轉(zhuǎn)載自與非網(wǎng)
語音AI芯片,顧名思義是處理語音的AI芯片。很多人第一次接觸語音AI芯片可能是天貓精靈、小愛同學(xué)和小度等智能音箱產(chǎn)品,因?yàn)樵谶@些產(chǎn)品中,我們可以體驗(yàn)到智能語音的交互,而語音AI芯片是智能語音交互的基礎(chǔ)和核心。
都說這幾年AI芯片賽道很火,事實(shí)上語音識(shí)別、自然語義理解(NLP)和機(jī)器學(xué)習(xí)在AI技術(shù)中占據(jù)重要的位置,是人機(jī)交互的基礎(chǔ),而前兩項(xiàng)均與語音識(shí)別相關(guān),這是因?yàn)檎Z音識(shí)別不僅方便,而且是人機(jī)交互中最符合人類日常交流形態(tài)的一種技術(shù),目前已經(jīng)在智能家居和車載場(chǎng)景得到普遍應(yīng)用。
為何語音識(shí)別要從云端搬至終端?
說到語音識(shí)別技術(shù),還要追溯到2010年左右,當(dāng)時(shí)以神經(jīng)網(wǎng)絡(luò)為代表的AI技術(shù)使得智能語音識(shí)別成為可能,并在后來的IoT和AIoT產(chǎn)業(yè)浪潮中不斷走向成熟。
早期的智能語音識(shí)別受限于算力要求,終端沒有專用的芯片可以解決算力和功耗成本的均衡問題,無法在終端處理智能語音識(shí)別,而云端處理又憑借天然自帶內(nèi)容和服務(wù),模型可以快速迭代,數(shù)據(jù)收集和訓(xùn)練非常方便等優(yōu)勢(shì),決定了當(dāng)時(shí)的語音識(shí)別大都是布置在云端的。
然而,云端的語音識(shí)別也有弊端,比如無法做到穩(wěn)定的實(shí)時(shí)響應(yīng),網(wǎng)絡(luò)崩潰時(shí)更是響應(yīng)無門;重要的信息都要通過網(wǎng)絡(luò)傳輸,有被攻擊泄露的風(fēng)險(xiǎn),無法保障用戶隱私安全;此外在成本方面也不具優(yōu)勢(shì),除了持續(xù)的帶寬消耗外,云端語音需要后臺(tái)不間斷的運(yùn)行大量服務(wù)器來做語音處理,服務(wù)器的購置、后續(xù)的硬件更換和軟件運(yùn)維、人力費(fèi)用和電費(fèi)場(chǎng)地費(fèi)等都非常昂貴。
圖 | 為什么選擇離線語音
面對(duì)云端語音的優(yōu)劣勢(shì),以啟英泰倫為代表的企業(yè)開始投入對(duì)端側(cè)語音識(shí)別的研究。不過,我們知道光有需求點(diǎn)還支撐不起一個(gè)新產(chǎn)業(yè)的崛起,要養(yǎng)活一個(gè)產(chǎn)業(yè)需要足夠的市場(chǎng)容量,實(shí)現(xiàn)資金的活流,才能有利于產(chǎn)品的不斷迭代,形成正向循環(huán)。
根據(jù)艾瑞咨詢發(fā)布數(shù)據(jù)顯示,2020年中國物聯(lián)網(wǎng)設(shè)備連接量達(dá)74億個(gè),預(yù)計(jì)2025年將突破150億個(gè)。而麥肯錫則用更動(dòng)態(tài)的數(shù)據(jù)表示出了物聯(lián)網(wǎng)的增長(zhǎng)率,預(yù)估目前每秒大約有127臺(tái)設(shè)備連接到互聯(lián)網(wǎng)。
然而,面對(duì)當(dāng)前物聯(lián)網(wǎng)的聯(lián)網(wǎng)量,華為給出了另一個(gè)數(shù)據(jù):當(dāng)前大部分具備物聯(lián)能力的消費(fèi)類設(shè)備只有 5% ~ 20% 的聯(lián)接激活率。這是為什么呢?究其原因,還是操作交互太過于復(fù)雜。而解決這個(gè)復(fù)雜問題的方法就是加入更多“老少皆宜”的語音配合IoT連接。
有行業(yè)內(nèi)人士預(yù)測(cè),語音AI芯片將會(huì)快速發(fā)展到5-10億顆/年左右的市場(chǎng)規(guī)模,隨著應(yīng)用面的不斷拓寬和滲透率的不斷提升,該規(guī)模還將持續(xù)不斷地提升。
