根據(jù) ReportLinker的預(yù)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(guān)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(tǒng)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(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。

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(xiàn)狀說起。

語音識別面臨的幾大挑戰(zhàn)

以智能音箱為例，現(xiàn)在的語音識別產(chǎn)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(yīng)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(shù)，我們需要一定的信噪比，才能讓機器聽得清楚。但根據(jù)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(guān)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(yīng)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(jīng)常會面對的是帶有突發(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，只會聽從一個聲源的指令，但在人機交流的過程中，必然會出現(xiàn)干擾源。如何處理這個干擾的問題，也困擾著相關(guān)供應(yīng)商和開發(fā)者。

而其實面對這些問題，產(chǎn)業(yè)鏈已經(jīng)想了不少應(yīng)對之法。例如麥克風(fēng)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(tǒng)方案中，系統(tǒng)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(shè)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(guān)系，這就會給設(shè)備的喚醒率造成影響。

其次，傳統(tǒng)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(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別率的提升。

再者，傳統(tǒng)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(dǎo)致大家在實驗室和在量產(chǎn)線上取得不同的結(jié)果。量產(chǎn)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(xiàn)波動會影響識別效果有關(guān)。

此外，波束成形算法原理是增強設(shè)定波束內(nèi)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(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。如算力問題、馮諾依曼架構(gòu)帶來的內(nèi)存墻問題，還有基于浮點訓(xùn)練出來的模型與定點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。