語音助理和集成正在大多數(shù)產(chǎn)品,電器和技術引入市場。盡管如此,這些有用的語音助手總是在聽激活/警訊,這通常會使用很大的力量,這并不是什么秘密。在科技發(fā)展迅速的世界里,必須考慮它對能源消費的影響。

本文提供了使用語音活動檢測(VAD)的低功耗、始終在語音命令系統(tǒng)的設計考慮。它探討了在選擇創(chuàng)建易于使用的高能效語音用戶界面(VUI)所需的組件時的權衡和考慮。

VAD功能在聽一個警醒詞之前檢測到環(huán)境中的人類聲音,這意味著當沒有人在家時,你的語音助理不會浪費不必要的精力。據(jù)估計,全世界有42億名數(shù)字語音助理,預計到2024年將增加一倍。將這一技術應用到語音助理軟件和其他依靠語音集成的產(chǎn)品中,將大大降低使用語音助理的人的能源消耗。

有幾個硬件架構來實現(xiàn)V只能系統(tǒng)。一般來說,典型的語音用戶界面實現(xiàn)包括麥克風,或者是一個麥克風,或者是一個麥克風陣列連接到一個音頻處理器,用于捕獲和處理語音。

傳入的音頻流可以在邊緣音頻邊緣處理器、內置音頻邊緣處理器的智能麥克風或標準應用處理器(AP)上進行處理。邊緣音頻處理器被優(yōu)化為低功率和低延遲的音頻信號處理。除了提供專門的處理輸入音頻,邊緣音頻處理器也可以用于后處理音頻輸出信號。如果VAI系統(tǒng)是云連接的,那么音頻邊緣處理器也可以通過具有無線連接的主系統(tǒng)芯片與云連接接口進行通信。本文介紹了VII系統(tǒng)的兩種不同實現(xiàn),以及它們各自的權衡。

超低功率VAD(語音活動檢測)

圖1所示的架構支持超低功率VII,使用模擬信號路徑,包括模擬麥克風和模擬比較器,以提供一個尾波觸發(fā)器。當聲音活動被檢測到時,模擬信號鏈會產(chǎn)生一個中斷來喚醒音頻處理器,以獲取聲音。該設備還可以包括一個"推到說話"功能,即用戶按下按鈕喚醒音頻處理器。

圖1超低功耗,無前滾緩沖的遠程控制用的一直在VAI硬件信號鏈上。

模擬尾音麥克風必須總是聽環(huán)境,因此這個麥克風,連同比較器,必須消耗很少的功率。一個高效率的音頻處理器的例子是,在其最簡單的覺醒觸發(fā)模式下,功率消耗不到1兆瓦,高級音頻處理的1mb內存是諾爾斯I8201。盡管圖1所示的方法為遠程控制和可穿戴設備中的永遠的VI提供了一種簡單的低功率AAD(聲學活動檢測)方法,但它有其局限性。這個實現(xiàn)喚醒了音頻處理器的任何聲音信號,可以導致高整體系統(tǒng)功率消耗在吵鬧的情況下。同時,語音用戶界面系統(tǒng)是云連接的要求音頻數(shù)據(jù)在一個時期之前,要捕獲,以提高準確性的叫醒字檢測。這通常被稱為預卷,并且是一個必須有的要求,由亞歷山大啟用的設備和其他智能揚聲器設備。

圖2支持智能揚聲器等設備的預滾緩沖的架構。

圖2顯示了支持智能揚聲器等設備預滾緩沖的架構。這些設備通常有更大的電池和/或可能沒有一個電池的多個月的電池壽命要求。VUI系統(tǒng)一直在運行,傾聽環(huán)境并在循環(huán)緩沖區(qū)中預先記錄。預卷的長度一般為500毫秒的音頻數(shù)據(jù),用來校準環(huán)境噪聲水平。

有幾種不同的方法來設計始終如一的前端架構。音頻處理器的選擇取決于使用的麥克風的數(shù)量,以及它們是模擬的還是數(shù)字的。

上面所示的架構使用了一個用于語音活動檢測的諾爾斯a611,用于波束形成的Sph055m4h1-康奈爾數(shù)字麥克風,以及用于音頻處理的諾爾斯a8201。如下面一節(jié)所討論的那樣,諾爾斯?a611是一個為系統(tǒng)設計者提供好處的智能麥克風。