綜上,不管是場(chǎng)景需求還是市場(chǎng)容量,都在推動(dòng)端側(cè)語音識(shí)別的落地。但如何落地?不是一蹴而就的。
端側(cè)語音識(shí)別芯片的三個(gè)發(fā)展階段
語音識(shí)別面臨的挑戰(zhàn)和圖像識(shí)別不同,它對(duì)算力要求沒那么高,但對(duì)算法的要求很高。啟英泰倫創(chuàng)始人兼CEO何云鵬告訴與非網(wǎng):“這是因?yàn)檎Z音識(shí)別的應(yīng)用場(chǎng)景非常多,所以各種噪聲就非常多樣,有穩(wěn)態(tài)噪聲,也有非穩(wěn)態(tài)噪聲,要在這些環(huán)境中進(jìn)行高準(zhǔn)確率的語音識(shí)別是非常困難的。所以,必須掌握智能語音算法全鏈條技術(shù)才能實(shí)現(xiàn)更好的語音識(shí)別,包括智能語音信號(hào)前端降噪處理、語音智能識(shí)別、語音合成、語音解碼、語音大數(shù)據(jù)處理及訓(xùn)練、NLP等技術(shù)。”
當(dāng)然,語音識(shí)別技術(shù)在國內(nèi)的發(fā)展也是在不斷迭代中變得更加準(zhǔn)確和靈活。我們以啟英泰倫的三代自研技術(shù)平臺(tái)BNPU(腦神經(jīng)網(wǎng)絡(luò)處理器),來簡(jiǎn)單概括端側(cè)語音AI芯片的這三個(gè)發(fā)展階段。
圖 | 啟英泰倫在語音AI芯片上的創(chuàng)新
階段一:語音識(shí)別功能
第一代BNPU芯片實(shí)現(xiàn)的是端側(cè)語音識(shí)別,是行業(yè)首款集成神經(jīng)網(wǎng)絡(luò)處理器的語音AI芯片,也是離線語音產(chǎn)業(yè)應(yīng)用興起的標(biāo)志。
從集成度的角度來看,BNPU 1.0的方案相對(duì)分立,方案價(jià)格大約在50到90元左右(CI1006)。
階段二:離線聲紋識(shí)別+命令詞自學(xué)習(xí)
第二代BNPU芯片(CI1102/CI1103和CI1122),不僅實(shí)現(xiàn)了離線語音識(shí)別功能,還能實(shí)現(xiàn)離線聲紋識(shí)別和命令詞自學(xué)習(xí)等個(gè)性化的功能。在應(yīng)用上,可以根據(jù)不同人的聲紋實(shí)現(xiàn)基于用戶個(gè)性喜好的功能配置,并能通過離線命令詞的自學(xué)習(xí)實(shí)現(xiàn)在輕度噪聲下的地方口音和方言的識(shí)別。
從集成度的角度來看,BNPU 2.0集成了Audio CODEC、Flash 等單元,以及雙麥陣增強(qiáng)處理能力,方案價(jià)格大約在15到25元左右。
階段三:深度降噪+深度分離+命令詞自學(xué)習(xí)2.0+離線NLP
第三代BNPU芯片,除了繼承第二代的語音識(shí)別、聲紋識(shí)別外,還支持了基于深度學(xué)習(xí)的降噪技術(shù)(深度降噪)、人聲分離技術(shù)(深度分離)、命令詞自學(xué)習(xí)2.0版本技術(shù),以及行業(yè)首次突破性的離線NLP技術(shù)。在應(yīng)用上,CI1301可以實(shí)現(xiàn)中等噪聲中的語音識(shí)別,而CI1302、CI1303、CI1306和CI1312則可實(shí)現(xiàn)強(qiáng)噪聲環(huán)境下的語音識(shí)別,比如當(dāng)油煙機(jī)噪聲高達(dá)80dB時(shí),對(duì)于70多dB的人聲依然可以良好識(shí)別。
從集成度的角度來看,BNPU 3.0不僅集成了Audio Codec的模擬 MIC接口、數(shù)字PDM麥克的DMIC接口、通用的ADC和MCU常見的串口、PWM、GPIO等接口,還進(jìn)一步集成了 4線Nor Flash、3路LDO的PMU和高精度的RC振蕩器等,方案價(jià)格約10元左右。
