DSR je servisní architektura pro mobilní sítě, ve které je rozpoznávání řeči rozděleno mezi zařízení, které extrahuje a komprimuje řečové příznaky, a síťový server, který provádí finální rozpoznání.

Popis

Distributed Speech Recognition (DSR) je architektura typu klient-server navržená k poskytování přesných služeb rozpoznávání řeči přes mobilní sítě. Funguje tak, že rozděluje úlohu rozpoznání mezi uživatelské zařízení (UE) a vzdálený rozpoznávací server v síti. UE provádí ‘front-end’ zpracování: zachytí zvuk pomocí mikrofonu, aplikuje akustické předzpracování (potlačení šumu, eliminace ozvěny) a následně extrahuje sadu kompaktních parametrických reprezentací (příznaků) řečového signálu, typicky Mel-Frequency Cepstral Coefficients (MFCC). Tyto příznaky jsou pak zakódovány pomocí standardizovaného, bitově efektivního kodeku a přeneseny přes datový kanál do sítě.

V síti přijímá proud příznaků vyhrazený DSR server. Tento server hostuje ‘back-end’ rozpoznávací engine, který zahrnuje akustické modely, výslovnostní slovníky a jazykové modely. Server dekóduje proud příznaků a používá statistické porovnávání vzorů (jako Hidden Markovovy modely nebo hluboké neuronové sítě) k převedení příznaků na textový řetězec nebo sémantický příkaz. Výsledek je pak odeslán zpět k UE nebo na jiný aplikační server. Toto oddělení je klíčové; umožňuje, aby výpočetně náročné a paměťově nákladné modelovací a vyhledávací procesy zůstaly na výkonných, aktualizovatelných serverech, zatímco UE zvládá lehčí, standardizovaný front-end.

Úlohou DSR je poskytovat konzistentní, vysoce přesný rozpoznávací zážitek nezávislý na výpočetním výkonu UE a proměnlivé kvalitě zvukového kanálu. Přenosem pouze příznaků (několik kbps) namísto plného zvukového proudu (např. 64 kbps pro PCM) šetří šířku pásma a je odolnější vůči přenosovým chybám a zkreslením od nízkobitových hlasových kodeků, která by degradovala rozpoznávání na straně serveru, pokud by byla aplikována na dekódovaný zvuk. Je to služební enabler pro síťové hlasové asistenty, automatické hlasové vytáčení a hlasem ovládané služby ve vozidlech.

K čemu slouží

DSR bylo vytvořeno k vyřešení problému poskytování vysoce kvalitního, serverového rozpoznávání řeči ve variabilním a někdy omezeném prostředí raných mobilních sítí (2G, 3G). Tradiční ‘pouze serverové’ rozpoznávání, kdy UE odesílá komprimovaný zvuk (např. pomocí AMR), trpělo tím, že hlasové kodeky byly optimalizovány pro lidský sluch, nikoli pro strojové rozpoznávání. Artefakty kodeků a přenosové chyby mohly významně snížit přesnost rozpoznávání.

Účelem DSR bylo standardizovat rozhraní mezi mobilním zařízením a rozpoznávacím serverem, čímž se zajistila interoperabilita. Řešilo to omezení rozpoznávání pouze na zařízení, které bylo limitováno omezeným výpočetním výkonem a pamětí UE, což znemožňovalo hostovat velké slovníky nebo komplexní modely. Rozdělením procesu DSR využilo výpočetní zdroje sítě k poskytnutí výkonnější a aktualizovatelné služby, zatímco standardizovaný front-end zajistil, že příznaky odesílané na server byly čisté a optimalizované pro rozpoznávání, nikoli pro poslech, čímž se zlepšila celková přesnost a spolehlivost napříč různými sítěmi a zařízeními.

Klíčové vlastnosti

• Standardizovaná extrakce příznaků ve front-endu (ETSI ES 201 108/3GPP 26.243)
• Robustní přenos řečových příznaků přes kanály náchylné k chybám
• Oddělení akustického zpracování (klient) od lingvistického dekódování (server)
• Efektivita využití šířky pásma ve srovnání s přenosem plnopásmového zvuku
• Nezávislost na hlasovém telefonním kodeku a jeho artefaktech
• Podpora aktualizací akustických a jazykových modelů na straně serveru

Související pojmy

• IMS – IP Multimedia Subsystem

Definující specifikace

• TR 22.977 (Rel-19) — Speech Enabled Services and Multimodal Framework
• TS 26.177 (Rel-19) — DSR Extended Advanced Front-end Test Sequences
• TS 26.235 (Rel-12) — Default Codecs for 3GPP IP Multimedia Subsystem
• TS 26.236 (Rel-12) — Packet Switched Conversational Multimedia Protocols
• TS 26.243 (Rel-19) — DSR Extended Advanced Front-end C Code
• TR 26.943 (Rel-19) — SES Codec Selection Report
• TS 38.300 (Rel-19) — NG-RAN Overall Description
• TS 38.306 (Rel-19) — NR UE Radio Access Capability Parameters
• TS 38.321 (Rel-19) — NR MAC Protocol Specification
• TS 38.322 (Rel-19) — NR Radio Link Control (RLC) Protocol
• TS 38.323 (Rel-19) — Packet Data Convergence Protocol (PDCP)
• TS 38.331 (Rel-19) — NR Radio Resource Control (RRC) Protocol Specification
• TR 45.912 (Rel-19) — GERAN Evolution Feasibility Study

📖 Anglický originál a plná specifikace: DSR na 3GPP Explorer