如何保證語音引擎設(shè)計的質(zhì)量和性能

下一代軟DSP產(chǎn)品采用了實時處理和寬帶(高清晰度)語音通信技術(shù)，可以比當(dāng)前技術(shù)取得更大的最終用戶滿意度和市場潛力。這些產(chǎn)品為語音通信建立了新的高清晰度標(biāo)準(zhǔn)。根據(jù)本文建議開發(fā)的產(chǎn)品可以取得超過電話質(zhì)量通信的效果。相反，不滿足這些實時要求將造成許多語音質(zhì)量劣化的癥狀，包括掉話、顯著的時延、爆破音或卡嗒聲、傳真/調(diào)制解調(diào)器呼叫失敗或傳真頁錯亂，以及由于丟包或超額延時造成的語音不清等等。不滿足實時要求還將導(dǎo)致錯過時限，這將是嚴(yán)重的系統(tǒng)故障，需要整個系統(tǒng)復(fù)位才能解決，除非系統(tǒng)支持硬件和軟件的恢復(fù)。

電話呼叫中的語音通信是雙向的：音頻的發(fā)送和接收同時進(jìn)行。因此盡量減小語音系統(tǒng)中的延時以確保音頻質(zhì)量很關(guān)鍵；然而，減小時延的優(yōu)化工作與滿足語音處理要求相沖突。在傳統(tǒng)的回放音頻系統(tǒng)中，如音頻(MP3)回放或多媒體流，緩存可以做得很大以補(bǔ)償系統(tǒng)處理能力的低下，此時延時與質(zhì)量無關(guān)。語音引擎卻不能這樣做，因為音頻緩存必須能在固定時間得到全部處理。這種架構(gòu)通常采用中斷優(yōu)先級劃分和軟件調(diào)度，利用甚至在某些時候增強(qiáng)操作系統(tǒng)的實時性能來保證語音處理的完成。

在語音引擎系統(tǒng)中，軟件中斷服務(wù)程序?qū)⑴c語音硬件編解碼器交換語音采樣。語音硬件編解碼器以8kHz的采樣速率完成模擬信號與音頻采樣之間的來回轉(zhuǎn)換。在電話應(yīng)用中，硬件編解碼器被連接到作為電話物理接口的用戶線接口電路(SLIC)或無繩電話的DECT射頻電路。而在IP電話或移動手機(jī)場合，硬件編解碼器被連接到放大器，放大器再與麥克風(fēng)和揚(yáng)聲器相連。

SoC硬件接口在保證語音引擎的實時性能和準(zhǔn)確調(diào)度方面扮演著關(guān)鍵的角色。如果SoC帶TDM或AC97外設(shè)，電話語音編解碼器可以直接連到處理器。如果嵌入式處理器不帶這些外設(shè)，最低成本的解決方案是經(jīng)過一個CPLD再與處理器相連。CPLD可以從硬件編解碼器逐個收發(fā)采樣，這種方案對時間最敏感，并且代表了最壞情況下的時序要求。

不管是通過TDM、AC97還是CPLD，語音硬件服務(wù)必須優(yōu)先處理以確保中斷得到響應(yīng)；其他系統(tǒng)軟件必須不影響這個中斷的關(guān)鍵時序。在8kHz的采樣速率下，中斷將每125μs發(fā)生一次。對于運行在200MHz的SoC來說，針對速度優(yōu)化過的CPLD中斷服務(wù)程序處理時間在25μs以內(nèi)。這就允許最大中斷延時的計算值為90μs(125μsC(25μs+中斷服務(wù)建立時間10μs))。系統(tǒng)要想滿足實時時限，操作系統(tǒng)必須在收到編解碼器中斷后的90μs內(nèi)調(diào)用中斷服務(wù)程序，并且操作系統(tǒng)必須允許服務(wù)運行并立即完成。

操作系統(tǒng)還必須保證中斷服務(wù)程序可以調(diào)度語音引擎，以便立即對在音頻緩存進(jìn)行處理。中斷服務(wù)程序使用緩存準(zhǔn)備好信號激活這種調(diào)度，如圖所示。在該圖中可以看到，DMA外設(shè)用來將音頻采樣采集到緩存中供語音引擎的處理，這種方法的效率要比CPLD實現(xiàn)高。

對語音引擎的要求是要在下一個語音緩存準(zhǔn)備好之前完成語音采樣的處理。語音引擎中處理語音所需的時間取決于多個因素，包括處理器、緩存大小、RAM速度、物理語音接口數(shù)量(音頻通道)、緩存要求的軟件DSP處理以及所用的語音編碼器類型。

要想全面地分析語音引擎時序要求，請參考附表。t_idle參數(shù)代表的是所有其他系統(tǒng)進(jìn)程或系統(tǒng)應(yīng)用程序留給可用處理的剩余時間。從語音引擎設(shè)計角度看，就是指空閑時間。所有較低優(yōu)先級系統(tǒng)的處理都是發(fā)生在語音引擎完成實時語音處理后的空閑時間內(nèi)。在最壞情況下，t_idle可能為0ms，此時語音引擎處理會有多次反復(fù)。

D2科技公司的vPort軟件包含了針對所支持配置的性能基準(zhǔn)。例如，vPort版本可能規(guī)定三方G.729AB語音會議呼叫的語音處理，作為最壞情況和緩存連續(xù)清空的條件下，要求語音引擎提供每10ms最大100MHz的處理能力。如果運行在400MHz RISC處理器上，t_voice在最壞情況處理時要求100MHz(CPU處理能力的25%)，對應(yīng)每隔10ms處理間隔中的2.5ms處理時間。如果t_switch超過7.5ms(t_switch=t_bufferC(t_voice+t_idle))，實時時限就無法滿足，這個時間還不包括在語音引擎處理期間由于其他外設(shè)中斷、下半部處理或“tasklet”軟中斷引起的額外開銷。

以下是設(shè)計師在集成用于軟DSP處理的語音引擎時需要考慮的最重要的一些設(shè)計準(zhǔn)則：

1. 為了使質(zhì)量最優(yōu)，語音通信要求最小化系統(tǒng)時延；

2. 語音通信是連續(xù)的，丟失采樣或失去實時性將是最嚴(yán)重的錯誤；

3. 語音硬件有嚴(yán)格的時序要求，在丟失時序時需要一種差錯恢復(fù)機(jī)制；

4. 語音引擎實時處理必須在10ms的軟件時限內(nèi)完成對語音緩存的處理。語音引擎中斷服務(wù)程序在CPU外設(shè)硬件基礎(chǔ)上有嚴(yán)格的時序限制。

圖1：語音引擎時序圖。

表1：D2的語音引擎時序要求。