Accelerating dynamic time warping for speech recognition with SSE

Abstract

Представлено значне вдосконалення алгоритму динамічної трансформації часової шкали (DTW) для програм реального часу, таких, як розпізнавання мови. Завдяки інтеграції інструкцій SIMD (Single Instruction Multiple Data) у функцію дистанції, дослідження демонструє, як SSE прискорює DTW, помітно скорочуючи час обчислення. Досліджено не лише теоретичні аспекти DTW та цієї оптимізації, але й надано емпіричні докази її ефективності. Зібрано різноманітний набір даних із 18 класів голосових команд, записаних у контрольованих умовах для забезпечення якості звуку. Аудіосигнал кожного зразка мовлення був сегментований на кадри для детального аналізу часової динаміки. Пошук DTW проводився на наборі функцій на основі мелчастотно кепстральних коефіцієнтів (MFCC) і лінійного прогнозованого кодування (LPC) у поєднанні з дельта-функціями. З кожного кадру було виділено повний набір із 27 ознак, щоб зафіксувати важливі характеристики мови. Основою дослідження було застосування традиційного DTW як бази для порівняння продуктивності з оптимізованим для SSE DTW. Оцінювання, зосереджено на обчислювальному часі, включало такі вимірювання, як мінімальний, максимальний, середній і загальний час обчислень як для стандартних реалізацій, так і для оптимізованих для SSE. Експериментальні результати, проведені на наборах даних від 5 до 60 файлів WAV на клас, показали, що оптимізований для SSE DTW значно перевершує стандартну реалізацію для всіх розмірів наборів даних. Особливо варто відзначити постійну швидкість оптимізованих для SSE функцій Манхеттена та Евклідової відстані, що має вирішальне значення для програм реального часу. Оптимізований для SSE DTW показує низький середній час, демонструючи чудову стабільність і ефективність, особливо з великими наборами даних. Дослідження ілюструє потенціал оптимізації SSE у розпізнаванні мовлення, підкреслюючи здатність оптимізованого для SSE DTW ефективно опрацьовувати великі набори даних

This study presents a significant enhancement to the Dynamic Time Warping (DTW) algorithm for real-time applications like speech recognition. Through integration of SIMD (Single Instruction Multiple Data) instructions to distance function, the research demonstrates how SSE accelerates DTW, markedly reducing computation time. The paper not only explores the theoretical aspects of DTW and this optimization but also provides empirical evidence of its effectiveness. Diverse dataset of 18 voice command classes was assembled, recorded in controlled settings to ensure audio quality. The audio signal of each speech sample was segmented into frames for detailed analysis of temporal dynamics. DTW search was performed on features set based on Mel Frequency Cepstral Coefficients (MFCC) and Linear Predictive Coding (LPC), combined with delta features. A comprehensive set of 27 features was extracted from each frame to capture critical speech characteristics. The core of the study involved applying traditional DTW as a baseline for performance comparison with the SSE-optimized DTW. The evaluation, focusing on computational time, included measurements like minimum, maximum, average, and total computation times for both standard and SSE-optimized implementations. Experimental results, conducted on datasets ranging from 5 to 60 WAV files per class, revealed that the SSE-optimized DTW significantly outperformed the standard implementation across all dataset sizes. Particularly noteworthy was the consistent speed of the SSE-optimized Manhattan and Euclidean distance functions, which is crucial for real-time applications. The SSE-optimized DTW maintained a low average time, demonstrating remarkable stability and efficiency, especially with larger datasets. The study illustrates the potential of SSE optimizations in speech recognition, emphasizing the SSE-optimized DTWʼs capability to efficiently process large datasets