図1　音�m認識専��のコプロセッサ　出�Z：Spansion

音�m認識（ボイスコントロールともいう）は、iPhone 4SがSiriと�}ぶ新しいユーザインターフェースとして、日本�x場に浸透しつつある。Siriは、スマートフォンの中に音�m認識�v路を入れていない��「�Zくのイタリアンレストランを探して」といえば、その音�mデータだけをクラウド�屬離灰鵐團紂璽燭冒�り、パターンマッチング処理、�T味��け処理などのデータベースとのマッチング処理を���Qした後、�T果だけを送り返すという�擬阿鮑里辰討い襦�すなわち音�m認識機�Δ���てクラウドコンピュータ�屬嚢圓辰討い襦�このためスマホ�笋撚嗣m認識��の電��を消�Jする��要がなく、電池の��命を長く保っている。NTTドコモも同様な�擬阿鮑里襦�

今�vスパンションが開発したチップは、クラウドとのやり�Dりはなく、CPUとも�k緒に動作するコプロセッサである(図1)。すなわち音�m認識の��てのプロセスをこのチップだけで担うのではなく、ある�霾�はCPUに負担してもらうというチップである。クラウドとのやり�Dりがない分、高�]に処理でき、�O動�Z応��に向いている。

音�m認識では、言��を音素に分け、さらに�T味を抽出する。さらに会�Bの管理、推�bを行う。例えば、「�Zくのレストラン」は「chi-ka-ku-no-re-su-to-ra-n」というように音素に分け、それぞれの�T味を�eつ音の��書(音�mデータベース)と比較し、�Zい�T味を抽出する。この言��は個人差や地�気��妓�、性別によっても違う。発音する人によっては「chi-ka-ku-no」�霾�が「tsu-ka-ku-no」と認識されることもある。それを「�Zくの」という�T味を抽出するのである。聞こえた言��が�T味と照らし合わせてどのくらい�k致しているのか、スパンションのチップでは、その�T味に点数を��けるスコアリングという作業を行う(図2)。スコアが高いほど��確な�T味に�Zいという�lだが、このチップはスコアリングまでの役割を担う。このスコアをCPUへ渡し、今度は�T味を�eつ言��の��書や言語のデータベース内の言��からスコアに合った言��を検索する。この処理は、CPUが負担する。

図2　音�mにスコア(点数)を��け比較する　出�Z：Spansion

スパンションは、音�m認識ソフトウエアで長�Qの実績がある�j�}のNuance Communications社と提携し、そのアルゴリズムをチップに組み込んだ。そのアルゴリズムは、�Q国の言語での音�mに応じて、それぞれの音�m言語モデルを作りチップにストアしておく。入��された音�mと、ストアされた音�m言語モデルのデータベースを比較し照合してスコアを��ける。このアルゴリズムをハードワイヤードで実行したのか、マイクロプログラム�擬阿納孫圓靴燭里���らかにしていないが、カスタムロジックとメモリとのやり�Dりを並�`処理で行っているという。

ロジックとメモリとのバス幅は760ビットと広く、このバスを通るデータレートは1.2Gバイト/秒と�]い。

音�m認識�\術の認識率を�屬欧訃豺腓砲�、メモリを�\やすことよりも賢いアルゴリズムによることが�Hいという。ここにノウハウがある。ただ、メモリそのものは1言語当たり20〜30MB��度で�Bりるという。ただし、日本語を基本とする認識でも、音楽のタイトルなどには英語やフランス語であることが�Hいため、それらの言語モジュールもメモリとして格納しておく��要がある。�Q言語モジュールとして、1〜3モジュールを搭載したチップと、10〜12モデルを搭載したチップを���Tした(図3)。

図3　パッケージサイズ10mm角のコプロセッサ　出�Z：Spansion

音�m認識ソフトウエアをCPUだけで処理する場合よりも、このコプロセッサとCPUを�W��する場合、スピードは2倍、CPU負荷は半��するという。実際、スパンションが記�v会見会場でデモした例では、「5204 East Ben White Boulevard, Austin, Texas」と�BしてからGoogleマップを表��するまで、CPUだけの現行のシステムでは8.7秒かかったが、コプロセッサとCPUを使った場合は3.4秒で済んだ。CPU負荷は52%を��した。

会見に同席した、ニュアンスコミュニケーションズジャパンのマーケティングマネージャーの���峙��m��によると、�j容量NORフラッシュとロジックを1チップに集積することで、性別や�妓世硫嗣mデータを格納でき、今後は周囲ノイズからの音�mを�Rう場合にも�~効だろうと述べた。