用DSP應(yīng)對3G手機(jī)的語音識別應(yīng)用

從設(shè)計(jì)的角度來看，ASR在實(shí)時(shí)操作以及語音格式的清晰程度與快速識別等功能性的實(shí)現(xiàn)方面，需要依靠高性能數(shù)字信號處理器技術(shù)來完成所需的復(fù)雜算法。幸運(yùn)的是，現(xiàn)代DSP技術(shù)已取得了很大進(jìn)展，它已經(jīng)實(shí)現(xiàn)了比以往更強(qiáng)大的計(jì)算能力、更低的功耗和更小的體積，可以將更復(fù)雜和更精確的ASR功能加到3G手機(jī)上。將高效、功能強(qiáng)大的DSP核與其它元件及技術(shù)組合在一起，可望實(shí)現(xiàn)3G手機(jī)所要求的通道處理方案。

目前來看，ASR的基本應(yīng)用按功能可分為三類：語音轉(zhuǎn)文本(語音‘鍵入’)、講話人識別和語音命令控制。

圖1 3G手機(jī)ASR應(yīng)用的兩種結(jié)構(gòu)類型

這三種類型的功能涵蓋了3G設(shè)備要用到的多種ASR特性。語音轉(zhuǎn)文本的應(yīng)用包括語音撥號和電子郵件口述。講話人識別功能可實(shí)現(xiàn)對個(gè)人存儲(chǔ)數(shù)據(jù)及講話人身份資料的安全語音訪問，能夠用于諸如信用卡購物及銀行業(yè)務(wù)等安全用途的訪問。語音命令控制功能涉及對語音擴(kuò)展標(biāo)記語言(VXML)網(wǎng)站內(nèi)容如理財(cái)服務(wù)、目錄幫助等的語音接口應(yīng)用等。(VXML目前正在成為網(wǎng)站內(nèi)容的標(biāo)準(zhǔn)化語音標(biāo)簽)。

從實(shí)施方案看，3G手機(jī)ASR應(yīng)用可分為以終端為中心和采用客戶機(jī)/服務(wù)器結(jié)構(gòu)兩種類型。如圖1所示，以終端為中心的應(yīng)用方案中，由3G手機(jī)完成整個(gè)語音識別過程并送出識別結(jié)果。在客戶機(jī)/服務(wù)器方案中，終端設(shè)備完成預(yù)處理和特征提取，然后通過防差錯(cuò)數(shù)據(jù)通道將所得參數(shù)發(fā)給中心服務(wù)器完成識別過程。采用客戶機(jī)/服務(wù)器結(jié)構(gòu)，3G手機(jī)須通過數(shù)據(jù)通道而非移動(dòng)通道把語音傳給服務(wù)器進(jìn)行識別，這是因?yàn)橐苿?dòng)通道的語音編碼速率較低，會(huì)嚴(yán)重影響識別性能。

ASR系統(tǒng)按語匯量的不同有很大差異。簡單的網(wǎng)絡(luò)應(yīng)用具有最基本的16個(gè)字語匯功能就夠用了，但對于3G手機(jī)應(yīng)用，則需要更大量的專用語匯。這種語匯可以是與講話人有關(guān)的(按用戶的聲音進(jìn)行語訓(xùn))或無關(guān)的(任何人的聲音都可以)。語匯量以及語訓(xùn)數(shù)據(jù)的增加，對DSP計(jì)算載荷量的要求就變大。

例如，我們來考察一種典型的基于隱式馬可夫模型(HMM)的與講話人無關(guān)、100條指令識別量的應(yīng)用。假定HMM模型從左到右無遺漏；有6種狀態(tài)，5種混合高斯型分布，具有對角線協(xié)方差；并有39種特性(頻率倒頻譜系數(shù)或MFCC為13mel，及其第一級、第二級差值)，16位精度，那么聲學(xué)HMM模型的大小將為100x6x5x(39+2)x2= 240kB。

進(jìn)行包括輸入語音采樣的細(xì)分、開窗、MFCC提取、概率計(jì)算和Viterbi搜尋等實(shí)時(shí)操作，對DSP的運(yùn)算量要求一般為1000萬次乘法累加循環(huán)(MAC)。對于連續(xù)語音的識別，數(shù)千個(gè)三話音模型(triphone model)和各種語法模型，要求更大的存儲(chǔ)空間，以及更高的DSP處理速度。

