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(shí)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(kuò)展標(biāo)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(biāo)簽,。

　　語音識別的兩種方法

　　3G手機(jī)的ASR應(yīng)用設(shè)計(jì)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(jì)方法，3G手機(jī)(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(hù)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(jì)方法,，3G手機(jī)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(jìn)行識別，因?yàn)橐苿有诺浪玫牡退俾收Z音編碼會嚴(yán)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(shí)現(xiàn)所要求的語音識別功能,，而3G移動手機(jī)則需要更大的專業(yè)詞庫,。這些詞匯可以跟講者相關(guān)(訓(xùn)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(jì)算負(fù)荷就隨著詞匯量和訓(xùn)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(shí)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(xué)模型的大小就是100×5×5×(39+2)×2=240kB,。

　　為了實(shí)現(xiàn)輸入語音樣本差分,、窗口截獲、MFCC抽取,、概率計(jì)算和維特比搜索等運(yùn)算的實(shí)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(jì),。第三代系統(tǒng)本身就需要比第二代系統(tǒng)更強(qiáng)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(shí)時對語音進(jìn)行處理和取樣,，因此語音識別系統(tǒng)需要具有巨大的計(jì)算能力,。下面的數(shù)字和計(jì)算假設(shè)采用的是圍繞終端的設(shè)計(jì)方法,。如果將DSP計(jì)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(jī)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(jì)算資源的50%用于滿足3G手機(jī)的其它DSP任務(wù)的需求,，那么DSP的處理速度就需要達(dá)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(yùn)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(jī)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。

  　總之,，當(dāng)比較一個600MHz的單ALU DSP和一個300MHz但有4 ALU的DSP時,，設(shè)計(jì)工程師始終應(yīng)把握的最終目標(biāo)是高效的運(yùn)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(jié)構(gòu)來獲得最佳的性能空間,。有個著名的平衡型并行結(jié)構(gòu)StarCore SC140就采用了指令級并行結(jié)構(gòu),，它具有4個并行ALU以及一個稱為變長執(zhí)行集(VLES)的改進(jìn)型甚長指令字模型,。VLES的優(yōu)點(diǎn)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(duì)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(jì)算,，VLES處理一般不消耗功率,。

　　在并行VLES結(jié)構(gòu)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(yīng)減少了。比較而言,，在甚長指令字計(jì)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(jié)構(gòu)不需要Nop,，VLES設(shè)計(jì)中的復(fù)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(shè)備成功走向市場至關(guān)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(jìn)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(yīng)用中,，存儲的詞匯量可能達(dá)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(xué)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(xué)和語言模型,。

　　片上和片外存儲器

　　對于ASR系統(tǒng)中使用的DSP來說，有效地利用片上和片外存儲器是另外一個重要的課題,。由于ASR系統(tǒng)需要大量的存儲空間用于詞匯與模式識別數(shù)據(jù)的存儲，一個靈活的存儲結(jié)構(gòu)在這里將顯得特別重要,。例如,，一個具備統(tǒng)一尋址存儲器的DSP能使設(shè)計(jì)工程師很好地平衡程序和數(shù)據(jù),，還能平衡系統(tǒng)算法的復(fù)雜性與聲學(xué)和語言模型的大小以獲得最優(yōu)化的性能。

　　例如,，如果具有100條命令的識別系統(tǒng)模型只有100kB的片上系統(tǒng)內(nèi)存，總共內(nèi)存空間需求是240kB,，那么采用二次識別方法能更有效地利用片上快速存儲器,。

　　第一次(原始識別階段)只使用39個參數(shù)中的13個MFCC，因此模型大小為80kB,，可以載入片上內(nèi)存,。原始識別階段的候選命令數(shù)量要比原來的100個少,，比方說是33個命令,，但可信度高達(dá)99.9%,。

　　第二次(精確識別階段)把33個候選命令的39個參數(shù)作為模型使用,，大小是80kB,，因此又可以把該模型裝載入片上內(nèi)存,。這種二次識別方法會引入一些延時,，但延時非常小,，大約只有10ms,，說話人一般不會覺察到,。

　　統(tǒng)一尋址存儲器能夠支持較大的詞匯庫或命令集,，還能支持較大的HMM模型或神經(jīng)網(wǎng)絡(luò)系數(shù),，因此能簡單化實(shí)時任務(wù),。例如為ASR系統(tǒng)的程序和數(shù)據(jù)準(zhǔn)備100kB的存儲器,，設(shè)計(jì)工程師就能平衡好算法復(fù)雜性與詞匯量或命令集大小之間的關(guān)系。如果程序要占50kB,，那么數(shù)據(jù)只能是50kB,。如果允許降低識別精度而將程序代碼壓縮到20kB，那么命令集就能用到80kB,，也就是增加了詞匯庫容量。

