ASAP-FE：面向边缘处理器的能效特征提取，实现多通道关键词检测

多通道关键词检测 (KWS) 已成为边缘环境中语音-based 应用的关键技术，但其巨大的计算和能源需求也构成了显著挑战。我们引入 ASAP-FE (Agile Sparsity-Aware Parallelized-Feature Extractor)，一个面向硬件的前端设计，以应对这些挑战。该框架包含三个关键创新：（1）半重叠无限脉冲响应 (IIR) 分帧：通过约减少 25% 的冗余数据，同时保持关键音素转换线索；（2）稀疏感知数据降低：利用帧级稀疏性，通过组合帧跳过和基于步长的滤波实现额外的 50% 数据降低；（3）动态并行处理：我们引入可参数化的滤波器群组和基于优先级的调度算法，允许 IIR 滤波任务的并行执行，降低延迟并优化能源效率。ASAP-FE 在 various filter cluster 大小的边缘处理器上实现，FPGA 原型和 45 nm 制程验证了其功能。使用 TC-ResNet8、DS-CNN 和 KWT-1 等模型实验表明，ASAP-FE 将平均工作负载降低 62.73%，且可支持最高 32 通道的实时处理。相较于传统全重叠基准，ASAP-FE 实现了不到 1% 的准确率下降（例如 DS-CNN 为 96.22% vs. 97.13%），在边缘 AI 应用中完全可接受。通过调整滤波模块数量，该设计可优化性能与能源之间的权衡，15 个并行滤波器可为最高 25 通道提供最佳性能。总体而言，ASAP-FE 提供了一个实用且高效的边缘设备多通道 KWS 解决方案。