嵌入式移植
《语音识别原理与技术》洪青阳 工业应用实践 书、PPT 15.4
随着物联网的发展和用户对录音隐私的担忧，现在越来越多的需求，如对智声能家居的语音控制，需要采用嵌入式平台，在本地端运行语音识别。下面我们针对ARMLinux 环境介绍嵌人式移植过程。
大部分的ARM平台都带有Linux系统，但用的是裁剪过的版本，里面的很多库跟CentOS或Ubuntu不兼容或缺少，因此移植起来较为繁琐。
以Kaldi的移植为例，其依赖的Atlas加速库包含libatlas.so和liblapack.so两个动态库，需要在ARM Linux环境重新编译。但单独编译这两个库有很多繁琐的配置，一种简便办法是通过Kaldi集成编译后得到，因为其工具包tools自带的安装脚本extras/install_atlas.sh会生成这两个so动态库。基于这两个so，重新编译引擎动态库。（下面基于这两个so动态库，按《动态库封装》这一节介绍的过程，重新编译引擎动态库）。
由于内存空间受限，很多裁剪过的ARM Linux系统，不带编译环境，即只能运行不能编译程序。为编译引擎动态库，我们需要通过交叉编译方式，在服务器另外搭一套编译的环境，所采用的gcc/g++编译器要跟ARM Linux一致，编译成功后再移植到ARM Linux环境。
有的 Linux 环境的 Atlas 加速库无法编译，只能采用 OpenBLAS 加速库，其编译出来的libopenblas.so 库还依赖其他静态库，要另外编译。这些库都准备到位后，再把它们集成到引擎动态库 Makefile 编译文件中，如以下例子：
1 | CC = arm-buildroot-linux-gnueabihf-gcc |
其中，CC 和 CXX 指明编译器的名称，对应 gcc 和 g++的嵌入式版本，AR 和 LD配套更新。LDFLAGS用来链接以.a为扩展名的静态库。
嵌入式语音识别一般只支持命令词识别或小范围的“随便说”，如机器人的动作命令和简单的对话。对话内容可能只有几百句，语言模型就可以做得很小，而声学模型本身不会太大，因此编译出来的HCLG也就很小，文件只有几百KByte甚至更小。这样更容易部署到嵌入式平台，识别速度也更快。
针对更低端的DSP平台，嵌入式移植可能还涉及定点化问题，需要把解码器特别是特征提取和DNN的前向传播重新改写，即把浮点运算改为定点运算，而且不再包含加速库，这部分工作量比较大。