隨著DSP技術的進步，計算能力更強、功耗更低和體積更小的DSP已經(jīng)出現(xiàn)，使3G手機上植入更精確更復雜的自動語音識別（ASR）功能成為可能。目前，基本ASR應用可以分成三大類：1. 語音-文本轉(zhuǎn)換（語音輸入）；2. 講者識別；3. 語音命令控制（語音控制）。
　　這三類功能包含了3G所需的眾多ASR性能。語音-文本轉(zhuǎn)換的典型實例是語音撥號和電子郵件聽寫。講者識別功能可以通過語音識別安全地讀出存儲器中的個人數(shù)據(jù)，從而滿足信用卡定購和銀行服務等保密性高的應用需要。語音命令控制功能包括連接語音擴展標記語言（VXML）網(wǎng)站內(nèi)容的語音接口，它支持財經(jīng)服務與目錄助理等業(yè)務。目前VXML被用于規(guī)范網(wǎng)站內(nèi)容的語音標簽。
　　語音識別的兩種方法
　　3G手機的ASR應用設計可分為兩類，即以終端為中心和以客戶/服務器為中心的應用。如圖1所示為以終端為中心的設計方法，3G手機（終端）執(zhí)行整個語音識別過程并送出識別結果。在圖2所示的客戶/服務器方法中，終端只是執(zhí)行預處理特征提取，然后通過一個誤碼受保護的數(shù)據(jù)信道將這些參數(shù)發(fā)送給中心服務器，中心服務器最終完成語音識別。如果采用以客戶/服務器為中心的設計方法，3G手機應使用數(shù)據(jù)信道而非移動信道來將語音發(fā)送給服務器進行識別，因為移動信道所用的低速率語音編碼會嚴重影響語音識別的性能。
　　各種ASR系統(tǒng)的差異主要體現(xiàn)在詞匯量上。一個簡單的網(wǎng)絡設備可能只需要16字的詞庫就能實現(xiàn)所要求的語音識別功能，而3G移動手機則需要更大的專業(yè)詞庫。這些詞匯可以跟講者相關（訓練語音識別設備使之熟悉用戶的聲音特征）或跟講者無關（語音識別設備可以識別任何人的聲音），DSP的計算負荷就隨著詞匯量和訓練數(shù)據(jù)的增加而增大。
　　例如，根據(jù)隱性馬爾可夫模型（HMM）可以分析一個典型的跟講者無關的100條命令識別的應用實例。假設HMM模型從左到右沒有跳躍地順序擺放，共有6個狀態(tài)、5個具有對角協(xié)方差的混合高斯分布，包含39個特征（13嘜-頻率對數(shù)系數(shù)或MFCC，及其一階和二階差分），具有16位精度，那么，HMM聲學模型的大小就是100×5×5×（39+2）×2=240kB。
　　為了實現(xiàn)輸入語音樣本差分、窗口截獲、MFCC抽取、概率計算和維特比搜索等運算的實時性，典型情況下需要消耗DSP的1千萬個乘法-累加周期（MMAC）。對于連續(xù)語音識別來說，上千個三音素模型和多種語法模型需要更多的存儲空間，也需要更快的DSP處理速度。
　　因此，移動電話中ASR系統(tǒng)的成敗很大程度上取決于DSP的功能和設計。第三代系統(tǒng)本身就需要比第二代系統(tǒng)更強性能的DSP，而增加ASR功能就對DSP提出了更高的要求。從結構角度看，對DSP性能的要求是處理速度快、功耗低和代碼密度高。
　　采用高速DSP是關鍵
　　由于系統(tǒng)要實時對語音進行處理和取樣，因此語音識別系統(tǒng)需要具有巨大的計算能力。下面的數(shù)字和計算假設采用的是圍繞終端的設計方法。如果將DSP計算資源的20%分配給一個10MMAC的語音識別系統(tǒng)使用，那么就需要一個具有50MMAC的DSP才能滿足這一功能需要，并可提供足夠的空間執(zhí)行3G手機所需的其它DSP任務，如處理軟貓。如果采用較慢的DSP，如25MMAC的DSP，那么詞匯表中的命令數(shù)量就要減半，或減少HMM參數(shù)，這樣會降低整個系統(tǒng)性能。
