語音處理算法的集成與評估

1、語音處理算法的集成與評估語音處理算法的集成與評估類別：電子綜合從零開始設計和開發(fā)一個穩(wěn)定的嵌入式系統(tǒng)通常極具挑戰(zhàn)性。而集成和估數(shù)字信號處理(DSP)算法與系統(tǒng)同樣很棘手，甚至讓那些編程高手也束手無策。當前有無數(shù)的算法被集成到各種電子系統(tǒng)中。嵌入式系統(tǒng)開發(fā)工程師如何才能知道哪個算法適用于語音處理，比如基本的電話系統(tǒng)中的語音處理呢？ 延伸到40kHz的音頻頻譜被劃分為兩個頻段。語音分量占用頻譜的較低部分，從5Hz到7kHz，其他音頻分量占余下的高頻部分，如圖1所示。 語音處理主要涉及壓縮-解壓縮、識別、調整和增強算法。信號處理算法非常依賴于系統(tǒng)資源，例如可用的存儲器和時鐘性能。由于這些資源會增加系

2、統(tǒng)的成本，因此產品提供商通常都限制這些資源，以降低產品成本。一些基本特性，例如存儲器和時鐘消耗是算法復雜性的必然部分。復雜性越低，算法越優(yōu)，其實現(xiàn)的功效就越高。 在估一個算法時，測量算法的復雜性是第一步。在特定處理器上運行算法所要求的時鐘決定了處理能力，它取決于架構，不同的處理器架構其處理能力是有變化的。而算法的存儲器需求明顯不會改變。絕大多數(shù)的DSP算法對一組樣值進行處理，這樣的一組樣值稱為一個幀。一組樣值組成一個幀將不可避免引入延遲，并產生處理延遲。國際電聯(lián)(ITU)規(guī)定了每種算法的可接受延遲標準。 算法的處理能力通常用“每秒百萬時鐘”來表示，或者MCPS。為了更好地理解MCPS，可以假設

3、某個算法以8kHz的頻率處理6?個采樣幀，處理每個幀需要300,000個時鐘。那么收集一個幀的時間為6?/8,000或8ms。通過簡單的算法可以得出每秒可以處理125個幀。當算法處理所有的幀，它至少占用內核每秒300,000125 = 37,500,000個時鐘，或者37.5MCPS。 另外一種表達MCPS的方式是，它等于(處理一個幀所要求的時間乘以采樣頻率再除以幀大小)再除以1百萬。 通常用來定義算法處理能力的第二個術語是MIPS，或百萬指令每秒。計算某個算法的MIPS也比較復雜。如果處理器每個時鐘周期能有效地執(zhí)行一個指令，每個處理器的MIPS和MCPS是相同的。另一方面，如果處理器的架構需

4、要超過一個周期來執(zhí)行一個指令，則MCPS和MIPS之間存在一個比例。例如，一個ARM7TDMI處理器實際上每個指令需要1.1個周期。 圖1：音頻頻譜圖。 在進行集成之前 在任何嵌入式系統(tǒng)上開始集成和估任何語音算法的最佳時機是當系統(tǒng)處于一個可預測或穩(wěn)定的狀態(tài)時。穩(wěn)定意味著音頻前端的中斷結構是一致的。換言之，當保持一個合適的幅值時，甚至不會丟失一個數(shù)據(jù)字節(jié)。擁有可用系統(tǒng)存儲器和時鐘的統(tǒng)計數(shù)據(jù)是非常明智的。在一個工作穩(wěn)定的現(xiàn)有系統(tǒng)上集成一個算法相對較簡單。如果系統(tǒng)正在開發(fā)中，試圖在這個系統(tǒng)上集成和估任何算法之前需要徹底對音頻前端進行測試。而且，要驗證在系統(tǒng)內沒有中斷發(fā)生相互沖突。如果系統(tǒng)中存在任何問

5、題，算法的調試將是非常痛苦的體驗。 在將要集成音頻/語音算法的系統(tǒng)中，音頻固件必須是穩(wěn)健的，它必須為算法提供準確的數(shù)據(jù)才能使算法得以有效地執(zhí)行。工程師常常犯的一個簡單錯誤是在每個樣值到來時中斷內核。如果算法只是對一個幀的某些固定樣值進行處理，那么其他的中斷將是多余的。可以通過配置直接存儲器存取(DMA)和內部FIFO來在整個幀收集完成后再中斷內核。 實例算法 當開發(fā)任何電信系統(tǒng)時，工程師通常用脈碼調制(PCM)編解碼器(即G.711標準)進行語音質量的測試。這種窄帶編解碼器將樣值幅度限制在8bit的精度，并產生6?kbit/s的吞吐量。編碼器和解碼器可能會對每個數(shù)據(jù)樣值進行處理。它是一種非權重

6、算法，復雜度很低，幾乎沒有處理延遲，工程師可以選擇利用編解碼器來進行播放、驗證系統(tǒng)，更重要的是徹底估音頻前端設計。工程師可以檢測信號電平，調整硬件編解碼器增益，同步近端和遠端中斷，驗證DMA功能，以及使用這種基本的電話標準成功進行其他試驗。在這個過程中，如果發(fā)現(xiàn)從另一端接收到的壓縮數(shù)據(jù)是比特反序的，請不要覺得奇怪。一段反序代碼就能解決這個問題。 任何寬帶語音編解碼器都是較多占用存儲器和時鐘資源的語音算法的一個實例。子帶ADPCM(自適應差分脈碼調制)算法就是其中之一，相應標準是 G.722。它對16kHz采樣的數(shù)據(jù)進行處理，因此覆蓋了整個語音頻譜。它保留了未發(fā)聲的頻率分量那些存在于4到7kHz

