深度丨解析硬件之智能語音領(lǐng)域

　　亞馬遜Echo

　　Echo的售價為179.99美元，采用6+1的麥克風陣列，主芯片采用德州儀器的數(shù)字多媒體芯片，同時采用高通Atheros的WiFi和藍牙。此數(shù)字多媒體芯片與OMAP3架構(gòu)兼容，最高可以到1GHZ，ARM Coretex A8架構(gòu)，具有較高的音視頻編解碼能力，內(nèi)嵌TI的DSP Core，下圖是該芯片的架構(gòu)圖。在軟件上，該產(chǎn)品使用Alexa系統(tǒng)，能支持各種應(yīng)用，上面已有說明。

　　Google Home

　　Google Home售價為129美元。采用雙麥克風陣列，兩顆InvenSense INMP621 MEMS收音芯片。由于Google與Marvell在GoogleTV以及電視棒Chromecast上的良好合作，所以此次也采用Marvell 88DE3006 Armada雙核ARM Cortex-A7多媒體專用處理器，該芯片也是電視棒的主芯片。以及Marvell Avastar 88W8897 WLAN/BT/NFC SoC通訊芯片。未找到該顆主芯片的硬件架構(gòu)圖，下圖是ARMADA 1500同系列高配芯片架構(gòu)圖，帶Audio DSP。在軟件上，該產(chǎn)品使用Google Assistant系統(tǒng)。

　　亞馬遜Echo和Google Home在硬件上最大的區(qū)別，還是在于亞馬遜使用環(huán)形6+1麥克風陣列，而Google是采用雙麥克風陣列。麥克風陣列是利用一定數(shù)目，一定空間構(gòu)型的聲學(xué)傳感器(一般是麥克風)組成，用來對聲場的空間特性進行采樣并處理的系統(tǒng)。麥克風陣列能做很多事情，對于環(huán)境噪聲，它可以采用自適應(yīng)波束形成做語音增強，從含噪語音信號中提取純凈語音;對于說話人說話位置的不確性，它可以通過聲源定位技術(shù)來計算目標說話人的角度，來跟蹤說話人以及后續(xù)的語音定向拾取;對于室內(nèi)聲音反射，導(dǎo)致語音音素交疊，識別率較低的問題，它可以通過去混響技術(shù)，減小混響，提高識別率。

　　按照業(yè)內(nèi)人的觀點，在家庭的環(huán)境內(nèi)，如果優(yōu)化的好，雙麥克風陣列可以做到與多麥克風差不多的語音增強和降噪效果。雙麥克風陣列只能定位180°內(nèi)的范圍，而多麥克風則可以做到360°的定位。但是這要依硬件設(shè)備的使用場景而定，比如在機器人領(lǐng)域，對聲源定位的要求很高，如Rokid機器人使用8麥克風陣列。但是在有些應(yīng)用場景，如靠墻的冰箱等，只需要180°的定位。在汽車領(lǐng)域，則最好是選用其他結(jié)構(gòu)形式的麥克風陣列，比如分布式陣列。目前國內(nèi)主流的智能語音企業(yè)在雙麥克風方案上都有布局，僅云知聲目前搭載雙麥克的芯片模組每月的出貨量就超過幾萬片。

　　最近的發(fā)展趨勢在遠場識音方面，即5米以上的語音交互。為了實現(xiàn)更好的效果，多麥克風方案是必須的，麥克風個數(shù)越多，對說話人的定位精度越高，但這個精度體現(xiàn)在距離上，如果說話人的距離不是很遠，則差異未必能夠體現(xiàn)。

　　因此要綜合考慮實際的應(yīng)用場景，選擇不同的麥克風個數(shù)和陣型。在這方面出了亞馬遜的Echo是采用6+1陣型，國內(nèi)科大訊飛是4麥和6+0麥方案，思必馳的6+1麥方案，以及聲智科技的4(+1)麥陣列、6(+1)麥陣列和8(+1)麥陣列方案。