由此，ASR系統(tǒng)在手機(jī)上應(yīng)用的成敗在很大程度上將取決于DSP的功能和設(shè)計(jì)。第三代移動(dòng)通信系統(tǒng)要求使用比以往更高性能的DSP，而ASR功能的加入對DSP就提出了更高的要求。從構(gòu)建系統(tǒng)架構(gòu)的角度看，實(shí)現(xiàn)好的DSP性能需要具有高處理速度，低功耗和高編碼密度。

高速DSP是關(guān)鍵

由于語音識別系統(tǒng)要對聲音進(jìn)行“實(shí)時(shí)”處理和采樣，因此它要進(jìn)行大量的運(yùn)算。下面的數(shù)字和運(yùn)算量是以終端中心方案為前提的。如果DSP20%的計(jì)算資源分配用于1000萬次MAC語音識別應(yīng)用，那么要同時(shí)具有這種功能，并仍有余力完成3G手機(jī)所要求的諸如‘軟貓’(Soft modem)處理能力等其它DSP任務(wù)，則要求DSP提供5000萬次MAC。采用速度較慢的DSP，如運(yùn)算速度為2500萬次MAC，會(huì)使語匯量中指令數(shù)目減半或使HMM參數(shù)變得很少，導(dǎo)致系統(tǒng)總體性能下降。

DSP速度對語音識別應(yīng)用系統(tǒng)的復(fù)雜性和性能起著決定作用。例如，假定一個(gè)與講話人無關(guān)的連續(xù)語音應(yīng)用要求1億次MAC，而DSP計(jì)算資源的50%要為3G手機(jī)中的其它DSP應(yīng)用所占用，那么要求DSP所具有的處理速度就為2億次MAC。

效率至關(guān)重要

高速DSP的實(shí)現(xiàn)可引入通道自適應(yīng)和聲域自適應(yīng)等現(xiàn)代HMM技術(shù)。從理論上講，DSP越快，ASR應(yīng)用的性能就越好。但并行處理性能對ASR的吞吐量來說也是一個(gè)重要指標(biāo)。例如，工作頻率為200MHz、具有四個(gè)運(yùn)算邏輯單元的DSP，其吞吐量就遠(yuǎn)高于工作頻率為400MHz的單ALU DSP。根據(jù)具體應(yīng)用的不同，使用2到3個(gè)單ALU DSP可達(dá)到與一個(gè)四ALU DSP相同的性能。與單個(gè)四ALU處理器方案相比，使用多個(gè)單ALU DSP會(huì)增大手機(jī)成本，因此從產(chǎn)品的適銷性考慮，必須權(quán)衡成本和性能。

概言之，設(shè)計(jì)師在對一個(gè)600MHz單ALU DSP 和一個(gè)300-MHz四ALU DSP進(jìn)行比較選擇時(shí)，頭腦中要謹(jǐn)記一個(gè)最終目標(biāo)：有效的吞吐量。具有并行處理能力的多ALU DSP可成為取得好產(chǎn)品的最佳方案。

性能與功率

高處理能力的DSP采用并行架構(gòu)以留有性能余量。人所共知平均衡式并行架構(gòu)(StarCore SC140)采用的是具有四個(gè)并行ALU和一種被稱為可變長度執(zhí)行集(VLES)的極長指令字模型的指令級并行處理架構(gòu)。VLES的優(yōu)勢在于它能有效地支持存儲(chǔ)器內(nèi)指令的調(diào)度、執(zhí)行和打包。通過把指令隊(duì)列饋給前端并由調(diào)度程序控制后端，使得除了運(yùn)算所需之外沒有其它處理功耗。

在并行VLES架構(gòu)中，為避免出現(xiàn)空操作(Nops)，把特殊指令歸為一組。其結(jié)果是，因所用時(shí)鐘周期數(shù)變少，從而縮短了處理時(shí)間。相反，在極長指令字的計(jì)算中，所有的操作步驟都要一個(gè)挨一個(gè)排列。因此，對于一個(gè)8字節(jié)的操作集來說，即使處理1字節(jié)的數(shù)據(jù)，系統(tǒng)也要占用7個(gè)占位符或Nops。

VLES架構(gòu)無需Nops。VLES設(shè)計(jì)的復(fù)雜性在轉(zhuǎn)向編譯器，而非硬件或程序設(shè)計(jì)器。由于每個(gè)周期都滿載數(shù)據(jù)，每個(gè)周期的效用就更高。這樣，電源和存儲(chǔ)器就可以得到有效地利用。

