PEAF：用于音频识别的可学习低功耗模拟声学特征
音频与语音处理
2022-03-30 v2 声音
信号处理
摘要
在摩尔定律终结之际，需要新的计算范式来延长可穿戴和IoT智能音频设备的电池寿命。理论分析和物理验证表明，在低至中等信噪比应用领域中，模拟信号处理(ASP)可比其数字对应物更节能。此外，ASP允许直接与模拟麦克风接口，而无需耗电的模拟-数字转换器。在此，我们提出经流片CMOS芯片验证的、用于运行音频识别的低功耗模拟声学特征(PEAF)。线性、非线性和可学习PEAF变体在许多电池供电设备所需的两种语音处理任务上进行了评估：唤醒词检测(WWD)和关键词 spotting(KWS)。与数字声学特征相比，可获得更高功耗效率且具竞争力的分类精度。建立了基于信息论的新理论框架，以分析特征提取流水线中各个阶段的信息流。该分析识别了信息瓶颈，并将KWS精度提高了多达7%。本工作可能为构建具有一流推理性能的更节能智能音频设备铺平道路。
引用
@article{arxiv.2110.03715,
title = {PEAF: Learnable Power Efficient Analog Acoustic Features for Audio Recognition},
author = {Boris Bergsma and Minhao Yang and Milos Cernak},
journal= {arXiv preprint arXiv:2110.03715},
year = {2022}
}
备注
Submitted to Interspeech 2022