　　DSP的速度決定了語音識別系統(tǒng)的復雜性和性能。舉例來說，如果一個基本的跟講者無關的連續(xù)語音識別系統(tǒng)需要100MMAC，DSP計算資源的50%用于滿足3G手機的其它DSP任務的需求，那么DSP的處理速度就需要達到200MMAC。
　　成本、性能和效率的折衷
　　DSP的速度越快，就越便于利用現(xiàn)代的HMM技術，如信道匹配和聲域匹配技術，因此，理論上講，DSP速度越快，ASR系統(tǒng)的性能就越好。然而，并行處理方法在提高ASR系統(tǒng)吞吐量中也扮演著重要角色。例如，一個具有4 ALU（算術邏輯單元）的200MHz DSP比只有1 ALU但運行于400MHz的DSP具有更高的吞吐量。根據(jù)具體應用的不同，2到3個單ALU DSP提供的性能與一個具有4 ALU的DSP相仿。相對一個具有4 ALU的DSP處理器方案來說，多個單ALU的DSP會提高手機的成本，因此對于適銷對路產(chǎn)品要充分權衡成本與性能之間的折衷。
　　總之，當比較一個600MHz的單ALU DSP和一個300MHz但有4 ALU的DSP時，設計工程師始終應把握的最終目標是高效的運算吞吐量，具有多個ALU的DSP也許是最好的解決方案。
　　性能與功耗
　　頂級性能的DSP采用并行結構來獲得最佳的性能空間。有個著名的平衡型并行結構StarCore SC140就采用了指令級并行結構，它具有4個并行ALU以及一個稱為變長執(zhí)行集（VLES）的改進型甚長指令字模型。VLES的優(yōu)點在于它支持在內(nèi)存中完成高效的指令調(diào)度、執(zhí)行和打包。它能通過一個指令隊列對前端提供反饋，并通過調(diào)度器控制后端，因此除非需要執(zhí)行計算，VLES處理一般不消耗功率。
　　在并行VLES結構中，一些特殊指令需要成組以避免空操作（Nop），由于減少了時鐘周期，處理時間也相應減少了。比較而言，在甚長指令字計算中，所有執(zhí)行步驟都必須按順序排列，因此在一個8字節(jié)的執(zhí)行集甚至是1字節(jié)數(shù)據(jù)時，系統(tǒng)就需要7個占位符（placeholder）或Nop。
　　由于VLES結構不需要Nop，VLES設計中的復雜性從硬件或編程器轉(zhuǎn)移到了編譯器。由于每個周期都充滿了數(shù)據(jù)，因此每個周期就具有更高的效率，從而也提高了電源與內(nèi)存的使用效率。
　　電源管理
　　由于ASR系統(tǒng)需要連續(xù)處理語音數(shù)據(jù)，會使DSP成為消耗電能的主要部件，因此高效利用電源對設備成功走向市場至關重要。
　　在高性能DSP中，選擇16位指令集而非32位指令集能提高代碼密度，進一步減少對內(nèi)存、功耗和體積的需求，一部分原因是由于更短的16位指令集可以減少寄存器和數(shù)據(jù)線數(shù)量。例如在ASR應用中，存儲的詞匯量可能達到2.5MB（對于1024簇的三音素狀態(tài)，5個合成和39個參數(shù)來說，聲學HMM狀態(tài)模型是400KB；一本有1萬個三態(tài)三音素代碼本是60KB；三音素狀態(tài)轉(zhuǎn)移概率矩陣是500KB；一個具有40個雜亂態(tài)2萬字的雙字母組是1.6MB）。如果DSP具有高的代碼密度，能為ASR系統(tǒng)提供固定數(shù)量的存儲器，那么就可以獲得更好更大的聲學和語言模型。