3G手機語音識別的兩種方法分析

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已經出現，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據，從而滿足*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）網站內容的語音接口，它支持財經服務與目錄助理等業務。目前VXML被用于規范網站內容的語音標簽。

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，終端只是執行預處理特征提取，然后通過一個誤碼受保護的數據信道將這些參數發送給中心服務器，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手機應使用數據信道而非移動信道來將語音發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系統的差異主要體現在詞匯量上。一個簡單的網絡設備可能只需要16字的詞庫就能實現所要求的語音識別功能，而3G移動手機則需要更大的專業詞庫。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據的增加而增大。

例如，根據隱性馬爾可夫模型（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、5個具有對角協方差的混合高斯分布，包含39個特征（13嘜-頻率對數系數或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系統的成敗很大程度上取決于DSP的功能和設計。第三代系統本身就需要比第二代系統更強性能的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

由于系統要實時對語音進行處理和取樣，因此語音識別系統需要具有巨大的計算能力。下面的數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量就要減半，或減少HMM參數，這樣會降低整個系統性能。

DSP的速度決定了語音識別系統的復雜性和性能。舉例來說，如果一個基本的跟講者無關的連續語音識別系統需要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系統的性能就越好。然而，并行處理方法在提高ASR系統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品要充分權衡成本與性能之間的折衷。

流程圖