根據 ReportLinker的預測，到2024年，全球智能語音市場規(guī)模將躍升到215億美元，而在當中AI語音芯片就扮演了一個關鍵角色。不同于過往的芯片只考慮PPA，開發(fā)者在選擇語音芯片的時候更多是考慮其體驗，但這是很多過往的硬件解決方案所不具備的。這就吸引了眾多傳統廠商或者初創(chuàng)企業(yè)開始紛紛涌入AI語音芯片這個賽道，用MCU、DSP或者ASIC的方案來解決現有，有些廠商甚至還推出了顛覆傳統的新架構去搶占市場。

但在行業(yè)專家看來，這些方案或多或少都存在一些問題。要了解這一點，就必須從語音識別行業(yè)的一些現狀說起。

語音識別面臨的幾大挑戰(zhàn)

以智能音箱為例，現在的語音識別產品在廠商的智能家居規(guī)劃藍圖中是扮演一個人與機器交流的橋梁，那在實際應用中就要求音箱能夠聽得到人說的話，同時還要求它聽得清晰和聽得準。這就提出了第一個挑戰(zhàn)——那就是信噪比。

所謂信噪比，就是目標信號與干擾信號強度比值的對數，我們需要一定的信噪比，才能讓機器聽得清楚。但根據聲音的傳播特性，它在空氣中衰減會非常大，但人在與智能音箱交流的過程中，可能會處在不同的位置和距離。這就給相關的方案提供商提出了一個難題，這也是語音識別所面臨的最大挑戰(zhàn)。

第二個問題是非穩(wěn)態(tài)的噪聲影響。如果我們面對的是規(guī)律的噪聲，應對的辦法無疑會簡單很多。但在實際的使用環(huán)境中，我們經常會面對的是帶有突發(fā)性和不可預見性的噪音，這給供應商也帶來了不小的挑戰(zhàn)。

第三，多聲源的問題。智能音箱在使用的過程中，只會聽從一個聲源的指令，但在人機交流的過程中，必然會出現干擾源。如何處理這個干擾的問題，也困擾著相關供應商和開發(fā)者。

而其實面對這些問題，產業(yè)鏈已經想了不少應對之法。例如麥克風陣列、波束成形和降噪的引入，更強的人工智能芯片加持，但這依然沒有能徹底解決問題。

如上圖所示，在傳統方案中，系統最后識別的信號是在波束成形之后做的，因為波束成形依賴于聲源定位(即DOA)，但DOA一般用單MIC信號來做檢測。換而言之，我們這樣設計的目的原本是為了提升喚醒率和識別率，但依賴于單MIC信號的檢測之后，兩者之間就存在相互依賴的關系，這就會給設備的喚醒率造成影響。

其次，傳統方案里面有多個模塊和多個環(huán)節(jié)，但他們并不都是以降低識別率為優(yōu)化目標，這就讓降噪、信號增強和最后的識別可能會出現不適配的情況，使得系統雖然降了噪，但沒有得到想要的識別率的提升。

再者，傳統的流程對硬件要求非常高，對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)能會導致大家在實驗室和在量產線上取得不同的結果。量產場景下的識別率非常差。這主要與波束成形和聲源定位要求高，一旦出現波動會影響識別效果有關。

此外，波束成形算法原理是增強設定波束內的信號強度，衰減波束外的信號幅度。那就意味著當干擾聲源和目標聲源方向非常接近的時候，信號和噪聲是會同時增強，這是傳統波束成形算法也不能解決的問題。

單從芯片的角度看，也有不少的困難要面對。如算力問題、馮諾依曼架構帶來的內存墻問題，還有基于浮點訓練出來的模型與定點推理之間的不匹配引致的重新訓練和精度丟失等問題。其他如對神經網絡支持不夠、功耗過高和開發(fā)復雜等也是當下很多語音識別芯片的掣肘所在。

市場渴求更好的解決方案。