文獻(xiàn)標(biāo)識碼: A
文章編號: 0258-7998(2012)10-0037-04
語種識別是計(jì)算機(jī)通過分析處理一個(gè)語音片段,,判別其所屬語言種類的過程[1]。語種識別的任務(wù)在于快速準(zhǔn)確地識別出語言的種類,,自上世紀(jì)90年代以來,,已經(jīng)成為通信和信息領(lǐng)域一個(gè)新的學(xué)科增長點(diǎn),在多語種信息服務(wù),、機(jī)器翻譯及軍事安全等領(lǐng)域都有著廣泛的應(yīng)用前景[2],。語種識別走向?qū)嵱没粌H要有令人滿意的識別性能,,其實(shí)時(shí)處理的效率也是必須要考慮的因素,。因此,設(shè)計(jì)能夠?qū)崿F(xiàn)多路實(shí)時(shí)處理的語種識別系統(tǒng)是語種識別邁出實(shí)用化的關(guān)鍵一步,。
本文針對語種識別系統(tǒng)算法的特點(diǎn),,設(shè)計(jì)了一種基于TI多核處理器TMS320C6678的語種識別并行實(shí)現(xiàn)方法,,實(shí)現(xiàn)了任務(wù)級的并行流水處理和核間的高效通信。
1 平臺介紹
TMS320C6678是基于TI公司最新DSP系列器件 TMS320C66x,、采用8個(gè)1.25 GHz DSP內(nèi)核構(gòu)建而成的業(yè)界首款10 GHz DSP,,可在10 W功耗下實(shí)現(xiàn)160 GFLOP(Giga-Floating Point Operations per Second)浮點(diǎn)計(jì)算性能[3]。不僅能整合多個(gè) DSP 以縮小板級空間并降低成本,,同時(shí)還能減少整體的功耗要求,,充分滿足現(xiàn)代數(shù)字信號處理日益增長的需求。
本文語種識別系統(tǒng)的開發(fā)在TI公司的最新DSP集成開發(fā)環(huán)境CCSv5(Code Composer Studio)中基于浮點(diǎn)運(yùn)算設(shè)計(jì)完成,。
2 基于TMS320C6678的語種識別算法優(yōu)化
2.1 語種識別算法分解
本文的語種識別系統(tǒng)是基于區(qū)分性Model Pushing算法[4]進(jìn)行構(gòu)建的,,并且對特征參數(shù)進(jìn)行了fDWNAP[5-6]處理,因此系統(tǒng)的測試階段由特征提取模塊,、fDWNAP模塊及對數(shù)似然得分模塊3個(gè)模塊構(gòu)成,,如圖1所示。
(1)特征提取模塊
特征提取模塊的任務(wù)包括語音信號預(yù)處理,、MFCC提取,、RASTA濾波、SDC擴(kuò)展,、VAD檢測,、CMS處理、高斯化等過程,,該模塊結(jié)束即輸出56維的特征參數(shù),,其需要存儲的參數(shù)包括漢明窗和梅爾濾波器組總共不到2 KB。
(2)fDWNAP模塊
該模塊的工作是對所提取的56維特征參數(shù)進(jìn)行處理,,以去除與語種無關(guān)的各種干擾信息,,達(dá)到凈化語種特征參數(shù)的目的。如參考文獻(xiàn)[6]介紹,,該模塊首先將特征參數(shù)映射至SVM的高維空間,,然后利用訓(xùn)練得到的投影矩陣計(jì)算映射后的參數(shù)中所包含的干擾信息,再將干擾信息映射至特征空間,,從而進(jìn)行去除,。該模塊中事先訓(xùn)練得到的投影矩陣P=I-wwT,wwT是對稱矩陣,,因此存儲wwT需要7 MB的存儲空間,。另外,K-L變換矩陣D是對角矩陣,,需要112 KB的存儲空間,。
(3)對數(shù)似然得分模塊
如參考文獻(xiàn)[4]所述,本模塊主要任務(wù)是利用訓(xùn)練得到的各語種GMM模型對語音特征參數(shù)計(jì)算對數(shù)似然得分進(jìn)行輸出的判決,。
