在人機(jī)交互領(lǐng)域渔伯，語(yǔ)音是最自然的交互方式顶霞，完整的語(yǔ)音系統(tǒng)涉及到人聲喚醒、語(yǔ)音識(shí)別锣吼、語(yǔ)義分析选浑、邏輯判斷、信息回饋玄叠、語(yǔ)音合成鲜侥，以及機(jī)器的麥克風(fēng)陣列、音頻編解碼诸典、應(yīng)用處理器等描函，從軟件到硬件的方方面面。

對(duì)于用戶來(lái)說(shuō)狐粱，通過(guò)額外的操作喚醒語(yǔ)音設(shè)備的方式顯得多此一舉舀寓，未來(lái)的語(yǔ)音設(shè)備必定是全天候 24 小時(shí)在線，隨時(shí)隨地聆聽(tīng)肌蜻，等待用戶的喚醒互墓。

在深圳灣舉辦的「WARE 2017 語(yǔ)音智能平臺(tái)與應(yīng)用峰會(huì)」中，瑞聲科技高級(jí)研發(fā)工程師張金宇從語(yǔ)音交互的硬件基礎(chǔ)上進(jìn)行分享和交流蒋搜，和在場(chǎng)的觀眾共同探討語(yǔ)音技術(shù)未來(lái)的發(fā)展趨勢(shì)篡撵。

以下來(lái)自張金宇在「WARE 2017 語(yǔ)音智能平臺(tái)與應(yīng)用峰會(huì)」的演講整理。

語(yǔ)音技術(shù)應(yīng)該「隨時(shí)隨地」豆挽，并且「自然而然」

人機(jī)交互分三類育谬，首先是視覺(jué)交互，它的特點(diǎn)是豐富帮哈、沉浸膛檀，比如在一些游戲和娛樂(lè)領(lǐng)域的應(yīng)用，因?yàn)樗軌蛱峁┳銐蜇S富的信息量娘侍，給用戶展現(xiàn)具有沖擊力的畫面咖刃，3D 眼鏡和體感操控的浪潮更是把沉浸式的視覺(jué)體驗(yàn)推到了一個(gè)極致。第二是觸覺(jué)的交互憾筏，包括鍵盤嚎杨、觸屏，這種交互方式應(yīng)用于對(duì)操作精準(zhǔn)度要求更高的場(chǎng)合氧腰，比如日常辦公枫浙、設(shè)計(jì)領(lǐng)域刨肃。第三是語(yǔ)音，語(yǔ)音交互一個(gè)很重要的市場(chǎng)是家居和生活領(lǐng)域自脯，其特點(diǎn)是自然開(kāi)放之景，隨時(shí)隨地工作，給我們輕松便利的反饋和信息支持膏潮。

語(yǔ)音是一個(gè)很開(kāi)放的東西锻狗，在機(jī)器對(duì)話中，我們希望機(jī)器人不僅僅是菜單式的選擇焕参，而是能夠結(jié)合上下文進(jìn)行理解轻纪，然后做出有效的回應(yīng)，這也是語(yǔ)音技術(shù)的一個(gè)難點(diǎn)叠纷。在生活中刻帚，語(yǔ)音可以解放我們的雙眼和雙手，把「智能」放到幕后涩嚣，不再讓「智能」成為生活的負(fù)擔(dān)崇众，而是隱藏在背后的，稱職的助手航厚。

對(duì)于家里的老人和小孩來(lái)說(shuō)顷歌，他們不容易掌握最酷炫的技術(shù)，也常常不喜歡去操作功能復(fù)雜的智能家電幔睬。我們能不能為他們做些什么呢眯漩？語(yǔ)音技術(shù)是一個(gè)天然的、低學(xué)習(xí)成本的交互方式麻顶，隨著語(yǔ)音交互技術(shù)的成熟赦抖，我們讓這些人群更好地享受智能設(shè)備帶來(lái)的便捷。

