電子發燒友網>電子資料下載>電子資料>為 IoT 設計添加高性能語音關鍵字識別：第 1 部分 – 使用 FPGA

為 IoT 設計添加高性能語音關鍵字識別：第 1 部分 – 使用 FPGA

2078772 2022-11-25 | pdf | 296.01KB | 次下載 | 2積分

資料介紹

編者注：使用一類新興的高效算法，任何開發人員現在都可以在低功耗、資源受限的系統上部署復雜的關鍵字識別功能。這個由兩部分組成的系列的第一部分將展示如何使用 FPGA 來實現。編者注：使用一類新興的高效算法，任何開發人員現在都可以在低功耗、資源受限的系統上部署復雜的關鍵字識別功能。這個由兩部分組成的系列的第一部分將展示如何使用 FPGA 來實現。第二部分第二部分將展示如何使用 MCU 來做到這一點。將展示如何使用 MCU 來做到這一點。隨著響應“Alexa”、“Hey Siri”或“Hi Google”等關鍵短語的產品取得成功，關鍵詞發現 (KWS) 已成為越來越多的嵌入式應用程序的重要要求。雖然典型的最先進 KWS 解決方案依賴于復雜的卷積神經網絡 (CNN) 和其他深度神經網絡 (DNN) 機器學習算法，但資源受限產品的開發人員可以使用二值化神經網絡獲得所需的準確結果（ BNN）。隨著響應“Alexa”、“Hey Siri”或“Hi Google”等關鍵短語的產品取得成功，關鍵詞發現 (KWS) 已成為越來越多的嵌入式應用程序的重要要求。雖然典型的最先進 KWS 解決方案依賴于復雜的卷積神經網絡 (CNN) 和其他深度神經網絡 (DNN) 機器學習算法，但資源受限產品的開發人員可以使用二值化神經網絡獲得所需的準確結果（ BNN）。本文介紹了將 KWS 添加到可穿戴設備和其他低功耗物聯網設備的好處，然后概述了挑戰。在描述了 BNN 架構以及為什么它是資源受限 KWS 應用程序的好方法之后，本文介紹了一個可用的解決方案，該解決方案使用低功耗 FPGA 實現 BNN。該解決方案將用于展示如何以 CNN 資源需求的一小部分實現低功耗 KWS 實施的 CNN 的高精度。本文介紹了將 KWS 添加到可穿戴設備和其他低功耗物聯網設備的好處，然后概述了挑戰。在描述了 BNN 架構以及為什么它是資源受限 KWS 應用程序的好方法之后，本文介紹了一個可用的解決方案，該解決方案使用低功耗 FPGA 實現 BNN。該解決方案將用于展示如何以 CNN 資源需求的一小部分實現低功耗 KWS 實施的 CNN 的高精度。KWS的起源和演變KWS的起源和演變KWS，也稱為關鍵短語檢測，多年來一直在信息處理中得到應用。例如，在文檔處理中，KWS 為索引大量數字化文檔提供了一種比光學字符識別更有效的替代方法。隨著智能手機、手表、家居產品和其他產品中語音激活服務的可用性，基于語音的 KWS 方法在產品開發中迅速受到關注。在這些產品中，“始終在線”功能允許產品持續處理音頻輸入，尋找旨在激活基于語音的用戶界面的關鍵字。KWS，也稱為關鍵短語檢測，多年來一直在信息處理中得到應用。例如，在文檔處理中，KWS 為索引大量數字化文檔提供了一種比光學字符識別更有效的替代方法。隨著智能手機、手表、家居產品和其他產品中語音激活服務的可用性，基于語音的 KWS 方法在產品開發中迅速受到關注。在這些產品中，“始終在線”功能允許產品持續處理音頻輸入，尋找旨在激活基于語音的用戶界面的關鍵字。XMOS XMOS VocalFusion 4-Mic 套件VocalFusion 4-Mic 套件等板級產品提供與亞馬遜語音服務的完全集成，為在許多應用程序中添加語音助手服務提供現成的解決方案。然而，對于功率預算有限的可穿戴設備或其他電池供電產品，開發人員在很大程度上不得不尋找自己的 KWS 解決方案。等板級產品提供與亞馬遜語音服務的完全集成，為在許多應用程序中添加語音助手服務提供現成的解決方案。然而，對于功率預算有限的可穿戴設備或其他電池供電產品，開發人員在很大程度上不得不尋找自己的 KWS 解決方案。