電源管理

為提高電池使用壽命，在3G應(yīng)用中，電源的有效使用很重要。由于語音數(shù)據(jù)需要進(jìn)行連續(xù)處理，ASR就成為DSP電池的主要能耗源。這樣，電源的有效利用對應(yīng)用方案的成功來說便顯得尤為關(guān)鍵。

對于高性能DSP來說，選用16位指令集而非32位指令集，可以改進(jìn)編碼密度，從而進(jìn)一步降低對存儲(chǔ)器、電源和體積等的整體要求。個(gè)中原因部分是因?yàn)槎痰?6位指令集意味著更少的寄存器和數(shù)據(jù)線。例如，在ASR應(yīng)用中，存儲(chǔ)的語匯量可能多達(dá)2.5M字節(jié)。(實(shí)現(xiàn)1024簇三音態(tài)、5種混合和39種參數(shù)等性能，所用聲學(xué)HMM狀態(tài)模型需占400kB；10000個(gè)三態(tài)三話音編碼簿占用60kB；三音態(tài)轉(zhuǎn)移概率矩陣占有500kB；有40種模糊態(tài)的20000字的雙字母組需要1.6MB。)如果DSP具有高的編碼密度，ASR應(yīng)用所需的存儲(chǔ)量一定，那么可以實(shí)現(xiàn)更好更大的聲學(xué)和語音學(xué)模型。

在ASR應(yīng)用中，片內(nèi)和片外存儲(chǔ)器的有效利用是DSP要考慮的另一個(gè)重要方面。由于語匯量和模型識別可能會(huì)要求大的存儲(chǔ)量，因此采用具有靈活性的存儲(chǔ)結(jié)構(gòu)對ASR系統(tǒng)是十分有益的。例如，采用帶一體化存儲(chǔ)器的DSP可使設(shè)計(jì)師很好地謀求程序與數(shù)據(jù)的平衡。通過均衡考慮系統(tǒng)運(yùn)算的復(fù)雜性和聲學(xué)語音學(xué)模型的大小，以求達(dá)到最佳性能。

如果片上系統(tǒng)內(nèi)存中只有100kB可用于具有100個(gè)指令的識別應(yīng)用模型，而其需求總量為240kB，那么采用兩遍(two-pass)識別方法可實(shí)現(xiàn)快速片上內(nèi)存更加有效地利用。第一遍(粗略識別階段)只用13個(gè)MFCC而非39個(gè)參數(shù)。這樣，模型的大小為80kB，可由片上內(nèi)存來承載。粗略識別階段，給出的候選話語數(shù)量將比原有的100個(gè)要少，可以是具有99.99%極高置信度的33個(gè)話音。第二遍(精細(xì)識別階段)用39個(gè)參數(shù)對33個(gè)候選話音建立模型，內(nèi)存占用80kB。這種模型同樣可由片上內(nèi)存來承載。由于第二遍操作只有等到整個(gè)指令完成發(fā)出以后才能動(dòng)作，因此兩遍方法將引入部分等待時(shí)間，但這一時(shí)間非常短，大約為10ms，不會(huì)引起講話人的注意。

一體化內(nèi)存可實(shí)現(xiàn)大的語匯量或指令集，以及大的HMM模型或神經(jīng)網(wǎng)絡(luò)系數(shù)，從而簡化實(shí)時(shí)任務(wù)的完成。如有一個(gè)100kB的內(nèi)存，ASR應(yīng)用中的程序和數(shù)據(jù)都要用，這時(shí)開發(fā)人員便可以在運(yùn)算復(fù)雜程度以及語匯量或指令集大小之間進(jìn)行均衡處理。如果程序應(yīng)用占50kB，數(shù)據(jù)就只能用50kB。償若識別精度可略微降低，使程序代碼的內(nèi)存占用降為20kB，那么用于指令集的內(nèi)存量便可達(dá)80kB，語匯量便可擴(kuò)大。

在ASR應(yīng)用中，DSP器件所具有的高并行處理能力、良好的編碼密度以及內(nèi)存的高效利用等優(yōu)點(diǎn)，這一切將使之除用于語音識別處理外還有更多的其它作為。大多數(shù)情況下，設(shè)計(jì)師只會(huì)對語音識別功能分配一部分帶寬，而將剩余帶寬用以完成通道處理系統(tǒng)所需的其它處理任務(wù)。

