KWS概述

關(guān)鍵字定位（Keyword Spotting，KWS）技術(shù)，已成為可穿戴設(shè)備、物聯(lián)網(wǎng)設(shè)備和其他智能終端的關(guān)鍵。諸如“Alexa”，“Hey Siri”或“Ok Google”等短語(yǔ)喚醒智能手機(jī)和家用電器上的語(yǔ)音激活功能，已經(jīng)是語(yǔ)音交互設(shè)計(jì)產(chǎn)品的廣泛需求。
對(duì)于KWS，實(shí)時(shí)響應(yīng)和高精度才能獲得良好的用戶(hù)體驗(yàn)。最近，神經(jīng)網(wǎng)絡(luò)已成為KWS架構(gòu)的一個(gè)有吸引力的選擇，因?yàn)榕c傳統(tǒng)的語(yǔ)音處理算法相比，它們具有更高的準(zhǔn)確性。由于需要實(shí)時(shí)在線識(shí)別的要求，導(dǎo)致KWS應(yīng)用在內(nèi)存和計(jì)算能力有限的微型微控制器上運(yùn)行會(huì)受到一定限制。KWS的神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)必須考慮這些限制。于是，研究人員設(shè)計(jì)出由于傳統(tǒng)CNN的深度可分離卷積神經(jīng)網(wǎng)絡(luò)（DS-CNN）架構(gòu)技術(shù)。為了進(jìn)一步介紹了DS-CNN架構(gòu)，并展示了開(kāi)發(fā)人員如何在MCU上實(shí)現(xiàn)DS-CNN KWS。2018年ARM和斯坦福大學(xué)進(jìn)行了合作，并開(kāi)源了預(yù)訓(xùn)練TensorFlow模型及其語(yǔ)音關(guān)鍵詞識(shí)別代碼，并將結(jié)果發(fā)表在論文Hello Edge: Keyword Spotting on Microcontrollers中。本文基于此開(kāi)源模型和代碼，在AT32 MCU上對(duì)KWS效果進(jìn)行展示。

KWS實(shí)現(xiàn)原理

關(guān)鍵詞識(shí)別KWS

一個(gè)典型的KWS系統(tǒng)由一個(gè)特征提取器和一個(gè)基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)器組成，如下圖所示。首先，長(zhǎng)度為L(zhǎng)的輸入語(yǔ)音信號(hào)被分成長(zhǎng)度為l且步幅為s的重疊幀，總共有幀T幀。T=(L?l)/S+1從每一幀中提取F個(gè)語(yǔ)音特征，則長(zhǎng)度為L(zhǎng)的整個(gè)輸入語(yǔ)音信號(hào)總共生成T×F個(gè)特征。Logmel filter bank energies (LFBE)和Mel-frequency cepstral coefficients (MFCC)常用于基于深度學(xué)習(xí)的語(yǔ)音識(shí)別，特別適用于傳統(tǒng)語(yǔ)音處理技術(shù)。使用LFBE或MFCC進(jìn)行特征提取涉及將時(shí)域語(yǔ)音信號(hào)轉(zhuǎn)換為一組頻域頻譜信號(hào)，從而實(shí)現(xiàn)輸入信號(hào)的維度壓縮。提取的語(yǔ)音特征矩陣服務(wù)于輸入分類(lèi)器模塊，該模塊導(dǎo)出所輸出分類(lèi)的概率。在需要從連續(xù)音頻流中識(shí)別關(guān)鍵字的實(shí)際場(chǎng)景中，利用后端處理模塊可以在一段時(shí)間內(nèi)平均每個(gè)輸出類(lèi)的輸出概率，從而提高預(yù)測(cè)的整體置信度。圖1. KWS數(shù)據(jù)管道

卷積神經(jīng)網(wǎng)絡(luò)CNN

基于DNN的KWS的一個(gè)主要缺點(diǎn)是它無(wú)法有效地對(duì)語(yǔ)音特征中的局部時(shí)間和頻譜相關(guān)性進(jìn)行建模。CNN是通過(guò)將輸入時(shí)域和譜域特征視作圖像，并對(duì)其進(jìn)行二維卷積處理。卷積層之后通常是批量歸一化、基于ReLU的激活函數(shù)和可選的最大/平均池化層，這些處理可以降低特征的維數(shù)。在推理過(guò)程中，批量歸一化的參數(shù)可以折疊到卷積層的權(quán)重中。在某些情況下，為了減少參數(shù)和加速訓(xùn)練，在卷積層和密集層之間添加了一個(gè)線性低秩層，這是一個(gè)沒(méi)有非線性激活的全連接層。