　　值得一提的是麥克風陣列最好和前端算法和云端識別相結(jié)合，麥克風陣列只是起到了拾取聲音，但語音的識別率還要考慮算法的模型的計算，只有終端硬件和前端算法、云端識別相結(jié)合，才能使識別率達到最佳，這也是亞馬遜、谷歌甚至微軟這類企業(yè)不得不做硬件的根本原因。比如聲智科技，就非常重視麥克風陣列與算法的軟硬件結(jié)合的遠場識音技術(shù)，這也是大家很看好的原因。目前的技術(shù)還是以單人識別的模式，未來在某些應(yīng)用場景下需要多人識別的技術(shù)，這也是創(chuàng)業(yè)的機會所在。

　　從硬件本身來說，麥克風的小型化、低功耗、低成本也是重要的發(fā)展方向。在小型化方面，MEMS的麥克風技術(shù)迎合了這種發(fā)展趨勢，目前樓氏占據(jù)了全球MEMS麥克風市場的最大市場份額。

　　據(jù)樓氏透露，其2015年全年的出貨量接近16億顆。但IHS分析指出，由于Goertek、意法半導(dǎo)體與瑞聲科技都在快速增長。除了麥克風本身的小型化，麥克風陣列的小型化也是重要的方向，麥克風陣列受制于半波長理論的限制，現(xiàn)在的口徑還是較大，聲智科技現(xiàn)在可以做到2cm-8cm的間距，但是結(jié)構(gòu)布局仍然還是限制了ID設(shè)計的自由性。

　　很多產(chǎn)品采用2個麥克風其實并非成本問題，而是ID設(shè)計的考慮。在低功耗方面，據(jù)樓氏智能語音硬件負責人介紹，他們將聲學(xué)活動檢測(Acoustic Activity Detector，AAD)單元放到了麥克風里面，實現(xiàn)一個自適應(yīng)的實時監(jiān)聽模式，這種方式能夠使整個系統(tǒng)節(jié)能70%。而另一家聲學(xué)傳感器開發(fā)商Vesper，近日推出了首款商用靜態(tài)傳感MEMS器件，使聲學(xué)事件監(jiān)測器件實現(xiàn)幾乎零功耗。當處于監(jiān)聽模式時，Vesper最新的壓電式MEMS麥克風VM1010所需功耗僅為3?A。當然這是與芯片的DSP模塊、語音接口和關(guān)鍵詞檢測算法等相結(jié)合，才實現(xiàn)了最低功耗的遠場監(jiān)聽效果。

　　就麥克風陣列的低成本而言，除了芯片本身降低成本之外，還需要從麥克風陣列整個結(jié)構(gòu)和系統(tǒng)去考慮，包括器件、芯片、算法和云端。在這方面還有很多的改進空間，也是機會所在。

　　就處理芯片來說，亞馬遜和Google都是采用常規(guī)的多媒體處理芯片，里面有audio codec的DSP IP。這里需要提到的是喚醒技術(shù)，即主芯片在大部分時間里保持休眠狀態(tài)，當聽到特定詞，如“OkWatch”后觸發(fā)CPU及后臺系統(tǒng)的開啟。在這方面做得比較好的是Sensory，這一塊也是比較好的創(chuàng)業(yè)方向。新的趨勢可能是在處理芯片里面嵌入深度神經(jīng)網(wǎng)絡(luò)，如去年樓氏并購了語音解決方案供應(yīng)商Audience后，為樓氏帶來幾項重要的技術(shù)，其中就包括通過深度神經(jīng)網(wǎng)絡(luò)(DNN)的基于機器學(xué)習的語音識別，我們希望早日看到這類芯片的出貨。

　　當然對于芯片而言還有一個方面是做更高的集成度，包括集成WiFi/BT、DSP、audio Codec的SoC單芯片，我們也看到基于WiFi/BT的Combo芯片，帶Corex M3/M4，若再加上audio Codec，就是單芯片的方案。當然這里的前提是有足夠的量做為支撐。

　　就算法而言，語音識別在2010年卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用之后，準確率大幅提升，已經(jīng)在C端、B端得到了廣泛應(yīng)用。當前語音識別技術(shù)的主流算法，主要有基于參數(shù)模型的隱馬爾可夫模型(HMM)模型和混合高斯模型(HMM-GMM)的方法、基于HMM和深度網(wǎng)絡(luò)(HMM-DNN)和長短時記憶網(wǎng)絡(luò)LSTM等語音建模方法。語音識別整個過程包含語音信號增強、靜音檢測、聲學(xué)特征提取、聲學(xué)和語音模型計算、解碼等多個環(huán)節(jié)。由于語音信號的多樣性和復(fù)雜性，系統(tǒng)只能在一定限制條件下才能獲得滿意效果。在真實使用場景中，考慮到遠場、方言、噪音、斷句等問題，準確率會大打折扣。

