隨著DSP技術(shù)的進(jìn)步，計(jì)算能力更強(qiáng)、功耗更低和體積更小的DSP已經(jīng)出現(xiàn)，使3G手機(jī)上植入更精確更復(fù)雜的自動(dòng)語音識(shí)別（ASR）功能成為可能。目前，基本ASR應(yīng)用可以分成三大類：1. 語音-文本轉(zhuǎn)換（語音輸入）；2. 講者識(shí)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(zhuǎn)換的典型實(shí)例是語音撥號(hào)和電子郵件聽寫。講者識(shí)別功能可以通過語音識(shí)別安全地讀出存儲(chǔ)器中的個(gè)人數(shù)據(jù)，從而滿足信用卡定購和銀行服務(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(cái)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(shí)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(gè)語音識(shí)別過程并送出識(shí)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(gè)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(shí)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(dòng)信道來將語音發(fā)送給服務(wù)器進(jìn)行識(shí)別，因?yàn)橐苿?dòng)信道所用的低速率語音編碼會(huì)嚴(yán)重影響語音識(shí)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(gè)簡(jiǎn)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(shí)別功能，而3G移動(dòng)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(shí)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(shí)別設(shè)備可以識(shí)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(gè)典型的跟講者無關(guān)的100條命令識(shí)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(gè)狀態(tài)、5個(gè)具有對(duì)角協(xié)方差的混合高斯分布，包含39個(gè)特征（13嘜-頻率對(duì)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(shí)性，典型情況下需要消耗DSP的1千萬個(gè)乘法-累加周期（MMAC）。對(duì)于連續(xù)語音識(shí)別來說，上千個(gè)三音素模型和多種語法模型需要更多的存儲(chǔ)空間，也需要更快的DSP處理速度。
　　因此，移動(dòng)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(duì)DSP提出了更高的要求。從結(jié)構(gòu)角度看，對(duì)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(shí)對(duì)語音進(jìn)行處理和取樣，因此語音識(shí)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(gè)10MMAC的語音識(shí)別系統(tǒng)使用，那么就需要一個(gè)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(huì)降低整個(gè)系統(tǒng)性能。
　　DSP的速度決定了語音識(shí)別系統(tǒng)的復(fù)雜性和性能。舉例來說，如果一個(gè)基本的跟講者無關(guān)的連續(xù)語音識(shí)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(gè)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(gè)單ALU DSP提供的性能與一個(gè)具有4 ALU的DSP相仿。相對(duì)一個(gè)具有4 ALU的DSP處理器方案來說，多個(gè)單ALU的DSP會(huì)提高手機(jī)的成本，因此對(duì)于適銷對(duì)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(gè)600MHz的單ALU DSP和一個(gè)300MHz但有4 ALU的DSP時(shí)，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(gè)ALU的DSP也許是最好的解決方案。
　　性能與功耗
　　頂級(jí)性能的DSP采用并行結(jié)構(gòu)來獲得最佳的性能空間。有個(gè)著名的平衡型并行結(jié)構(gòu)StarCore SC140就采用了指令級(jí)并行結(jié)構(gòu)，它具有4個(gè)并行ALU以及一個(gè)稱為變長(zhǎng)執(zhí)行集（VLES）的改進(jìn)型甚長(zhǎng)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(gè)指令隊(duì)列對(duì)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(shí)鐘周期，處理時(shí)間也相應(yīng)減少了。比較而言，在甚長(zhǎng)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(gè)8字節(jié)的執(zhí)行集甚至是1字節(jié)數(shù)據(jù)時(shí)，系統(tǒng)就需要7個(gè)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(gè)周期都充滿了數(shù)據(jù)，因此每個(gè)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(huì)使DSP成為消耗電能的主要部件，因此高效利用電源對(duì)設(shè)備成功走向市場(chǎng)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(duì)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(chǔ)的詞匯量可能達(dá)到2.5MB（對(duì)于1024簇的三音素狀態(tài)，5個(gè)合成和39個(gè)參數(shù)來說，聲學(xué)HMM狀態(tài)模型是400KB；一本有1萬個(gè)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(gè)具有40個(gè)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(chǔ)器，那么就可以獲得更好更大的聲學(xué)和語言模型。