華鎮(zhèn)電子嵌入式語音識(shí)別系統(tǒng)Wanson ASR Chip1.0
2008/02/27
1、Wanson ASR Chip1.0 概述
Wanson ASR Chip1.0 是專門為微小芯片上而開發(fā)的嵌入式語音識(shí)別引擎。 隨著語音識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率和識(shí)別速度的提高以及在特定環(huán)境下對(duì)硬件條件的要求越來越低，將基于微小芯片的語音識(shí)別技術(shù)嵌入消費(fèi)類電子產(chǎn)品中越來越成為現(xiàn)實(shí)。隨著消費(fèi)類電子產(chǎn)品性能變得越來越混雜功能越來越強(qiáng)勁，語音識(shí)
別科技就可以使消費(fèi)者可以更方便、更直觀地使用這些產(chǎn)品。并且，在使用這些 產(chǎn)品的時(shí)候不會(huì)伴隨著一系列的按鍵和提示音，而是實(shí)現(xiàn)消費(fèi)者和產(chǎn)品間的直接對(duì)話。嵌入式語音識(shí)別在消費(fèi)類電子產(chǎn)品市場(chǎng)應(yīng)用上大約分成三類：手提設(shè)備，游戲/
玩具以及汽車。手提設(shè)備中，智能電話Smartphone的發(fā)展驅(qū)動(dòng)著這類市場(chǎng)的蓬 勃興起。在Smartphone中，語音撥號(hào)已經(jīng)成為一個(gè)普遍功能，幾乎每一家手機(jī)
芯片供應(yīng)商都想要提供內(nèi)嵌語音撥號(hào)功能的手機(jī)。但是直到最近，這些嵌入式語 音識(shí)別都只能限于話者相關(guān)，小詞匯量的。
我們已經(jīng)開發(fā)出能安裝在智能手機(jī)Smartphone上的連續(xù)語音及短語語音識(shí)別軟 件，可以為用戶提供語音撥號(hào)和聲音命令控制等功能。同時(shí)，我們正在開發(fā)基于
更小封裝、微小芯片上的話者獨(dú)立，可變?cè)~匯量的語音識(shí)別軟件。這些軟件可以 作用在智能手機(jī)Smartphone，CDMA/2.5G/3.5G
芯片，智能玩具以及汽車的導(dǎo)航 系統(tǒng)上。我們開發(fā)的嵌入式語音識(shí)別軟件使用了改進(jìn)的Hidden Markov Model(HMM)聲學(xué)模型，同時(shí)基于移動(dòng)設(shè)備上的有限CPU
資源和存儲(chǔ)空間，我們開發(fā)出 了快速的語音參數(shù)提取方法和高效識(shí)別搜索算法。該語音識(shí)別軟件兼顧到識(shí)別速 度和識(shí)別準(zhǔn)確率的平衡，能運(yùn)用于一系列從語音命令控制，語音人名撥號(hào)到語音
翻譯，語言學(xué)習(xí)的實(shí)際應(yīng)用中。 將嵌入式語音識(shí)別軟件應(yīng)用到消費(fèi)類電子產(chǎn)品中并投入市場(chǎng)有兩個(gè)主導(dǎo)因素：花 費(fèi)成本和投入市場(chǎng)的時(shí)間。我們所開發(fā)的語音識(shí)別軟件（基于Smartphone
的以 及基于微小芯片上的）提供了優(yōu)異的性能，跟多家芯片和手機(jī)制造商接口的標(biāo)準(zhǔn) 界面以及一系列開發(fā)工具兼容，使得我們的OEM
伙伴能快速地推出他們的新產(chǎn)品。
2.Wanson ASR Chip1.0 系統(tǒng)描述
2.1 系統(tǒng)框圖及概述
Wanson ASR Chip1.0 是一套功能強(qiáng)大，具有全部開發(fā)工具的語音識(shí)別系統(tǒng)，使 開發(fā)者可以方便而快速地開發(fā)出一系列不同的應(yīng)用。Wanson