本模塊需要存儲訓(xùn)練階段得到的各目標(biāo)語種的GMM模型及非目標(biāo)語種的GMM模型,,即針對每個(gè)語種需要存儲2個(gè)GMM模型,。所有的GMM模型只是均值矢量不同,高斯混元權(quán)重及協(xié)方差矩陣都是共享UBM模型的,。以L個(gè)語種為例,,需要存儲2L個(gè)均值矢量,即需要224L KB的存儲空間,,共享的高斯混元權(quán)重需要2 KB的存儲空間,,協(xié)方差矩陣由于是對角化的只需要112 KB的存儲空間。
2.2 算法實(shí)時(shí)性分析
首先對各模塊的運(yùn)算實(shí)時(shí)性進(jìn)行分析,。以30 s的語音(8 000 Hz采樣,,幀長25 ms,幀移10 ms)為例,,后端模型使用單個(gè)語種模型,,利用CCSv5的環(huán)境進(jìn)行軟件仿真得到各模塊處理所花的時(shí)鐘周期數(shù),然后按照TMS320C6678芯片的單個(gè)內(nèi)核的工作主頻(1.25 GHz)計(jì)算得到處理時(shí)間,,結(jié)果如表1所示,。
由表1可知,整個(gè)語種識別系統(tǒng)測試階段,,在算法代碼未經(jīng)任何優(yōu)化的情況下,,一段30 s的語音在單個(gè)TMS320C66x CPU內(nèi)核上的處理時(shí)間約為22.3 s,結(jié)果非常不理想,,并且特征提取模塊和對數(shù)似然得分模塊耗時(shí)較多。
為此,,本文從兩個(gè)方面對代碼進(jìn)行了優(yōu)化:一是算法本身的約減,,二是算法基于TMS320C6678平臺的優(yōu)化。
2.3 算法優(yōu)化
(1)算法約減
計(jì)算過程的優(yōu)化主要對語種識別系統(tǒng)中對數(shù)似然得分模塊的算法做約減,。對數(shù)似然得分過程就是利用已經(jīng)訓(xùn)練好的各語種GMM模型對輸入的語音特征進(jìn)行似然得分的計(jì)算,,語種數(shù)越多,則該模塊的耗時(shí)越多,。利用Top n的方法,,對每個(gè)模型選取得分最高的10個(gè)高斯用來計(jì)算對數(shù)似然得分。由于區(qū)分性Model Pushing模型是由SVM訓(xùn)練得到的支持向量重構(gòu)而來,,而支持向量由GMM-UBM模型自適應(yīng)得到,,因此,區(qū)分性Model Pushing模型與GMM-UBM模型的各高斯分量之間有著很強(qiáng)的對應(yīng)關(guān)系,。
上述介紹說明,,區(qū)分性Model Pushing模型與GMM-UBM模型有著很強(qiáng)的對應(yīng)關(guān)系,可近似認(rèn)為對同一個(gè)特征向量它們得分最大的高斯混元一致[7],。針對擁有512個(gè)高斯混元的GMM,,似然得分的計(jì)算結(jié)果必定僅僅集中于很少的幾個(gè)高斯混元,,大部分的高斯混元得分都會非常小以致可以忽略。因此,,考慮將得分小的高斯混元結(jié)果忽略不計(jì),,只計(jì)算得分大的高斯混元。鑒于fDWNAP模塊包含特征向量對GMM-UBM計(jì)算后驗(yàn)概率的部分,,可利用該部分的結(jié)果選取Top 10的高斯混元用于后端對數(shù)似然得分的計(jì)算,。
(2)基于TMS320C6678平臺的算法優(yōu)化
基于平臺的優(yōu)化主要是通過選擇CCSv5提供的編譯優(yōu)化參數(shù)來實(shí)現(xiàn)。通過不斷的參數(shù)選擇,、搭配,,獲得最理想的參數(shù)優(yōu)化方式,提高代碼中循環(huán)運(yùn)算的性能,,使用軟件流水調(diào)度技術(shù)提高代碼的并行執(zhí)行效率,。
除此之外,特征提取階段的FFT和fDWNAP的矩陣運(yùn)算等算法采用DSPlib中優(yōu)化的庫函數(shù)進(jìn)行替代,,利用優(yōu)化的庫函數(shù)可以極大地提升代碼的運(yùn)行速度,。
(3)算法優(yōu)化前后識別性能對比
