3G手機語音識別的兩種方法分析

隨著DSP技術(shù)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(fù)雜的自動語音識別（ASR）功能成為可能。目前，基本ASR應(yīng)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*定購和銀行服務(wù)等保密性高的應(yīng)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(wù)與目錄助理等業(yè)務(wù)。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(yīng)用設(shè)計可分為兩類，即以終端為中心和以客戶/服務(wù)器為中心的應(yīng)用。如圖1所示為以終端為中心的設(shè)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(jié)果。在圖2所示的客戶/服務(wù)器方法中，終端只是執(zhí)行預(yù)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(wù)器，中心服務(wù)器最終完成語音識別。如果采用以客戶/服務(wù)器為中心的設(shè)計方法，3G手機應(yīng)使用數(shù)據(jù)信道而非移動信道來將語音發(fā)送給服務(wù)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(luò)設(shè)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(guān)（訓練語音識別設(shè)備使之熟悉用戶的聲音特征）或跟講者無關(guān)（語音識別設(shè)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(guān)的100條命令識別的應(yīng)用實例。假設(shè)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(shè)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(jié)構(gòu)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(guān)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(shè)采用的是圍繞終端的設(shè)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(wù)，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(fù)雜性和性能。舉例來說，如果一個基本的跟講者無關(guān)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(wù)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(shù)，如信道匹配和聲域匹配技術(shù)，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(shù)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(yīng)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(quán)衡成本與性能之間的折衷。

流程圖