所以辅肾，一個(gè)語(yǔ)音助手队萤，它應(yīng)該做到的是自然而然，隨時(shí)隨地宛瞄。隨著技術(shù)臻于成熟和精致浮禾，讓它學(xué)著理解我們既有的語(yǔ)言習(xí)慣，不需要我們懂它份汗。這樣，「智能」才能真正的深入到人們的生活蝴簇，而不是讓人「眼前一亮」的技術(shù)杯活。

功耗更低、體積更小熬词、成本更少的智能麥克風(fēng)

為了適應(yīng)智能交互的要求旁钧，我們希望語(yǔ)音系統(tǒng)可以 24 小時(shí)全天候工作吸重，你可以隨時(shí)給它一個(gè)信息，讓它喚醒一個(gè)設(shè)備歪今，然后讓它去識(shí)別嚎幸，這樣才適合我們生活的狀態(tài)，但是這樣做功耗太大寄猩。

為了解決這些問(wèn)題嫉晶，我們嘗試著先于市場(chǎng)邁出一小步，開(kāi)發(fā)了一款智能麥克風(fēng)田篇。這款智能麥克風(fēng)把語(yǔ)音喚醒功能集成在一塊芯片上替废，允許麥克風(fēng)外的整機(jī)處于休眠狀態(tài)，從而節(jié)省電量的消耗泊柬。當(dāng)用戶開(kāi)啟語(yǔ)音助手的時(shí)候椎镣，麥克風(fēng)會(huì)發(fā)出一個(gè)信號(hào)，喚醒需要開(kāi)啟的模塊兽赁。這款智能麥克風(fēng)最低可以做到低于 100 微瓦安的靜態(tài)功率状答，可以完成毫秒級(jí)的觸發(fā)動(dòng)作，真正地讓用戶擺脫了對(duì)功耗的顧慮刀崖。

除了功耗之外惊科，我們還希望它的體積足夠小，成本足夠低蒲跨，并可以適用于不同類型译断，不同應(yīng)用場(chǎng)景的設(shè)備。

我們開(kāi)發(fā)了 Analog AVD 技術(shù)或悲，用以區(qū)分人聲與環(huán)境噪聲孙咪，避免在嘈雜的環(huán)境下長(zhǎng)時(shí)間的處于喚醒狀態(tài)。我們引入了小體積巡语、低主頻翎蹈、低功耗的關(guān)鍵字識(shí)別單元，為更多的智能設(shè)備提供低門檻的語(yǔ)音控制方案男公。我們加入了壓電麥克風(fēng)的 wake on sound 功能棍掐，實(shí)現(xiàn)了接近零功耗的靜態(tài)模式烘苹。借助立體封裝技術(shù)，我們把這些功能封裝于數(shù)個(gè)毫米的極致空間之內(nèi)。

語(yǔ)音產(chǎn)品要結(jié)合不同的應(yīng)用場(chǎng)景和需求

防水與防塵已經(jīng)逐漸成為主流手機(jī)的標(biāo)準(zhǔn)配置〔⊥現(xiàn)有的雙層結(jié)構(gòu)的電容式 MEMS 麥克風(fēng)，當(dāng)水或者顆粒物進(jìn)入振膜和背極之間的間隙鞋邑，會(huì)引起致命的失效荚虚。目前主流的手機(jī)，比如 iPhone7 或者三星 S7速梗，均通過(guò)一層防水膜屏蔽異物的侵入肮塞，但僅僅用于防范正常使用中的意外進(jìn)水襟齿，并不能讓用戶自由地在有水或者沙塵環(huán)境下使用，也并不提供進(jìn)水的保修枕赵。瑞聲開(kāi)發(fā)的 MEMS 壓電麥克風(fēng)則是一個(gè)單層膜結(jié)構(gòu)猜欺，即使有少量的水或顆粒物進(jìn)入，對(duì)性能也幾乎不產(chǎn)生影響拷窜。這實(shí)現(xiàn)了由避免侵入到不懼侵入的跨越开皿。