首先檢驗(yàn)Top 10算法對系統(tǒng)識別性能的影響。在測試集中模型使用Top 10 的區(qū)分性Model Pushing,,前端特征參數(shù)保持不變,,在VC++2010的環(huán)境下測試系統(tǒng)性能。實(shí)驗(yàn)所用語料庫為實(shí)驗(yàn)室采集的電話信道通話語音,,含漢語普通話,、日語和英語3個(gè)語種,測試集包含漢語1 000段,、日語450段及英語750段,,共2 200段30 s的語音和3 000段10 s的語音(各語種1 000段)。系統(tǒng)性能用等錯(cuò)誤率EER(Equal Error Rate)[2]衡量,,實(shí)驗(yàn)結(jié)果如表2所示,。
由表2可以看出,相對于全高斯得分模型,,Top 10得分模型系統(tǒng)性能有所下降,,主要因?yàn)樯釛壛似渌梅值偷母咚钩煞郑渲斜囟ò糠终Z種區(qū)分信息,,但舍棄掉的這一部分所含的語種信息有限,,所以性能下降在可接受范圍之內(nèi)(相對下降小于5%)。該優(yōu)化方法下模塊的運(yùn)算量下降是顯而易見的,,同樣耗時(shí)也會大幅下降,。
(4)算法優(yōu)化前后系統(tǒng)實(shí)時(shí)性對比
對經(jīng)算法優(yōu)化的系統(tǒng)耗時(shí)做如下測試,同樣以30 s的語音(8 000 Hz采樣,幀長25 ms,,幀移10 ms)為例,,用CCSv5的環(huán)境進(jìn)行軟件仿真得到各模塊處理所花的時(shí)鐘周期數(shù),然后按照TMS320C6678芯片的單個(gè)內(nèi)核的工作主頻(1.25 GHz)計(jì)算得到處理時(shí)間,,結(jié)果如表3所示,。
由以上分析可以看到,算法優(yōu)化后的系統(tǒng)耗時(shí)由22.3 s減少至1.36 s,,下降非常明顯,,其中下降最多的是fDWNAP模塊和對數(shù)似然得分模塊。在整個(gè)系統(tǒng)中,,經(jīng)過算法優(yōu)化,, fDWNAP模塊耗時(shí)所占比例依舊最大,因此在多核任務(wù)并行設(shè)計(jì)時(shí),,需要將該模塊的任務(wù)進(jìn)行分解,。
3 基于TMS320C6678的語種識別算法并行設(shè)計(jì)
3.1 模塊間通信分析
根據(jù)語種識別的系統(tǒng)結(jié)構(gòu),測試過程分為3個(gè)模塊,,各模塊的算法都已經(jīng)進(jìn)行了相應(yīng)的優(yōu)化,。這些模塊相互配合,通過控制信號完成數(shù)據(jù)流的交互,。任務(wù)的控制流程主要是模塊的執(zhí)行次序,,任務(wù)分配在不同核上的模塊之間以傳遞消息的方式實(shí)現(xiàn)同步。模塊間數(shù)據(jù)的傳遞會造成相應(yīng)的時(shí)間延遲,,因此,,控制流程的設(shè)計(jì)準(zhǔn)則為最大化系統(tǒng)的處理能力。模塊間的數(shù)據(jù)流程主要是數(shù)據(jù)的傳輸方向,,描述模塊與外部數(shù)據(jù)間的相互關(guān)系,。相反,最小化模塊間的數(shù)據(jù)通信量則是數(shù)據(jù)流程的設(shè)計(jì)準(zhǔn)則,。
語種識別系統(tǒng)算法各模塊間控制流程和數(shù)據(jù)流程的通信示意圖如圖2所示。該圖由數(shù)據(jù)層和控制層兩部分構(gòu)成,,控制信號的傳輸由虛線箭頭表示,,數(shù)據(jù)的傳輸由實(shí)線箭頭表示。
3.2 模塊任務(wù)的核映射
為了充分利用所有內(nèi)核CPU的計(jì)算資源以最大限度地提高系統(tǒng)處理速度,,根據(jù)算法優(yōu)化前后的系統(tǒng)實(shí)時(shí)性測試結(jié)果及各模塊運(yùn)算量分析,,將fDWNAP模塊的矩陣乘法任務(wù)分配到多個(gè)核并行執(zhí)行。