　　目前業(yè)內(nèi)普遍宣稱的97%識別準確率，更多的是人工測評結(jié)果，只在安靜室內(nèi)的進場識別中才能實現(xiàn)。按照微軟首席研究員俞棟的看法，需要在幾個方面做改進，包括進一步提升在遠場識別尤其是有人聲干擾情況下的識別率;提供更好的識別算法，一個方面是能不能更簡單，另一方面尋找一些特殊的網(wǎng)絡(luò)結(jié)構(gòu)放到模型里面，以提升性能;還有一個方向是快速自適應(yīng)的方法，快速的不需要人工干預(yù)的自適應(yīng)方法(unsupervised adaptation)。但我始終覺得，單靠算法不足以形成足夠持續(xù)的競爭力，特別是越來越多的算法會走向開源，需要與數(shù)據(jù)、硬件以及好的商業(yè)模式相結(jié)合。

　　剛才提到的都是基于某個點的優(yōu)化，無論是麥克風陣列、芯片化還是算法，都是需要很高的技術(shù)作為支撐。但作為創(chuàng)業(yè)公司來說，都是根據(jù)自己的資源，結(jié)合當前產(chǎn)業(yè)鏈的現(xiàn)狀以及趨勢，找到自己能立足的地方。針對當前很多巨頭都在關(guān)注智能語音領(lǐng)域，他們必定花費大量的資源投入其中，作為創(chuàng)業(yè)企業(yè)，如果能借助這些資源，找到自己在細分市場的發(fā)展空間，也是不錯的選擇。

　　如Linkplay在推廣Alexa業(yè)務(wù)中扮演第三方中間商的角色，為硬件廠商提供Alexa接入語音服務(wù)與授權(quán)渠道，幫助廠商快速實現(xiàn)Alexa相關(guān)功能;篩選品牌，協(xié)助亞馬遜做好認證工作，保證用戶體驗Alexa服務(wù)的一致性和標準化，這是基于中國有大量的硬件廠商，而最終客戶往往都是海外的考慮，公司找到了這樣的機會。雖然這涉及到過渡依賴的問題，但是有其存在的意義和發(fā)展的空間的，企業(yè)也可以在服務(wù)方面打造自己持續(xù)的競爭力。

　　還有一種創(chuàng)業(yè)模式是平臺型的模式，這里說的模式不是只是基于語音的云管端模式，而是把語音作為其中的一部分，甚至語音不是最重要的部分，同時服務(wù)于不同的客戶。

　　一個例子如迪韻科技，可以在物聯(lián)網(wǎng)音視頻領(lǐng)域提供一站式解決方案，其Mediawin平臺為傳統(tǒng)行業(yè)以及硬件企業(yè)提供“耳朵”和“眼鏡”方案。Mediawin方案平臺整合了多方面的資源，比如與多家聲學(xué)器件廠商合作定制了麥克風、喇叭等聲學(xué)器件;與專業(yè)芯片廠商合作開發(fā)了深度優(yōu)化的音頻處理算法;與語音識別方案商合作提升語音識別的準確率;接入第三方的平臺提供更多的音視頻應(yīng)用功能等。

　　根據(jù)客戶的不同需求，比如白牌企業(yè)可能需要完整的音視頻解決方案、大企業(yè)可能僅需要底層處理算法支持、方案商需要整合專業(yè)的處理算法+云平臺資源等，提供定制化的軟硬件方案服務(wù)。在設(shè)備端，Mediawin平臺針對各種嵌入式產(chǎn)品，擁有完善的硬件解決方案，比如專業(yè)的音腔設(shè)計、音視頻器件選型、聲學(xué)場景優(yōu)化、音視頻模組等，能幫助企業(yè)簡化6大音視頻開發(fā)難題。相對于亞馬遜Alexa以及Linkplay的組合，迪韻提供了更完整和多樣化的方案路徑。當然這種模式能做多大尚需考證。