隨著語(yǔ)音交互技術(shù)的不斷進(jìn)步和提升，音頻硬件和算法装黑、應(yīng)用端各自為戰(zhàn)的情形顯然是難以應(yīng)對(duì)市場(chǎng)的需要的副瀑。在這里，一方面恋谭，我希望能給大家?guī)?lái)一些聲學(xué)器件方面的視角糠睡，更重要的，也希望我們能在彼此交流中疚颊，碰撞出一些新的火花狈孔。

現(xiàn)場(chǎng)觀眾提問(wèn)

提問(wèn)：我想問(wèn)一下，把 AVD 放在 ADC 之前材义，目前這個(gè) AVD 是做到什么樣的水平均抽？它能夠識(shí)別關(guān)鍵詞，還是只能識(shí)別噪音其掂？ 它的記憶原理是什么油挥？

張金宇：它能識(shí)別一個(gè)穩(wěn)定的噪聲和一個(gè)突發(fā)的聲音。另外款熬，它識(shí)別人聲和其他的噪聲的成功率很高深寥，比如按喇叭的聲音，和人突然對(duì)它說(shuō)話的聲音贤牛。但是關(guān)鍵字的話 AVD 是做不到的惋鹅。

它的記憶不僅僅是頻譜，這是一個(gè)比較長(zhǎng)的技術(shù)發(fā)展過(guò)程殉簸。最初它是在數(shù)字端來(lái)實(shí)現(xiàn)的闰集，一個(gè)比較復(fù)雜的算法，不斷收集中文的般卑，英文的武鲁，它一些發(fā)音的特點(diǎn)積累下來(lái)形成一個(gè)算法，一個(gè)經(jīng)驗(yàn)庫(kù)蝠检，然后逐漸把它簡(jiǎn)化洞坑，可以在一個(gè)很低的功耗下來(lái)實(shí)現(xiàn)。

提問(wèn)：我們用怎樣客觀的方式去測(cè)試麥克風(fēng)陣列處理之后的結(jié)果蝇率？

張金宇：這應(yīng)該是取決于你具體適用的目的迟杂，取決于具體的功能。

提問(wèn)：瑞聲的麥克風(fēng)的有開(kāi)關(guān)功能本慕，這個(gè)開(kāi)關(guān)的限定是設(shè)定在什么位置比較合適排拷？

張金宇：現(xiàn)在有兩種模式，一種是自身用的模式锅尘，它靠它的芯片來(lái)判斷监氢，比如在地鐵里它會(huì)自動(dòng)調(diào)高，在會(huì)場(chǎng)上會(huì)降低藤违，在家里會(huì)降得更低浪腐。另外，它也可以是通過(guò)上位機(jī)顿乒，比如手機(jī)的 AP（應(yīng)用處理器）议街，或者是智能家居的 MCU 來(lái)控制。

后記：

在峰會(huì)后的講師晚餐中璧榄，我們和金宇聊到了智能麥克風(fēng)的應(yīng)用場(chǎng)景特漩，智能手機(jī)、智能家居骨杂、以及現(xiàn)在銷量已經(jīng)超過(guò) Apple Watch 的 AirPod 智能耳機(jī)涂身。我們能看到語(yǔ)音智能聊天手機(jī)未來(lái)可觀的終端增長(zhǎng)數(shù)量，也看到了脫離手機(jī)的語(yǔ)音喚醒的智能耳機(jī)搓蚪，對(duì)于麥克風(fēng)等硬件的挑戰(zhàn)蛤售。比如關(guān)鍵字識(shí)別需要的模塊略大，如果僅僅是 VAD 功能的妒潭，大約在 3.x mm * 2.x mm悴能，如果需要關(guān)鍵字觸發(fā)，就需要 4.x * 3mm杜耙。另外用不同 IC 工藝節(jié)點(diǎn)可以縮減尺寸搜骡，但是成本提高及比較多了。

我們期待上游廠商在硬件技術(shù)研發(fā)上的突破佑女，為下游應(yīng)用廠商帶來(lái)的豐富場(chǎng)景應(yīng)用機(jī)會(huì)记靡。