因本文的語種識別系統(tǒng)適合于數(shù)據(jù)流模式的任務(wù)并行方式,,將整個(gè)系統(tǒng)的運(yùn)算任務(wù)適當(dāng)?shù)胤峙浣o各個(gè)內(nèi)核,,實(shí)現(xiàn)任務(wù)級的并行流水。由于fDWNAP模塊計(jì)算復(fù)雜度大,,制約了整個(gè)系統(tǒng)任務(wù)級流水的處理速度,。為了充分發(fā)揮TMS320C6678的性能優(yōu)勢,,將該模塊任務(wù)映射到多個(gè)核進(jìn)行處理。該模塊首先需要計(jì)算特征矢量對應(yīng)的自適應(yīng)GSV,;然后通過投影矩陣計(jì)算SVM特征域的干擾空間,,這一部分的大矩陣乘法占據(jù)了整個(gè)模塊的絕大部分運(yùn)算量;最后還需要將干擾空間返回映射到特征域,,并在特征域去除干擾,。整個(gè)模塊80%以上的運(yùn)算量都集中在大矩陣的乘法上,故采用將大矩陣拆為小矩陣分配到多個(gè)核上并行運(yùn)算,,將其他任務(wù)集中在一個(gè)核上進(jìn)行處理,。在該模塊內(nèi)還是一個(gè)任務(wù)級的流水處理方式,矩陣相乘部分是核級相同的并行流水處理方式,。
4 基于TMS320C6678的語種識別算法實(shí)現(xiàn)
4.1 語種識別算法在TMS320C6678中的實(shí)現(xiàn)
根據(jù)設(shè)計(jì)思路,,將本文提出的語種識別算法在CCSv5上進(jìn)行軟件仿真。其中,,利用SYS/BIOS[8]提供核間任務(wù)調(diào)度,,利用IPC[9]實(shí)現(xiàn)核間同步和通信。
啟動系統(tǒng),,完成所有核的初始化后,,首先調(diào)用IPC_start函數(shù)讓各核進(jìn)入同步等待狀態(tài),然后各核上的程序才能開始執(zhí)行,。從共享存儲器劃出MSM_IN和MSM_OUT 2塊存儲區(qū),,MSM_IN存儲K-L變換矩陣和各語種GMM模型,MSM_OUT存儲判決輸出結(jié)果,。投影矩陣數(shù)據(jù)存儲在外接DDR3存儲器中的位置信息事先存在Core1中,。Core1將投影矩陣數(shù)據(jù)分成5份,通過Notify_sendEvent函數(shù)將5份數(shù)據(jù)的地址發(fā)送到Core2,、Core3,、Core4、Core5和Core6,。Core2,、Core3、Core4,、Core5和Core6上的子矩陣乘法任務(wù)一直處于懸掛狀態(tài),,直到Core1發(fā)送過來數(shù)據(jù)地址,矩陣乘法任務(wù)才開始并行執(zhí)行,。各核分別根據(jù)數(shù)據(jù)地址從外接DDR3讀取數(shù)據(jù)與Core1傳遞的數(shù)據(jù)計(jì)算干擾因子向量,,計(jì)算完畢再利用MessageQ_put函數(shù)將干擾因子向量數(shù)據(jù)的Message寫入到Core1建立的消息隊(duì)列上。Core1利用MessageQ_get函數(shù)從消息隊(duì)列讀取Message,從Message中獲取干擾因子向量數(shù)據(jù),;然后計(jì)算補(bǔ)償后的特征向量,;接著Core1利用MessageQ_put函數(shù)將補(bǔ)償?shù)奶卣飨蛄繑?shù)據(jù)的Message寫入到Core7建立的消息隊(duì)列上,Core7上的判決任務(wù)開始執(zhí)行,,最后將執(zhí)行結(jié)果的數(shù)據(jù)寫入MSM_OUT,。
4.2 實(shí)驗(yàn)及結(jié)果分析
根據(jù)本文語種識別算法的TMS320C6678任務(wù)并行設(shè)計(jì)方案,本節(jié)將給出CCSv5平臺下浮點(diǎn)算法的軟件仿真結(jié)果,,并進(jìn)行分析驗(yàn)證,。
