語(yǔ)音識(shí)別面臨的幾大挑戰(zhàn) 市場(chǎng)渴求更好的解決方案

因?yàn)橘Y本的涌入、智能家居的火熱和人工智能的崛起，市場(chǎng)對(duì)語(yǔ)音市場(chǎng)的關(guān)注度迅速提升。尤其是近年來隨著亞馬遜、谷歌、華為和BAT等廠商入局智能音箱，爭(zhēng)先押寶這個(gè)智能家居的關(guān)鍵入口之后，語(yǔ)音市場(chǎng)變得空前擁擠。

根據(jù) ReportLinker的預(yù)測(cè)，到2024年，全球智能語(yǔ)音市場(chǎng)規(guī)模將躍升到215億美元，而在當(dāng)中AI語(yǔ)音芯片就扮演了一個(gè)關(guān)鍵角色。不同于過往的芯片只考慮PPA，開發(fā)者在選擇語(yǔ)音芯片的時(shí)候更多是考慮其體驗(yàn)，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(tǒng)廠商或者初創(chuàng)企業(yè)開始紛紛涌入AI語(yǔ)音芯片這個(gè)賽道，用MCU、DSP或者ASIC的方案來解決現(xiàn)有，有些廠商甚至還推出了顛覆傳統(tǒng)的新架構(gòu)去搶占市場(chǎng)。

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(diǎn)，就必須從語(yǔ)音識(shí)別行業(yè)的一些現(xiàn)狀說起。

語(yǔ)音識(shí)別面臨的幾大挑戰(zhàn)

以智能音箱為例，現(xiàn)在的語(yǔ)音識(shí)別產(chǎn)品在廠商的智能家居規(guī)劃藍(lán)圖中是扮演一個(gè)人與機(jī)器交流的橋梁，那在實(shí)際應(yīng)用中就要求音箱能夠聽得到人說的話，同時(shí)還要求它聽得清晰和聽得準(zhǔn)。這就提出了第一個(gè)挑戰(zhàn)——那就是信噪比。

所謂信噪比，就是目標(biāo)信號(hào)與干擾信號(hào)強(qiáng)度比值的對(duì)數(shù)，我們需要一定的信噪比，才能讓機(jī)器聽得清楚。但根據(jù)聲音的傳播特性，它在空氣中衰減會(huì)非常大，但人在與智能音箱交流的過程中，可能會(huì)處在不同的位置和距離。這就給相關(guān)的方案提供商提出了一個(gè)難題，這也是語(yǔ)音識(shí)別所面臨的最大挑戰(zhàn)。

第二個(gè)問題是非穩(wěn)態(tài)的噪聲影響。如果我們面對(duì)的是規(guī)律的噪聲，應(yīng)對(duì)的辦法無疑會(huì)簡(jiǎn)單很多。但在實(shí)際的使用環(huán)境中，我們經(jīng)常會(huì)面對(duì)的是帶有突發(fā)性和不可預(yù)見性的噪音，這給供應(yīng)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(huì)聽從一個(gè)聲源的指令，但在人機(jī)交流的過程中，必然會(huì)出現(xiàn)干擾源。如何處理這個(gè)干擾的問題，也困擾著相關(guān)供應(yīng)商和開發(fā)者。

而其實(shí)面對(duì)這些問題，產(chǎn)業(yè)鏈已經(jīng)想了不少應(yīng)對(duì)之法。例如麥克風(fēng)陣列、波束成形和降噪的引入，更強(qiáng)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(tǒng)方案中，系統(tǒng)最后識(shí)別的信號(hào)是在波束成形之后做的，因?yàn)椴ㄊ尚我蕾囉诼曉炊ㄎ唬碊OA），但DOA一般用單MIC信號(hào)來做檢測(cè)。換而言之，我們這樣設(shè)計(jì)的目的原本是為了提升喚醒率和識(shí)別率，但依賴于單MIC信號(hào)的檢測(cè)之后，兩者之間就存在相互依賴的關(guān)系，這就會(huì)給設(shè)備的喚醒率造成影響。

其次，傳統(tǒng)方案里面有多個(gè)模塊和多個(gè)環(huán)節(jié)，但他們并不都是以降低識(shí)別率為優(yōu)化目標(biāo)，這就讓降噪、信號(hào)增強(qiáng)和最后的識(shí)別可能會(huì)出現(xiàn)不適配的情況，使得系統(tǒng)雖然降了噪，但沒有得到想要的識(shí)別率的提升。