　　在ASR系統(tǒng)中,，高度并行化,、高代碼密度和有效利用存儲器等優(yōu)點(diǎn)還能使DSP完成語音識別以外的任務(wù),。在大多數(shù)情況下,，設(shè)計(jì)工程師可以將部分計(jì)算資源分配給語音識別之用，而將剩余資源用來執(zhí)行信道處理系統(tǒng)中所需的其它任務(wù),。

　　在選中最優(yōu)化的DSP后，要想獲得高性能的ASR用系統(tǒng)級芯片還需要增加一些功能,，例如快速緩存或快速指令/數(shù)據(jù)存取以及實(shí)時操作系統(tǒng)(RTOS)才能使ASR系統(tǒng)真正完成實(shí)時性能,。多任務(wù)RTOS能使系統(tǒng)同時運(yùn)行多個應(yīng)用如雙通道語音識別,，因此能極大地提高系統(tǒng)性能,。

　　復(fù)雜SoC應(yīng)用(如信道處理系統(tǒng))設(shè)計(jì)工程師能從使用高效的高級語言編譯器的DSP和SoC中獲益,，因?yàn)檫@些編譯器允許設(shè)計(jì)工程師使用C或C++語言進(jìn)行編程。采用增強(qiáng)的片上仿真和調(diào)試功能還可以進(jìn)一步縮短設(shè)計(jì)時間,。對于3G移動手機(jī)應(yīng)用中各層次的元器件與系統(tǒng)設(shè)計(jì)來說，除了實(shí)時性能和簡化設(shè)計(jì)流程外,，功率管理控制同樣非常重要,。在設(shè)計(jì)SoC時，選擇具有可調(diào)功率功能的內(nèi)核將獲益非淺,。例如當(dāng)移動用戶在說話時,，DSP需要全速運(yùn)行(如300MHz),。當(dāng)未使用ASR功能時,，SoC電源管理電路可以逐步降低到較低的時鐘速度(如100MHz),，從而有效地降低漏電和功耗,。

　　由于ASR系統(tǒng)對計(jì)算速度的需求會根據(jù)識別特征的差異產(chǎn)生很大變化，例如孤字識別或連續(xù)語音識別,、詞匯量和跟講者無關(guān)的語音識別等，因此,，能支持ASR功能的信道處理系統(tǒng)的復(fù)雜性變化也很大。

　　SoC非常適合于構(gòu)造芯片的基礎(chǔ)架構(gòu),，因此在以客戶/服務(wù)器系統(tǒng)為中心的設(shè)計(jì)中是非常理想的選擇，但SoC器件由于功能太強(qiáng)大,，因此并不非常適合于用戶端以終端為中心的設(shè)計(jì),。然而,，隨著ASR系統(tǒng)的逐漸成熟以及3G手機(jī)支持越來越復(fù)雜的應(yīng)用和復(fù)雜ASR，這類功能強(qiáng)大的SoC也能成功地運(yùn)用到用戶端,。

　　在SoC上使用多個DSP能使系統(tǒng)在完成語音識別的同時更容易地執(zhí)行其它任務(wù),。例如三個內(nèi)核中的一個可以專門指定用來完成多信道的服務(wù)器端ASR，而其它二個內(nèi)核用于執(zhí)行像語音信道和互聯(lián)網(wǎng)數(shù)據(jù)處理這樣的任務(wù),。將來如果手機(jī)鍵盤不復(fù)存在的話,，ASR將成為用戶與手機(jī)之間的唯一接口，到時這一功能將占用大部分的工作時間,。

　　采用多個DSP內(nèi)核還能提供強(qiáng)大的計(jì)算能力,，從而使執(zhí)行非常復(fù)雜的ASR任務(wù)成為可能，如電子郵件聽寫中的連續(xù)語音識別,、安全交易和VXML中的“口令+講者驗(yàn)證”等,。多個DSP再加上統(tǒng)一的大型片上存儲器可以極大地縮短跟講者無關(guān)的訓(xùn)練過程，因?yàn)樵诮y(tǒng)計(jì)型ASR中訓(xùn)練過程的計(jì)算負(fù)載比識別處理過程的負(fù)載重得多,。

　　本文小結(jié)

　　盡管3G手機(jī)要想贏得市場,，人們對其功能和設(shè)計(jì)仍將拭目以待，但這些系統(tǒng)需要高性能的信號處理平臺以滿足多媒體任務(wù)需求是不容置疑的,，而隨著ASR系統(tǒng)的不斷普及,，3G手機(jī)肯定需要具備運(yùn)行多任務(wù)能力的多DSP SoC作為解決方案。