ASR Chip1.0 提供 的特性包括有：
- 該語音識(shí)別軟件附帶了一系圖形化界面的軟件開發(fā)包，使廠商可以很快在現(xiàn)有 的產(chǎn)品上增加語音識(shí)別功能；
- 秉承Wanson ASR電信級(jí)語音識(shí)別軟件的高準(zhǔn)確率和穩(wěn)定性，持續(xù)提高客戶意 度；
- 軟件采用標(biāo)準(zhǔn)C書寫核心算法，使得該軟件能很快地移植到其他操作系統(tǒng)和處 理器上；
- 提供了常規(guī)的，功能強(qiáng)大的API 接口，能夠很方便地與設(shè)備上的現(xiàn)有軟件集成．
上圖示為Wanson ASR Chip1.0 的系統(tǒng)框圖。如圖所示，由系統(tǒng)所構(gòu)筑的語音識(shí) 別應(yīng)用程序和四部分相結(jié)合。對(duì)語音識(shí)別而言，將接收到的語音文件包通過錄音
接口傳給語音識(shí)別引擎。該引擎在執(zhí)行語音識(shí)別任務(wù)時(shí)，根據(jù)系統(tǒng)指令從資源文 件中調(diào)用所需要的語言模型，聲學(xué)模型，字典等資源。當(dāng)語音識(shí)別任務(wù)完成后，
系統(tǒng)將識(shí)別出來的結(jié)果放在系統(tǒng)隊(duì)列中，供下級(jí)設(shè)備讀取。
2.2 應(yīng)用程序開發(fā)
開發(fā)具有嵌入式語音識(shí)別功能的應(yīng)用程序大約需要以下的步驟：
- 性能的定義 開發(fā)商在開發(fā)應(yīng)用程序時(shí)，首先要定義的是準(zhǔn)備給用戶提供什么樣的特性和功能。例如，喚醒功能（該引擎可以使產(chǎn)品工作在待機(jī)狀態(tài)，等待清晰的喚醒命令，
啟動(dòng)語音識(shí)別軟件工作）等等；
- 現(xiàn)有硬件環(huán)境分析 定義完性能之后，需要結(jié)合現(xiàn)有設(shè)備的硬件條件分析能否支持上述性能的實(shí)現(xiàn)。如果必須的話，是否需要另加RAM
和ROM，或者提高CPU的速度；
- 用戶界面的設(shè)計(jì) 因?yàn)槭腔谙M(fèi)類電子產(chǎn)品開發(fā)的應(yīng)用程序，用戶界面是否友好事關(guān)重大。Wanson ASR Chip1.0
提供了一系列的開發(fā)包模擬運(yùn)行環(huán)境，可以不斷調(diào)試，知 道滿意為止；
- 開發(fā) 以上所有步驟完成之后，可以進(jìn)行代碼編寫和集成的工作。
3.硬件環(huán)境
Wanson ASR Chip1.0 是模塊式的系統(tǒng)體系，單處理器處理所有模塊程序的運(yùn)行。 下圖示出系統(tǒng)在運(yùn)行時(shí)主要硬件元素的工作流程。
前端模塊
前端模塊主要包括語音信號(hào)處理和參數(shù)提取，將原始的語音文件轉(zhuǎn)換成語音識(shí)別需要的語音參數(shù)序列。在某些特定的情況下，前端模塊還需要進(jìn)行噪聲處理和聲
道歸一化處理以提高系統(tǒng)的魯棒性（Robust ability）。前端語音信號(hào)處理和參數(shù) 提取需要大量的數(shù)值計(jì)算，CPU
的運(yùn)算能力以及RAM 的速度會(huì)對(duì)響應(yīng)速度有很大影響。
后端模塊
后端模塊是語音識(shí)別的核心部分，完成從語音到文本的轉(zhuǎn)換。該部分包括：語法生成、調(diào)入聲學(xué)和語言模型以及發(fā)音字典、路徑搜索等。該部分需要大量的概率和數(shù)值計(jì)算，并且需要多次訪問和調(diào)用聲學(xué)模型和發(fā)音字典等資源文件。一般情