再者，傳統(tǒng)的流程對(duì)硬件要求非常高，對(duì)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(huì)導(dǎo)致大家在實(shí)驗(yàn)室和在量產(chǎn)線上取得不同的結(jié)果。量產(chǎn)場(chǎng)景下的識(shí)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(xiàn)波動(dòng)會(huì)影響識(shí)別效果有關(guān)。

此外，波束成形算法原理是增強(qiáng)設(shè)定波束內(nèi)的信號(hào)強(qiáng)度，衰減波束外的信號(hào)幅度。那就意味著當(dāng)干擾聲源和目標(biāo)聲源方向非常接近的時(shí)候，信號(hào)和噪聲是會(huì)同時(shí)增強(qiáng)，這是傳統(tǒng)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(duì)。如算力問題、馮諾依曼架構(gòu)帶來的內(nèi)存墻問題，還有基于浮點(diǎn)訓(xùn)練出來的模型與定點(diǎn)推理之間的不匹配引致的重新訓(xùn)練和精度丟失等問題。其他如對(duì)神經(jīng)網(wǎng)絡(luò)支持不夠、功耗過高和開發(fā)復(fù)雜等也是當(dāng)下很多語(yǔ)音識(shí)別芯片的掣肘所在。

市場(chǎng)渴求更好的解決方案。

基于創(chuàng)新架構(gòu)開辟新路徑

面對(duì)以上種種挑戰(zhàn)，由Marvell中國(guó)芯片研發(fā)部門前高管魯勇創(chuàng)立的探境科技正在從架構(gòu)、芯片、軟件和算法等多維度創(chuàng)新入手，幫助語(yǔ)音識(shí)別方案客戶解決其問題。而其顛覆性創(chuàng)新的SFA（storage First Architectur）架構(gòu)則是他們“全棧”式服務(wù)的基礎(chǔ)。

探境科技CEO魯勇先生首先告訴半導(dǎo)體行業(yè)觀察記者，他們的SFA架構(gòu)并不是大家所認(rèn)為的存算一體架構(gòu)。在他看來，現(xiàn)在很多所謂的存算一體架構(gòu)存在著成本、可靠性、算法兼容性等問題。

“我們的SFA從架構(gòu)上也是將計(jì)算和存儲(chǔ)單元分開，但是我們的做法是以存儲(chǔ)來驅(qū)動(dòng)計(jì)算，并且將傳統(tǒng)AI運(yùn)算時(shí)要在數(shù)據(jù)在存儲(chǔ)和計(jì)算單元中來回搬回多次的過程壓縮到一次卻又不影響結(jié)果精度。這是我們的核心競(jìng)爭(zhēng)力所在，這也能很多AI語(yǔ)音識(shí)別芯片碰到的問題迎刃而解”，魯勇說。

從實(shí)際測(cè)試上看，探境科技AI語(yǔ)音芯片的表現(xiàn)優(yōu)越。據(jù)魯勇介紹，在實(shí)際測(cè)試中，探境科技的AI語(yǔ)音識(shí)別芯片的數(shù)據(jù)訪問可降低10~100倍，存儲(chǔ)子系統(tǒng)功耗下降10倍，而基于28nm工藝打造的芯片系統(tǒng)能效超過4T OPS/W。

SFA架構(gòu)芯片與其他芯片的對(duì)比

注：在28nm專用測(cè)試芯片上得到的對(duì)比數(shù)據(jù)，測(cè)試方法為帶有卷積加速器擴(kuò)展指令的DSP模式與SFA架構(gòu)模式的對(duì)比，乘法器數(shù)目相同，DRAM為L(zhǎng)PDDR4

除了高性能的能耗比之外，這個(gè)架構(gòu)還有非常好的易用性和通用性。

魯勇指出，基于SFA架構(gòu)打造的AI芯片不是針對(duì)某一個(gè)神經(jīng)網(wǎng)絡(luò)做的優(yōu)化，可以支持所有已知的神經(jīng)網(wǎng)絡(luò)，并且能讓所有神經(jīng)網(wǎng)絡(luò)在其上面都能跑出最高的效率；同時(shí)它對(duì)參數(shù)也沒有限制，可以用任意的參數(shù)；此外，基于SFA架構(gòu)打造的芯片對(duì)數(shù)據(jù)類型也沒有限制，可以支持定點(diǎn)數(shù)、位點(diǎn)數(shù)。針對(duì)常見的稀疏數(shù)據(jù)，這個(gè)芯片也有自適應(yīng)的支持，而不用人工干預(yù)?！疤骄晨萍继峁┑墓ぞ哝溈梢宰岄_發(fā)者能夠零基礎(chǔ)切入SFA架構(gòu)芯片的開發(fā)?！濒斢聫?qiáng)調(diào)。