對(duì)于三代產(chǎn)品的方案價(jià)格一代更比一代低的疑問,何云鵬表示:“很多人認(rèn)為離線語音在端側(cè)、數(shù)據(jù)處理、語音識(shí)別和存儲(chǔ)會(huì)產(chǎn)生很多的成本,實(shí)則云上的成本是持續(xù)的,傳輸?shù)某杀臼情L(zhǎng)時(shí)間的,這個(gè)成本可以避免;此外,云端早期建設(shè)的成本很高,很多廠家會(huì)建不起,還有每年運(yùn)營(yíng)的成本,每臺(tái)設(shè)備每年10多元,這個(gè)費(fèi)用在賣設(shè)備的時(shí)候廠商會(huì)包兩年,但后面就要客戶自己付費(fèi),所以不太公平。而隨著摩爾定律的發(fā)展,端側(cè)語音識(shí)別方案的整體成本已呈現(xiàn)30%的速率下降,已經(jīng)達(dá)到了一個(gè)通用MCU的成本。”
除了價(jià)格以外,更值得一提的是,原本被認(rèn)為只有云端才能實(shí)現(xiàn)的NLP,現(xiàn)在輕量級(jí)的NLP在端側(cè)智能語音芯片中也實(shí)現(xiàn)了,并且既保障了用戶的體驗(yàn)感,又能降低云端搭建和運(yùn)營(yíng)成本,降低網(wǎng)絡(luò)帶寬消耗,也能提升用戶使用的安全性。
端云融合才是語音AI芯片的最終歸宿
當(dāng)然,說云端搬到端側(cè),實(shí)際上在很多場(chǎng)景下端側(cè)和云端不是非此即彼的關(guān)系,從長(zhǎng)期來看,端側(cè)和云端是相互融合、相輔相成的關(guān)系。
隨著端側(cè)語音芯片功能、性能、可靠性變得越來越強(qiáng)大,價(jià)格越來越低,端側(cè)語音識(shí)別將實(shí)現(xiàn)可靠性、隱私保護(hù)、成本和靈活性等多方面的優(yōu)勢(shì),再加上集成聯(lián)網(wǎng)功能可實(shí)現(xiàn)AIOT,從而實(shí)現(xiàn)大數(shù)據(jù)爆發(fā)時(shí)代下的有效數(shù)據(jù)分析和場(chǎng)景利用。
以空調(diào)為例,傳統(tǒng)的空調(diào)大都只有調(diào)溫的功能,但在差異化競(jìng)爭(zhēng)的今天,大廠空調(diào)正在往機(jī)器人的方向發(fā)展,可以提供更多智慧化的服務(wù),比如調(diào)整空氣的溫濕度、清新程度、含氧量、PM 2.5值,以及在早晨起床時(shí)放音樂營(yíng)造氛圍、營(yíng)養(yǎng)咨詢等。而這些服務(wù)的基礎(chǔ)是語音交互,并且一定是延遲更低、工作更穩(wěn)定的端側(cè)語音識(shí)別,而背后的服務(wù)交易、用戶的習(xí)慣大數(shù)據(jù)等則更適合放在云端,達(dá)到協(xié)同的效果。
寫在最后
國內(nèi)語音AI芯片正呈現(xiàn)出爆發(fā)式增長(zhǎng)的趨勢(shì),誰將成為領(lǐng)頭者?何云鵬表示:“該市場(chǎng)領(lǐng)域未來發(fā)展壯大后,會(huì)呈現(xiàn)典型的頭部領(lǐng)先市場(chǎng)通吃的局面。而啟英泰倫在語料數(shù)據(jù)、算法模型、芯片架構(gòu)、AI開發(fā)平臺(tái)及應(yīng)用方案落地等多維度的迭代已經(jīng)產(chǎn)生了馬太效應(yīng)。經(jīng)過長(zhǎng)達(dá)近7年的發(fā)展后,啟英泰倫已經(jīng)積累了B端客戶超過5000名,平臺(tái)開發(fā)者超過1萬名,使用啟英泰倫智能語音平臺(tái)的在校AI學(xué)員則超過10萬名。如今,整個(gè)離線語音行業(yè)快速發(fā)展,年內(nèi)裝機(jī)量將突破2000萬臺(tái),未來兩年,年出貨將朝著1億臺(tái)邁進(jìn)。”
-
AI
+關(guān)注
關(guān)注
87文章
30763瀏覽量
268908
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論