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(jīng)出現(xiàn)，使3G" title="3G">3G手機" title="手機">手機上植入更精確更復雜的自動語音" title="語音">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(shù)據(jù)，從而滿足信用卡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(wǎng)站內(nèi)容的語音接口，它支持財經(jīng)服務與目錄助理等業(yè)務。目前VXML被用于規(guī)范網(wǎng)站內(nèi)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(zhí)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(zhí)行預處理特征提取，然后通過一個誤碼受保護的數(shù)據(jù)信道將這些參數(shù)發(fā)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(shù)據(jù)信道而非移動信道來將語音發(fā)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(tǒng)的差異主要體現(xiàn)在詞匯量上。一個簡單的網(wǎng)絡設備可能只需要16字的詞庫就能實現(xiàn)所要求的語音識別功能，而3G移動手機則需要更大的專業(yè)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(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(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聲學模型的大小就是100×5×5×(39+2)×2=240kB。

　　為了實現(xiàn)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(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的功能和設計。第三代系統(tǒng)本身就需要比第二代系統(tǒng)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(tǒng)要實時對語音進行處理和取樣，因此語音識別系統(tǒng)需要具有巨大的計算能力。下面的數(shù)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(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(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)的復雜性和性能。舉例來說，如果一個基本的跟講者無關的連續(xù)語音識別系統(tǒng)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。