基于SFA架構(gòu)，探境科技開辟出了語(yǔ)音和圖像兩條產(chǎn)品線，其中語(yǔ)音產(chǎn)品已經(jīng)獲得了客戶的高度認(rèn)可。其中音旋風(fēng)611功不可沒。

據(jù)了解，這是探境科技針對(duì)智能家居市場(chǎng)推出的一款語(yǔ)音識(shí)別芯片，是目前市面上綜合性能最好，性價(jià)比最高的一款芯片。如下圖所示，它能夠支持200條的命令詞，能夠做到99%的喚醒率和極低的誤喚醒率。

至于探境科技的另一條產(chǎn)品線圖像芯片也已經(jīng)流片成功，期待探境科技用其給市場(chǎng)帶來更多的賦能。

音旋風(fēng)611

雖然基于SFA打造的芯片擁有多項(xiàng)優(yōu)勢(shì)。但正如上文所說，語(yǔ)音識(shí)別方案是一個(gè)涉及多個(gè)模塊的項(xiàng)目，芯片只是當(dāng)中的一環(huán)。為此，探境科技從多個(gè)角度入手，為語(yǔ)音識(shí)別方案商提供了一個(gè)交鑰匙方案。

針對(duì)前文提到的傳統(tǒng)麥克風(fēng)陣列信號(hào)增強(qiáng)算法的缺點(diǎn)，探境科技提出了一個(gè)新的 處理方法，把增強(qiáng)和識(shí)別一體化處理，做了一個(gè)端到端的識(shí)別流程。

據(jù)探境科技的技術(shù)副總裁李同治介紹，他們?cè)谶@個(gè)識(shí)別流程里放棄了用傳統(tǒng)數(shù)字信號(hào)處理算法來做語(yǔ)音增強(qiáng)的做法，而是用一套基于神經(jīng)網(wǎng)絡(luò)的AI算法來做信號(hào)增強(qiáng)。他指出，這個(gè)方案的處理算法所有的參數(shù)都是和神經(jīng)網(wǎng)絡(luò)一起訓(xùn)練的，這樣整體優(yōu)化的目標(biāo)都是為了降低最后的識(shí)別錯(cuò)誤率，而不僅僅是提升信號(hào)質(zhì)量。

端對(duì)端的處理算法是最前沿的處理算法

“我們這套降噪算法與傳統(tǒng)的降噪算法不一樣，我們的降噪算法是基于深度學(xué)習(xí)的AI降噪算法，不僅可以處理常見的穩(wěn)態(tài)噪聲，對(duì)一些非穩(wěn)態(tài)的噪聲和突發(fā)性的噪聲也可以很好地處理?！保钔窝a(bǔ)充說。

除了這個(gè)降噪算法以外 ，探境科技還開發(fā)出了專門用來做語(yǔ)音識(shí)別的高計(jì)算強(qiáng)度的神經(jīng)網(wǎng)絡(luò)HONN。據(jù)了解，高強(qiáng)度神經(jīng)網(wǎng)絡(luò)的參數(shù)量不大，僅為DNN的五分之一，這就讓探境科技可以用更少的參數(shù)量和更少的存儲(chǔ)達(dá)到了更好的效果。

與此同時(shí)，高強(qiáng)度計(jì)算神經(jīng)網(wǎng)絡(luò)的算力需求量很大，但DNN只有個(gè)位數(shù)的計(jì)算強(qiáng)度，兩者之間差了30倍。這也是為什么其他廠商并沒有使用效果更好的HONN，而是DNN的原因。因?yàn)檫@個(gè)算力要求對(duì)基于SFA打造的AI芯片來說是綽綽有余，但對(duì)很多其他架構(gòu)芯片來說，是難以應(yīng)付的，李同治告訴記者。

“SFA不僅僅是適配于終端，也適配于云端、推理、訓(xùn)練，可以組合成各種不同的產(chǎn)品形態(tài)，適合于終端、推理、訓(xùn)練”，魯勇最后說，但他也強(qiáng)調(diào)，將SFA應(yīng)用到云端會(huì)是一個(gè)很漫長(zhǎng)的過程。我們現(xiàn)在可以看到的是，探境科技正在用他們的全棧實(shí)力在擁擠的語(yǔ)音AI芯片賽道上找到了屬于他們的”捷徑”.