麥克風選擇

對于圖1所示的架構,單個模擬麥克風和比較器被用作觸發(fā)器輸入,以便在檢測到聲音活動時喚醒音頻處理器。它應該是一個低功率的模擬麥克風,信噪比最好高于62分貝。諾爾斯西塞尼MEMS麥克風組合提供了幾個選擇的尾音麥克風。例如,SPV1840LR5H-B卡斯卡德模擬麥克風是一個很好的選擇,當打開時,只需45英寸。一直在模擬路徑,包括一個麥克風,放大器和比較器,消耗不到67兆a。市場上有很低的、無間斷電源(10-OMA)的壓電麥克風,但它們的信噪比通常很低,這可能會影響系統(tǒng)性能。

對于圖2所示的預滾緩沖功能架構,帶有嵌入式音頻處理器和充足內存的麥克風,可以在2秒鐘的循環(huán)緩沖區(qū)中連續(xù)捕捉語音數(shù)據(jù),如諾爾斯Ia611,是連續(xù)語音活動檢測的可行選擇。它還伴隨著一個移植語音觸發(fā)器和命令的生態(tài)系統(tǒng),比如亞馬遜的阿列克莎。當關鍵字被檢測到時,預先滾動緩沖區(qū)和發(fā)出的語音音頻都被發(fā)送到云自動語音識別(ASR)引擎。在像藍牙揚聲器這樣的電池操作設備中,iaa611一直保持著0.39ma@電池1.8V的語音喚醒功率和90%的效率,這使它成為語音用戶界面的一個很好的選擇。該設備還接受來自數(shù)碼麥克風的PDM輸入,并可用于支持波束形成的主機bt-soc處理器,通過通過音頻一旦系統(tǒng)醒來。

雖然對于預卷應用程序來說,這種一直使用的電源是可以接受的,但是對于非預卷架構來說,也值得考慮,如圖1所示。如前所述,模擬尾音麥克風將觸發(fā)任何傳入的聲音并打開音頻處理器。在吵鬧的環(huán)境中,這可能是個問題,比如當電視打開的時候,會有許多錯誤的醒來導致嚴重的權力浪費。如果使用語音活動檢測代替低功率模擬尾音麥克風,系統(tǒng)只在檢測到一個關鍵詞時才打開。從邏輯上講,為什么使用語音活動檢測麥克風比簡單的模擬尾音麥克風在噪音環(huán)境下更有效。

圖3顯示了模擬數(shù)據(jù),這些數(shù)據(jù)比較了一個典型的電視遙控器使用VAD的VAD611的電池壽命天數(shù)。一個競爭性的壓電低功率AAD麥克風和一個音頻處理器,在不同的時間聲活動的時間。當電視機或其他家用電器打開時,或在有閑言碎語的其他情況下,可以出現(xiàn)聲學活動。如圖3所示,在大約3小時內有一個交叉點,使用模擬AAD在競爭對手的麥克風上相對于IAA611上的語音活動檢測的功率優(yōu)勢就消失了。

在5小時的聲活動,語音活動檢測解決方案提供了8天額外的電池壽命比競爭的基于AAD的解決方案。把這個優(yōu)勢放在背景之下,美國。根據(jù)2017年發(fā)表的尼爾森研究報告,成年人每天看近八小時的電視。隨著對互聯(lián)網(wǎng)連接設備(如智能電視、游戲機和其他多媒體設備)的需求不斷增加,美國典型的聲學活動時間越來越長。家庭也可能繼續(xù)增長。使用基于智能VAD的喚醒將有助于系統(tǒng)設計人員開發(fā)更高效的V只能系統(tǒng)。

圖3VAD與AAD的遙控電池壽命。

結論

從智能家居,好客,數(shù)字工作場所,語音支付,智能能源管理,語音邊緣和醫(yī)療保健,一直到工業(yè)化的應用,改變工廠地板,語音增加了靈活性,效率,可持續(xù)性,以及新技術的采用接受。

設計語音用戶界面的各種硬件架構,以及麥克風部分,根據(jù)終端設備的應用程序和設計者的偏好,每個都有略微不同的需求;例如,啟用亞歷克的設備和智能揚聲器都需要一個預滾緩沖功能架構。

重要的是,電子工程師和設計師要仔細評估終端設備將如何利用語音、他們希望訪問的能力,并從那里確定正確的架構和麥克風組件。