摘要

             语音是人们沟通交流最直接、最自然的交互方式。自计算机问世以来，人们就一直希望可以通过语音实现人和计算机之间的交互，而语音识别技术，目标就是通过把人类的语音中的词汇内容转换为相应的文本，架起了人机交互的桥梁。对于一个语音识别系统，速度和精度是两个核心指标，直接决定着系统是否可用。其中，识别速度的提升意味着可以降低成本，同时提供更多的语音服务，一直是语音识别技术研究的重点方向。在语音识别系统中，声学模型得分的运算量一般会达到整个系统的40%-70%，因此也是识别速度优化的重点模块。本文就来讲讲如何优化声学模型得分计算。

基本概念介绍

    特征向量：语音数据在识别前首先会被分成多帧数据，一般帧长为25毫秒，帧移为10毫秒。每一帧语音数据经过特征提取之后，会生成一帧特征，称之为一个特征向量或特征矢量 ，其中n为特征向量的维数。

    HMM state：语音识别中的建模单元，简称为state，使用混合高斯模型(GMM)模型描述，每个GMM由多个高斯分量(mixture)组成，每个mixture服从正态分布其中为均值向量，为协方差矩阵，是对角阵。

    似然值：特征向量O在state上的声学模型得分。其计算步骤分为两步：

    a)         计算O在每个mixture分量上的似然值，其计算公式为：

    其中，j表示state的第j个mixture分量， 是常量， 为O在第j个mixture分量上的似然值。

    其中，m为state中mixture分量的个数， 为O在state上的似然值，等于各mixture的似然值在log域的相加，因而这步被称为logAdd操作。

优化方法

    下面先介绍三种无损识别精度的优化方法：

    1、  代码加速：使用SSE指令或者intel IPP加速库

    这种方法利用编程语言指令集的优化，通过减少CPU需要操作的指令数来达到加速。其中的intel IPP加速库直接提供了一套计算似然值的函数库，加速效果非常明显，可以达到40%。

    2、  硬件加速：使用GPU加速

    GPU一直以其强大的计算能力著称，十分适合矩阵相乘这类计算密集型的运算。为了能充分发挥GPU的加速效果，我们需要对似然值的计算公式略作改写：

    经过转换之后，每个mixture都可以用一个行向量表示，m个mixture可以组成一个大矩阵M = (A1,A2,…,Am)T，同理n帧的特征矢量也可以组成一个矩阵F = (Z1,Z2,…,Zn)。这样同时求解多个mixture在多帧上的似然值就可以用两个矩阵的乘积来实现。而每个state各mixture分量的logAdd过程相互独立，因此这一步也可以在GPU上并行计算。一般情况下，GPU可以达到100倍以上的加速效果，也就意味着GPU可以将原来在语音识别中最耗时的声学得分计算所占比重降到低于1%。由于这种方法需要一个额外的硬件设备GPU，价格比较昂贵，因而并没有被大规模使用。

    3、  CPU cache加速：一次计算state在多帧特征上的似然值

    这种方法利用了语音识别的特点，在识别过程中一旦某个state被激活之后，在后面的连续几帧中这个state极有可能仍会处于活跃状态，即在处理后面的特征时还需要计算这个state的似然值。那么我们可以在第一次激活state时，同时计算这个state在从当前帧开始的连续多帧，也不会导致过多不必要的计算。另一方面却可以利用CPU cache，不用多次从内存中加载state的模型参数到CPU中，从而达到加速的目的。这种方法约有10%的加速效果，一般配合方法1使用。

    上面介绍的三种方法，都是对声学模型得分进行了精确计算，因此不会带来任何识别精度的下降。如果想做进一步优化，就需要对state的似然值计算公式做些调整。

    1、动态高斯选择法

    其思想是用似然值最大的mixture分量来近似logAdd：

    那么如何来选出这个最大值呢？大家可能认为这还不简单？把每个mixture的似然值先计算出来，然后选个最大值就可以了。那接下来我们看看有没有更好的方法？仔细分析mixture似然值的计算公式：

    我们会发现，这是一个随i增加而递减的函数。我们可以先计算出 ，在计算其他的时，在i从1增加的n的过程中，我们可以判断当前已经计算出来的值是否比 小，如果已经比 小，那们这个mixture一定不是最大的，因为随着i的增加，这个值会不断减小，因而这个mixture就可以直接跳过，从而减少计算量。这种方法约有15%的加速效果，但是会带来0.5个点左右的识别率损失。

    2、      高斯选择法

    动态高斯选择法可以认为是在state的mixture分量里挑出一个最好的，而高斯选择法认为在state的各个mixture中，只有一到两个占主导地位(dominant)的mixture，贡献了整个state的似然值。

    动态高斯选择法是把所有的mixture都计算完了之后才知道哪个最好，和动态高斯选择法不同，高斯选择法是直接挑选dominant的mixture，并只计算这些mixture的似然值。其过程大致可以分为3个部分

    a)         将声学空间，即声学模型中所有state的所有mixture划分成若干个区域，每个区域称之为一个码本(codeword)

    b)         生成每个码本的shortlist，即如何把每个state中的mixture分配到各个码本中去。

    c)         在识别过程中，先将特征向量O映射到一个码本中去，state中落在码本shortlist的mixture就是dominant的mixture，对这些mixture进行计算。

    使用高斯选择法后，声学模型打分计算可以降到原来的20%左右，加速效果非常明显。但是高斯选择法对如何构建码本，以及码本的shortlist有很高要求。不同的构建方法效果会千差万别，一个好的高斯选择法带来的识别率损失非常小，可以做到0.2个点以内。

小结

    本文介绍了五种从不同的角度优化声学模型打分的方法，各自优缺点如下：

    1、代码加速法：简单实用有效，在实际语音识别系统中可谓是标配。

    2、硬件加速法：快！而且快的离谱！能将声学模型得分计算的负载降到接近0，缺点是成本高，一般只有对识别速度要求非常苛刻时才会使用。

    3、CPU cache法：利用了语音识别自身的特点，虽然和其他方法相比，加速效果显得一般，但优点是可以和其他方法结合使用。在实际使用中还需要谨慎选择每次连续计算的帧数，避免多余计算。

    4、动态高斯选择法：加速效果中等，对识别率影响较大，一般使用的比较少。

    5、高斯选择法：加速效果仅次于GPU，同时对识别率影响小，可以与代码加速法结合使用。缺点是这个方法技术难度较高，需要训练，依赖数据。如果不想花钱，又想达到GPU的效果，这个方法是不错的选择。

by qiansheng

建议继续学习：

1. 利用HTK工具包快速建立一个语音命令识别系统    (阅读：1932)
2. 浅析手机语音交互设计    (阅读：1443)