DSP芯核以外的問題
在最佳的DSP選定后，要實(shí)現(xiàn)ASR所要求的高性能SoC尚需數(shù)種附加功能。例如，為實(shí)現(xiàn)ASR系統(tǒng)的實(shí)時(shí)操作，需要加上快速緩存或快速指令/數(shù)據(jù)獲取，以及實(shí)時(shí)操作系統(tǒng)的運(yùn)行等功能。多任務(wù)RTOS可使系統(tǒng)同時(shí)運(yùn)行多個(gè)應(yīng)用，諸如要求具有更強(qiáng)功能性的兩通道語音識別應(yīng)用等。

從事諸如通道處理系統(tǒng)等復(fù)雜SoC應(yīng)用的設(shè)計(jì)師將受益于采用了高效高級語言編譯器的DSP和SoC，他們允許用C或C++等語言開展工作。通過使用增強(qiáng)型片上仿真與調(diào)試功能，還可在設(shè)計(jì)時(shí)間上大為改善。

除實(shí)時(shí)性能和設(shè)計(jì)過程得到簡化外，電源管理控制功能在3G手機(jī)應(yīng)用的元件及系統(tǒng)設(shè)計(jì)的各個(gè)層面上都起著重要作用。對于SoC設(shè)計(jì)來說，選擇具有可調(diào)節(jié)功率要求的芯核是有利的。例如，如果移動(dòng)用戶正在講話，那么這時(shí)需要DSP全速運(yùn)行，如300MHz。如果ASR功能沒在使用，那么SoC電源管理電路便可停到一個(gè)較低的時(shí)鐘速率上，如100 MHz，低的電流消耗帶來低功耗。

由于不同的ASR系統(tǒng)在單字識別或連續(xù)語音識別、語匯量以及相對于發(fā)話人的關(guān)聯(lián)性等性能方面差異很大，因此目前正在探討可支持廣泛的復(fù)雜ASR功能性要求的通道處理系統(tǒng)。

SoC很適合作基礎(chǔ)構(gòu)件使用，因此它是客戶/服務(wù)器系統(tǒng)的理想器件。目前SoC的功能性太強(qiáng)，還不大適合用在以終端為中心的方案的用戶端。但是，伴隨ASR應(yīng)用的日趨成熟和3G手機(jī)對更綜合業(yè)務(wù)以及更復(fù)雜ASR的支持，這種功能強(qiáng)大的SoC同樣可以成功地應(yīng)用于此。

在SoC上使用多個(gè)DSP，使系統(tǒng)能輕松地在實(shí)施語音識別功能的同時(shí)，對其它任務(wù)進(jìn)行操作。例如有三個(gè)芯片，其一可專供多通道服務(wù)器ASR使用，而另二個(gè)處理語音通道及互聯(lián)網(wǎng)數(shù)據(jù)處理等業(yè)務(wù)。將來，如果移動(dòng)電話的小鍵盤不復(fù)存在，ASR便會(huì)成為用戶和手機(jī)之間的惟一接口，這種功能將成為常規(guī)使用功能。

多個(gè)DSP核的使用還能提供強(qiáng)大的計(jì)算能力，進(jìn)而可實(shí)現(xiàn)對諸如口述電子郵件的連續(xù)語音識別、口令+發(fā)話人驗(yàn)證的安全交易和VXML等復(fù)雜ASR任務(wù)的處理。當(dāng)結(jié)合大容量的一體化片上內(nèi)存使用時(shí)，多DSP可縮短發(fā)話人相關(guān)訓(xùn)練過程，因?yàn)橛?xùn)練過程的計(jì)算負(fù)載量比ASR統(tǒng)計(jì)識別過程要大很多。

3G和ASR
盡管這種可使3G手機(jī)贏得市場的特性和方案設(shè)計(jì)仍有待觀察，但很清楚，這類系統(tǒng)將需要高性能的數(shù)字信號處理平臺(tái)來對所規(guī)劃的多媒體業(yè)務(wù)進(jìn)行操作。伴隨ASR應(yīng)用的不斷普及，3G手機(jī)將需要依靠強(qiáng)大的DSP SoC解決方案來運(yùn)行多任務(wù)操作。一種經(jīng)濟(jì)、高效的方法是把ASR的功能實(shí)現(xiàn)指派給通道處理SoC，因?yàn)樗杉{入多個(gè)DSP，在不對3G手機(jī)添加額外元件的情況下提供專門的計(jì)算能力。