根據(jù) ReportLinker的預(yù)測(cè)，到2024年，全球智能語(yǔ)音市場(chǎng)規(guī)模將躍升到215億美元，而在當(dāng)中AI語(yǔ)音芯片就扮演了一個(gè)關(guān)鍵角色。不同于過(guò)往的芯片只考慮PPA，開(kāi)發(fā)者在選擇語(yǔ)音芯片的時(shí)候更多是考慮其體驗(yàn)，但這是很多過(guò)往的硬件解決方案所不具備的。這就吸引了眾多傳統(tǒng)廠商或者初創(chuàng)企業(yè)開(kāi)始紛紛涌入AI語(yǔ)音芯片這個(gè)賽道，用MCU、DSP或者ASIC的方案來(lái)解決現(xiàn)有，有些廠商甚至還推出了顛覆傳統(tǒng)的新架構(gòu)去搶占市場(chǎng)。

但在行業(yè)專(zhuān)家看來(lái)，這些方案或多或少都存在一些問(wèn)題。要了解這一點(diǎn)，就必須從語(yǔ)音識(shí)別行業(yè)的一些現(xiàn)狀說(shuō)起。

語(yǔ)音識(shí)別面臨的幾大挑戰(zhàn)

以智能音箱為例，現(xiàn)在的語(yǔ)音識(shí)別產(chǎn)品在廠商的智能家居規(guī)劃藍(lán)圖中是扮演一個(gè)人與機(jī)器交流的橋梁，那在實(shí)際應(yīng)用中就要求音箱能夠聽(tīng)得到人說(shuō)的話，同時(shí)還要求它聽(tīng)得清晰和聽(tīng)得準(zhǔn)。這就提出了第一個(gè)挑戰(zhàn)——那就是信噪比。

所謂信噪比，就是目標(biāo)信號(hào)與干擾信號(hào)強(qiáng)度比值的對(duì)數(shù)，我們需要一定的信噪比，才能讓機(jī)器聽(tīng)得清楚。但根據(jù)聲音的傳播特性，它在空氣中衰減會(huì)非常大，但人在與智能音箱交流的過(guò)程中，可能會(huì)處在不同的位置和距離。這就給相關(guān)的方案提供商提出了一個(gè)難題，這也是語(yǔ)音識(shí)別所面臨的最大挑戰(zhàn)。

第二個(gè)問(wèn)題是非穩(wěn)態(tài)的噪聲影響。如果我們面對(duì)的是規(guī)律的噪聲，應(yīng)對(duì)的辦法無(wú)疑會(huì)簡(jiǎn)單很多。但在實(shí)際的使用環(huán)境中，我們經(jīng)常會(huì)面對(duì)的是帶有突發(fā)性和不可預(yù)見(jiàn)性的噪音，這給供應(yīng)商也帶來(lái)了不小的挑戰(zhàn)。

第三，多聲源的問(wèn)題。智能音箱在使用的過(guò)程中，只會(huì)聽(tīng)從一個(gè)聲源的指令，但在人機(jī)交流的過(guò)程中，必然會(huì)出現(xiàn)干擾源。如何處理這個(gè)干擾的問(wèn)題，也困擾著相關(guān)供應(yīng)商和開(kāi)發(fā)者。

而其實(shí)面對(duì)這些問(wèn)題，產(chǎn)業(yè)鏈已經(jīng)想了不少應(yīng)對(duì)之法。例如麥克風(fēng)陣列、波束成形和降噪的引入，更強(qiáng)的人工智能芯片加持，但這依然沒(méi)有能徹底解決問(wèn)題。

如上圖所示，在傳統(tǒng)方案中，系統(tǒng)最后識(shí)別的信號(hào)是在波束成形之后做的，因?yàn)椴ㄊ尚我蕾?lài)于聲源定位(即DOA)，但DOA一般用單MIC信號(hào)來(lái)做檢測(cè)。換而言之，我們這樣設(shè)計(jì)的目的原本是為了提升喚醒率和識(shí)別率，但依賴(lài)于單MIC信號(hào)的檢測(cè)之后，兩者之間就存在相互依賴(lài)的關(guān)系，這就會(huì)給設(shè)備的喚醒率造成影響。

其次，傳統(tǒng)方案里面有多個(gè)模塊和多個(gè)環(huán)節(jié)，但他們并不都是以降低識(shí)別率為優(yōu)化目標(biāo)，這就讓降噪、信號(hào)增強(qiáng)和最后的識(shí)別可能會(huì)出現(xiàn)不適配的情況，使得系統(tǒng)雖然降了噪，但沒(méi)有得到想要的識(shí)別率的提升。

再者，傳統(tǒng)的流程對(duì)硬件要求非常高，對(duì)MIC的一致性以及電容元器件的一致性要求非常高。這就節(jié)能會(huì)導(dǎo)致大家在實(shí)驗(yàn)室和在量產(chǎn)線上取得不同的結(jié)果。量產(chǎn)場(chǎng)景下的識(shí)別率非常差。這主要與波束成形和聲源定位要求高，一旦出現(xiàn)波動(dòng)會(huì)影響識(shí)別效果有關(guān)。

此外，波束成形算法原理是增強(qiáng)設(shè)定波束內(nèi)的信號(hào)強(qiáng)度，衰減波束外的信號(hào)幅度。那就意味著當(dāng)干擾聲源和目標(biāo)聲源方向非常接近的時(shí)候，信號(hào)和噪聲是會(huì)同時(shí)增強(qiáng)，這是傳統(tǒng)波束成形算法也不能解決的問(wèn)題。

單從芯片的角度看，也有不少的困難要面對(duì)。如算力問(wèn)題、馮諾依曼架構(gòu)帶來(lái)的內(nèi)存墻問(wèn)題，還有基于浮點(diǎn)訓(xùn)練出來(lái)的模型與定點(diǎn)推理之間的不匹配引致的重新訓(xùn)練和精度丟失等問(wèn)題。其他如對(duì)神經(jīng)網(wǎng)絡(luò)支持不夠、功耗過(guò)高和開(kāi)發(fā)復(fù)雜等也是當(dāng)下很多語(yǔ)音識(shí)別芯片的掣肘所在。

市場(chǎng)渴求更好的解決方案。