按照3.2節(jié)的描述,將fDWNAP模塊設(shè)計(jì)為并行處理,,同樣以30 s的語音為例,,采用3個(gè)語種的模型測試整個(gè)系統(tǒng)在TMS320C6678上的實(shí)時(shí)性能。3個(gè)部分的運(yùn)算處理時(shí)間結(jié)果如表4所示,。
由表4可以看出,,三個(gè)模塊中fDWNAP模塊耗時(shí)(0.227 s)最多,因此估算該系統(tǒng)的實(shí)時(shí)倍率至少為132(30/0.227),。
為了驗(yàn)證基于TMS320C6678平臺的語種識別系統(tǒng)性能,,將采用Top 10優(yōu)化后的算法與在VC++2010平臺中的識別性能進(jìn)行對比。實(shí)驗(yàn)語料保持不變,,表5給出了基于兩種不同平臺的系統(tǒng)EER,。
實(shí)驗(yàn)結(jié)果表明,基于TMS320C6678平臺的浮點(diǎn)軟件仿真結(jié)果和VC++2010平臺下的浮點(diǎn)計(jì)算結(jié)果完全一致,,從而驗(yàn)證了TMS320C6678平臺實(shí)現(xiàn)語種識別系統(tǒng)的正確性,。
本文針對語種識別系統(tǒng)的實(shí)時(shí)性需求,在分析語種識別算法原理和多核DSP任務(wù)并行的基礎(chǔ)上,,分析了系統(tǒng)各模塊的運(yùn)算量,,根據(jù)各模塊的運(yùn)算量對算法進(jìn)行了優(yōu)化。針對優(yōu)化后算法的特點(diǎn),,設(shè)計(jì)了基于TMS320C6678平臺的語種識別系統(tǒng),。最后從實(shí)時(shí)性和識別性能兩個(gè)方面對系統(tǒng)性能進(jìn)行了測試,結(jié)果驗(yàn)證了算法在TMS320C6678中實(shí)現(xiàn)的正確性及優(yōu)化的有效性,。
參考文獻(xiàn)
[1] WONG K Y E.Automatic spoken language identification utilizing acoustic and phonetic speech information[D].Queensland:Queensland University of Technology,,2004.
[2] 徐婷婷.語種識別中的若干問題研究[D].北京:北京郵電大學(xué),2011.
[3] Texas Instrument.TMS320C6678 multicore fixed and floatingpoint digital signal processor[R].SPRS691C,,2012.
[4] 劉偉偉,吉立新,,李邵梅.基于區(qū)分性Model Pushing的語種識別方法[J].電子技術(shù)應(yīng)用,,2012,38(4):113-116.
[5] 劉偉偉,吉立新,,李邵梅.基于區(qū)分加權(quán)干擾屬性投影的語種識別方法[J].中文信息學(xué)報(bào),,[已錄用未發(fā)表].
[6] Liu Weiwei,Ji Lixin,,Li Shaomei.Robust cepstral feature compensation for language recognition[C].Guangzhou:Proc.of BEMI,,2012:119-122.
[7] 徐穎.語種識別聲學(xué)建模方法研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2011.
[8] Texas Instrument.SYS/BIOS inter-processor communication(IPC) and I/O user’s guide[R].SPRUGO6C,,2010.
[9] Texas Instrument.TI SYS/BIOS v6.33 real-time operating system user’s guide[R].SPRUEX3K,,2011.