況下，聲學(xué)模型和字典等資源將預(yù)先調(diào)入ROM 和閃存(Flash Memory)。 影響語音識(shí)別響應(yīng)速度的因素主要有：CPU
性能，Memory 的存取速度以及CPU 是否過載等等。對(duì)于CPU 的運(yùn)算能力，一般而言，在不同的系統(tǒng)配置下，需要 做到實(shí)時(shí)識(shí)別并且不影響其他任務(wù)執(zhí)行所需要的最低配置為6MIPS
（取決于識(shí) 別詞匯量大小和硬件配置等）。
語音合成
語音合成部分完成從文本到音的轉(zhuǎn)換，主要是將語音識(shí)別輸出的文本轉(zhuǎn)換成語音播報(bào)給用戶。在某些特定的情況下，例如在開車的時(shí)候，用戶可以方便的聽到識(shí)別結(jié)果而不需要去看。
RAM和ROM需求
對(duì)于嵌入式的語音識(shí)別系統(tǒng)，RAM 和ROM 的大小需求是由應(yīng)用系統(tǒng)的功能設(shè) 計(jì)所決定的。同時(shí)，不同的RAM 和ROM
大小又影響著識(shí)別的準(zhǔn)確率和響應(yīng)速 度。一般情況下，較大的RAM 和ROM 存儲(chǔ)空間和快速的RAM和ROM 速度更 有利于識(shí)別速度和識(shí)別準(zhǔn)確率的提高。更多的情況下，在實(shí)際應(yīng)用中，考慮到性
能價(jià)格比，一般會(huì)選擇適當(dāng)?shù)腞AM 和ROM 尺寸以達(dá)到速度和識(shí)別率的平衡。 如下表所示：
表中所列的RAM和ROM的空間需求是一個(gè)近似數(shù)字
4.功能及特性
Wanson ASR Chip1.0 嵌入式語音識(shí)別系統(tǒng)提供了一系列獨(dú)到的功能和特性，以 適應(yīng)不同的開發(fā)廠商的需求。
話者獨(dú)立 該軟件無需事先對(duì)用戶的語音訓(xùn)練，任何人拿起來均可使用；
獨(dú)特的口音的處理技術(shù) 用戶不用說播音員般標(biāo)準(zhǔn)的普通話，全國(guó)各地帶有口音的用戶亦可以毫無問題得順暢使用該系統(tǒng)；
高識(shí)別率 在一定的硬件環(huán)境下，一次性載入詞匯量達(dá)到1000 中文詞條時(shí)，平均準(zhǔn)確率達(dá) 到95％以上，并且實(shí)時(shí)識(shí)別；
可移植的代碼 軟件采用標(biāo)準(zhǔn)C 書寫核心算法，使得該軟件能很快地移植到其他操作系統(tǒng)和處理器上；
小封裝，低系統(tǒng)配置 如前所述，Wanson ASR Chip1.0 對(duì)系統(tǒng)硬件資源要求很少，因此可以適用于一
系列消費(fèi)類電子產(chǎn)品上，例如：
- PDA，Smart phone
- CDMA，GSM，GPS 手機(jī)
- MP3 播放器
- 玩具
- 車載GPS 系統(tǒng)
- 其他手提設(shè)備
在線更改語音資源 用戶在每次增加/刪減/更改詞匯集合后，無需關(guān)閉和重新啟動(dòng)應(yīng)用程序，系統(tǒng)可以即時(shí)在線更新系統(tǒng)資源，使用戶可以馬上使用；
環(huán)境噪音 該系統(tǒng)帶有噪音消除技術(shù)，對(duì)于應(yīng)用環(huán)境噪音一定范圍之內(nèi)，仍可保證高識(shí)別率；
動(dòng)態(tài)詞匯庫(kù) 適用在不同的硬件條件下，詞匯集合可以從零到1000 詞條，采用系統(tǒng)軟件開發(fā) 包，可以方便創(chuàng)建新的詞匯以適用于不同的應(yīng)用（例如：命令控制集，地址簿，
人名等等）。
CTI論壇編輯
相關(guān)鏈接: