估计与谱减：在系统启动初期或检测到的静音帧中，递归平均估计背景噪声的功率谱。在后续帧中，执行核心的谱减运算：|Y_enhanced(f)|^2 = |Y(f)|^2 - α *|N(f)|^2，其中 α为过减因子。为防止过度削减产生音乐噪声，结果会与一个谱下限（β * |N(f)|^2）取最大值。

4)      时域重建：使用处理后的幅度谱与原始相位谱结合，进行IFFT变换回时域，并通过重叠相加法合成完整的、降噪后的1秒音频信号，存入processed_audio_buffer。

3.3            KWS模型部署

KWS模型部署模块是系统的AI推理引擎，基于ARM CMSIS-NN和TensorFlow Lite Micro框架，负责将降噪后的音频转换为具体的唤醒词识别结果。

3.3.1       模型初始化

在main函数起始阶段，完成一次性的初始化工作：

1)      模型加载：将预训练并量化的TFLite模型加载到内存中。

2)      解释器创建：创建并配置 tflite::MicroInterpreter实例。

3)      内存分配：从专用的内存池（Tensor Arena）中为模型输入、输出及中间张量动态分配所需内存。

3.3.2       实时推理循环

系统的主体是一个无限循环，其状态机逻辑如下图所示，它持续等待并处理就绪的音频数据。

循环内的每一步操作如下：

1)      等待数据：循环持续检查由前述音频预处理和降噪所设置的标志位 audio_ready_flag。

2)      特征提取：当标志位置位，立即对降噪后的 processed_audio_buffer执行MFCC（梅尔频率倒谱系数）特征提取，生成一个包含多维特征向量的二维数组，该数组符合模型输入节点的维度要求。

3)      执行推理：将MFCC特征数据拷贝到解释器的输入Tensor中，随后调用 interpreter.Invoke()函数启动神经网络的前向传播计算。CMSIS-NN加速库在此阶段优化卷积等关键算子，确保在MCU上高效执行。

4)      结果输出：推理完成后，从解释器的输出Tensor中读取结果。输出向量中，表示每个预设关键词（“YES”、“NO”、“LEFT”、“RIGHT”等）及噪音的概率。系统判定概率是否超过置信度阈值，若超过，则通过串口打印识别到的关键词及其置信度。

5)      复位标志：处理完成后，将 audio_ready_flag清零，系统重新进入等待状态，准备处理下一段有效的1秒音频。

至此，本系统的软件设计实现了从低层音频采集、中频信号处理到高层AI推理的全栈功能。通过环形缓冲区与DMA保障了数据采集的实时性，通过VAD与频谱减法提升了系统的有效性和环境适应性，最终通过CMSIS-NN加速的TFLite Micro框架实现了准确、高效的关键词唤醒功能。三个模块职责明确、协同工作，构成了一个高效可靠的嵌入式KWS解决方案。

4                          案例实作

本章节主要介绍关键字识别案例在开发板上的实际部署与测试过程，涵盖硬件连接、软件配置及功能验证的完整流程

4.1           操作方法

本案例的硬件平台由前述的AT-START-F435和AT32-Audio-EV两块开发板构成。底板为搭载AT32F435MCU的主控板，其集成了Arduino接口和具备USB转串口功能的AT-LINK调试器。数字音频采集子板AT32-Audio-EV，搭载WM8988音频编解码器和麦克风。

操作步骤：

1)      通过将子板的Arduino接口与底板的对应接口垂直堆叠，即可完成硬件连接。

2)      使用一根Mini-USB线将底板连接到电脑，系统将由电脑USB口供电。

3)      在电脑上打开串口调试工具，选择识别到的AT-LINK虚拟串口，配置波特率为460800，即可建立通信。

4)      在KeilMDK环境中打开项目工程，完成编译后，通过集成的AT-LINK将固件下载至主控板。

4.2           实验效果

程序下载完成后，复位启动，串口工具将显示初始化成功的信息。

此时，对着麦克风说话，系统检测到预设的关键词后，识别结果便会通过串口打印输出，完成一次完整的语音交互测试，如下图。