Google 工程師 Pete Warden 在英國(guó) ARM 研究高峰論壇表示，他希望打造超便宜的語(yǔ)音識(shí)別產(chǎn)品，搭載只要 50 美分的超低價(jià)芯片，一個(gè)硬幣大小的電池，足以維持一年的電力，再搭配簡(jiǎn)單的人工智能算法， 就可以讓語(yǔ)音識(shí)別產(chǎn)品快速普及。

麻省理工科技評(píng)論(MIT Technology Review)報(bào)導(dǎo)，這種超便宜的語(yǔ)音識(shí)別芯片可用來生產(chǎn)便宜的對(duì)話玩偶，或是簡(jiǎn)單的家用電器，如可被語(yǔ)音驅(qū)動(dòng)的燈。 在工業(yè)環(huán)境應(yīng)用，這種芯片可辨識(shí)不尋常的聲響，或是農(nóng)田里的蟋蟀。

Warden 為 Google 的云端人工智能工具開發(fā)行動(dòng)和嵌入式應(yīng)用，稱為 TensorFlow，他在開發(fā)過程中發(fā)現(xiàn)亞馬遜的 AI 助手 Alexa 透過電池供電的簡(jiǎn)單芯片運(yùn)作，頻率只有幾百兆赫是不夠的，原因是 Alexa 必須辨識(shí)許多不同的聲音，而且因?yàn)榇蠖鄶?shù)語(yǔ)音識(shí)別 AI 工具使用的神經(jīng)網(wǎng)絡(luò)資源匱乏，這就是為什么 Alexa 必須將處理任務(wù)交給云端的原因。

為改善上述問題，Warden 限制問題的問法，譬如只能使用開、關(guān)、啟動(dòng)、停止等字眼，并舍棄一般語(yǔ)音識(shí)別算法，他拿一個(gè)音頻將其切成短片段，然后計(jì)算每個(gè)片段的頻率內(nèi)容，接著一個(gè)接一個(gè)排列每個(gè)頻率圖， 以建立一個(gè)頻率內(nèi)容與時(shí)間的二維圖像，并應(yīng)用視覺辨識(shí)算法來辨識(shí)單詞的獨(dú)特記號(hào)。

第一次嘗試分析音頻的 1 秒鐘片段需要 800 萬次計(jì)算，準(zhǔn)確度為 89%，這可用現(xiàn)代智能手機(jī)運(yùn)作，并且互動(dòng)速度也夠快，這種方式比將運(yùn)算過程送到云端更好，但是在低功耗芯片上性能不佳。

后來開發(fā)團(tuán)隊(duì)借鑒一些幫助 Android 手機(jī)辨識(shí)短語(yǔ)的算法技巧后，系統(tǒng)只需執(zhí)行 75 萬次計(jì)算，就能達(dá)到 85% 的分析準(zhǔn)確率，研究團(tuán)隊(duì)已經(jīng)在 TensorFlow 網(wǎng)站發(fā)表代碼供他人使用，他們打算應(yīng)用在類似單芯片微控制器 Arduino 搭載的更小芯片。

但英國(guó)劍橋大學(xué)前 AI 研究員 Tony Robinson 認(rèn)為，低成本策略可能可以幫助語(yǔ)音識(shí)別產(chǎn)品普及，不過用戶不太可能按表操課，大多數(shù)人沒有耐心使用高度限制性的指令，認(rèn)為功率稍微高一點(diǎn)，可以處理更多語(yǔ)言能力的芯片， 可能更適合消費(fèi)者應(yīng)用。