7、的分量從而提供了高質量的自然語音。在任何編解碼器集成到系統(tǒng)之前，強烈建議認真測試。盡管G.711編碼和解碼可以逐個樣值進行測試，但涉及到濾波和其他頻域算法的編解碼器測試是完全不同的，它需要采用至少有數(shù)千個樣值的數(shù)據(jù)流。編解碼器的驗證讓工程師忙于利用ITU向量進行單元測試、信號電平測試以及與其他可用編解碼器的可互操作測試。對于系統(tǒng)集成工程師來說，與在發(fā)送之前將編碼后的數(shù)據(jù)字節(jié)編成16比特的字以及信號電平的失配相關的互操作問題都不是新的問題。 這里討論的算法未必是系統(tǒng)工程師可能會集成的算法，因為這些算法需要更多的系統(tǒng)存儲器和時鐘周期。處理器增強型算法的其他實例包括回聲消除算法、噪聲抑制算法以及維特

8、比算法。對這些算法的性能估并不像語音編解碼器那樣簡單。 通常，任何涉及到免提或揚聲器模式的電信系統(tǒng)都采用了聲學回波消除算法來避免聽到自己的回聲。如果在嘈雜的環(huán)境中采用，還需要采用噪聲控制算法。回聲消除-噪聲抑制(ECNR)需要大量的系統(tǒng)存儲器和時鐘。有多種時域與頻域技術可用來減輕聲學回聲問題，如表1所示。 表1：前面四行表明頻域技術優(yōu)于時域技術，后面四行支持時域技術。 事實證明頻域方法更有效，因為它的運算成本較低。這種方法采用自適應FIR濾波器，它只在當殘余回聲誤差大于門限值時才更新其系數(shù)。從輸入信號中減去估計的回聲將產生誤差。來自第二方的信號被用作這些算法的基準來估計回聲。需要為算法提供適當

9、的基準才能取得良好的回聲估計和消除。 另外一個因素是回聲尾部長度，它是以毫秒為單位的回聲反射時間。簡單而言，它是回聲形成的時間。該因素取決于環(huán)境的維度。盡管詳細的濾波器設計是一個很復雜的話題，但選擇濾波器的長度并不太復雜(見表2)： 濾波器長度= 回聲尾長采樣頻率 表2：說明了數(shù)據(jù)以8kHz采樣時尾部長度與回波覆蓋距離以及濾波器長度要求之間的關系。 任何回波消除(EC)實現(xiàn)的基本要求是支持最低16kHz的采樣數(shù)據(jù)，以確保能涵蓋16kHz的寬帶語音。將EC與寬帶語音編解碼器集成需要更加小心，因為回波尾長取決于采樣頻率，采樣率為8kHz的數(shù)據(jù)需要72ms的EC才能有效地消除回聲，當用于16kHz采

10、樣數(shù)據(jù)時，只能消除一半。因此，工程師發(fā)現(xiàn)將半有效的EC與寬帶編解碼器集成是一個雙倍挑戰(zhàn)的工作。噪聲消除方法也已經使用了多年。針對不同的應用，方法的選擇、實現(xiàn)和應用也不同。例如，某種方法可能將噪聲視為比人聲更加固定。算法將建立噪聲模型，然后從輸入信號中減去噪聲。噪聲降低的大小按分貝來度量。對于很多應用來說10到30dB的衰減就很不錯。 本文所述應用中的EC尾長要求大約為50ms，要求的噪聲抑制水平在12到25dB之間，具體取決于噪聲屬性以及期望的輸出語音質量。通常，噪聲消除越多，越有可能損失語音質量。因此，動態(tài)選擇大小將能提供一個合適的噪聲消減量，同時依然保持足夠的語音質量。對于這種應用的ECN

11、R組合可能需要高達15到20kB的系統(tǒng)存儲器。每個6?采樣幀的處理可能耗用150,000到300,000個時鐘，具體數(shù)據(jù)取決于處理器。 ECNR組合的性能估可能非常麻煩。通?？梢酝ㄟ^調節(jié)硬件編解碼器的增益，調整麥克風和揚聲器的位置，發(fā)現(xiàn)遠端和近端語音和中斷的同步，發(fā)現(xiàn)具有線性屬性的音頻硬件，試驗不同的EC尾長和NR電平來獲得最佳可能的回聲消除和噪聲抑制性能。 在估任何算法的復雜性的同時，初學者需要考慮最糟糕的情況，這很重要。算法的執(zhí)行時間對于不同的幀來說可能不同。這種數(shù)據(jù)依賴性源于這樣一個事實，即一個處理器相乘兩個具有較高幅值樣值所需的時間要比相乘兩個幅值較低樣值的時間長。 可能受自適應算法誤導的一個實例是，當濾波系數(shù)未被更新時，所占用的周期將較少。濾波器數(shù)據(jù)的適配可能需要數(shù)千個時鐘周期，因此很明顯在分析MCPS