深度可分離卷積神經(jīng)網(wǎng)絡(luò)DS-CNN

深度可分離卷積神經(jīng)網(wǎng)絡(luò)（DS-CNN）。最近，深度可分離卷積已被提出作為標(biāo)準(zhǔn)3-D卷積操作的有效替代方案，并已用于在計(jì)算機(jī)視覺(jué)領(lǐng)域?qū)崿F(xiàn)緊湊的網(wǎng)絡(luò)架構(gòu)。DS-CNN首先將輸入特征圖中的每個(gè)通道與一個(gè)單獨(dú)的2-D濾波器進(jìn)行卷積，然后使用逐點(diǎn)卷積（即1x1）在深度維度上組合輸出。通過(guò)將標(biāo)準(zhǔn)的3-D卷積分解為2-D卷積，然后是1-D卷積，深度可分離卷積在參數(shù)數(shù)量和操作方面都更加高效，這使得即使在資源受限的微控制器設(shè)備中也可以實(shí)現(xiàn)更深、更寬的架構(gòu)。

例 KWS實(shí)作

KWS測(cè)試平臺(tái)

KWS系統(tǒng)需要使用到兩個(gè)平臺(tái)，即PC端和AT32 MCU端。PC端：利用TensorFlow與Python撰寫(xiě)完整的深度學(xué)習(xí)程序代碼并訓(xùn)練模型，因本文件使用的學(xué)習(xí)模式為監(jiān)督式的學(xué)習(xí)，需給系統(tǒng)大量的訓(xùn)練數(shù)據(jù)和Labels，接著將提取到的特征用以訓(xùn)練CNN模型，并反復(fù)修正訓(xùn)練的模型，直到模型為此系統(tǒng)優(yōu)化的狀態(tài)。AT32 MCU端：利用ARM提供的CMSIS-NN的函式庫(kù)、DSP函數(shù)庫(kù)和CNN函數(shù)庫(kù)，結(jié)合PC端訓(xùn)練好的模型（該模型已下載待MCU）。對(duì)輸入到MCU端的音頻數(shù)據(jù)進(jìn)行識(shí)別，實(shí)現(xiàn)對(duì)該語(yǔ)音數(shù)據(jù)可能的標(biāo)簽進(jìn)行分類(lèi)和預(yù)測(cè)。因此，對(duì)于既定模型的KWS識(shí)別，AT32 MCU端可實(shí)現(xiàn)完全離線識(shí)別，無(wú)需實(shí)時(shí)與PC通信或聯(lián)網(wǎng)通信。本示例，AT32MCU端智能識(shí)別的關(guān)鍵詞列表如下"yes","no","up","down","left","right","on","off","stop","go";沒(méi)有輸入信號(hào)時(shí)，輸出標(biāo)簽為"Silence";輸入信號(hào)不在關(guān)鍵詞列表時(shí)，輸出標(biāo)簽為"Unknown"。注意：由于篇幅限制，本文只介紹AT32 MCU的實(shí)現(xiàn)流程，如下圖陰影部分。圖2. KWS實(shí)現(xiàn)流程

資源準(zhǔn)備

1) 硬件環(huán)境:AT-START-F403A BOARD V1.xAT32-Audio-EV V2.x圖3. KWS測(cè)試的硬件環(huán)境2) 軟件環(huán)境MDK V5.31或更新版本，使用ARM Compiler V6進(jìn)行編譯…\PACK\ArteryTek.AT32F403A_407_DFP.2.1.2.pack或更新版本…\PACK\ARM.CMSIS-DSP.1.11.0.pack或更新版本ML-KWS-for-MCU-master\Project\mdk_v5

軟件設(shè)計(jì)

實(shí)驗(yàn)結(jié)果

在AT32-Audio-EV V2.x端LINE_IN輸入語(yǔ)音信號(hào)后，AT Link虛擬串口會(huì)打印輸出KWS識(shí)別的標(biāo)簽和概率。圖4. 串口打印識(shí)別信息