因為資本的涌入、智能家居的火熱和人工智能的崛起，市場(chǎng)對語(yǔ)音市場(chǎng)的關(guān)注度迅速提升。尤其是近年來(lái)隨著(zhù)亞馬遜、谷歌、華為和BAT等廠(chǎng)商入局智能音箱，爭先押寶這個(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 ReportLinker的預測，到2024年，全球智能語(yǔ)音市場(chǎng)規模將躍升到215億美元，而在當中AI語(yǔ)音芯片就扮演了一個(gè)關(guān)鍵角色。不同于過(guò)往的芯片只考慮PPA，開(kāi)發(fā)者在選擇語(yǔ)音芯片的時(shí)候更多是考慮其體驗，但這是很多過(guò)往的硬件解決方案所不具備的。這就吸引了眾多傳統廠(chǎng)商或者初創(chuàng )企業(yè)開(kāi)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(lái)解決現有，有些廠(chǎng)商甚至還推出了顛覆傳統的新架構去搶占市場(chǎng)。
但在行業(yè)專(zhuān)家看來(lái)，這些方案或多或少都存在一些問(wèn)題。要了解這一點(diǎn)，就必須從語(yǔ)音識別行業(yè)的一些現狀說(shuō)起。
語(yǔ)音識別面臨的幾大挑戰
以智能音箱為例，現在的語(yǔ)音識別產(chǎn)品在廠(chǎng)商的智能家居規劃藍圖中是扮演一個(gè)人與機器交流的橋梁，那在實(shí)際應用中就要求音箱能夠聽(tīng)得到人說(shuō)的話(huà)，同時(shí)還要求它聽(tīng)得清晰和聽(tīng)得準。這就提出了第一個(gè)挑戰——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(tīng)得清楚。但根據聲音的傳播特性，它在空氣中衰減會(huì )非常大，但人在與智能音箱交流的過(guò)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)音識別所面臨的最大挑戰。
第二個(gè)問(wèn)題是非穩態(tài)的噪聲影響。如果我們面對的是規律的噪聲，應對的辦法無(wú)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 )面對的是帶有突發(fā)性和不可預見(jiàn)性的噪音，這給供應商也帶來(lái)了不小的挑戰。
第三，多聲源的問(wèn)題。智能音箱在使用的過(guò)程中，只會(huì )聽(tīng)從一個(gè)聲源的指令，但在人機交流的過(guò)程中，必然會(huì )出現干擾源。如何處理這個(gè)干擾的問(wèn)題，也困擾著(zhù)相關(guān)供應商和開(kāi)發(fā)者。
而其實(shí)面對這些問(wèn)題，產(chǎn)業(yè)鏈已經(jīng)想了不少應對之法。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(méi)有能徹底解決問(wèn)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(lài)于聲源定位（即DOA），但DOA一般用單MIC信號來(lái)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(lài)于單MIC信號的檢測之后，兩者之間就存在相互依賴(lài)的關(guān)系，這就會(huì )給設備的喚醒率造成影響。
其次，傳統方案里面有多個(gè)模塊和多個(gè)環(huán)節，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(huì )出現不適配的情況，使得系統雖然降了噪，但沒(méi)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。這就節能會(huì )導致大家在實(shí)驗室和在量產(chǎn)線(xiàn)上取得不同的結果。量產(chǎn)場(chǎng)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(dòng)會(huì )影響識別效果有關(guān)。
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(zhù)當干擾聲源和目標聲源方向非常接近的時(shí)候，信號和噪聲是會(huì )同時(shí)增強，這是傳統波束成形算法也不能解決的問(wèn)題。
單從芯片的角度看，也有不少的困難要面對。如算力問(wèn)題、馮諾依曼架構帶來(lái)的內存墻問(wèn)題，還有基于浮點(diǎn)訓練出來(lái)的模型與定點(diǎn)推理之間的不匹配引致的重新訓練和精度丟失等問(wèn)題。其他如對神經(jīng)網(wǎng)絡(luò )支持不夠、功耗過(guò)高和開(kāi)發(fā)復雜等也是當下很多語(yǔ)音識別芯片的掣肘所在。
市場(chǎng)渴求更好的解決方案。
基于創(chuàng )新架構開(kāi)辟新路徑
面對以上種種挑戰，由Marvell中國芯片研發(fā)部門(mén)前高管魯勇創(chuàng )立的探境科技正在從架構、芯片、軟件和算法等多維度創(chuàng )新入手，幫助語(yǔ)音識別方案客戶(hù)解決其問(wèn)題。而其顛覆性創(chuàng )新的SFA（storage First Architectur）架構則是他們“全�！笔椒⻊�(wù)的基礎。
探境科技CEO魯勇先生首先告訴半導體行業(yè)觀(guān)察記者，他們的SFA架構并不是大家所認為的存算一體架構。在他看來(lái)，現在很多所謂的存算一體架構存在著(zhù)成本、可靠性、算法兼容性等問(wèn)題。
“我們的SFA從架構上也是將計算和存儲單元分開(kāi)，但是我們的做法是以存儲來(lái)驅動(dòng)計算，并且將傳統AI運算時(shí)要在數據在存儲和計算單元中來(lái)回搬回多次的過(guò)程壓縮到一次卻又不影響結果精度。這是我們的核心競爭力所在，這也能很多AI語(yǔ)音識別芯片碰到的問(wèn)題迎刃而解”，魯勇說(shuō)。
從實(shí)際測試上看，探境科技AI語(yǔ)音芯片的表現優(yōu)越。據魯勇介紹，在實(shí)際測試中，探境科技的AI語(yǔ)音識別芯片的數據訪(fǎng)問(wèn)可降低10~100倍，存儲子系統功耗下降10倍，而基于28nm工藝打造的芯片系統能效超過(guò)4T OPS/W。
SFA架構芯片與其他芯片的對比
注：在28nm專(zhuān)用測試芯片上得到的對比數據，測試方法為帶有卷積加速器擴展指令的DSP模式與SFA架構模式的對比，乘法器數目相同，DRAM為L(cháng)PDDR4
除了高性能的能耗比之外，這個(gè)架構還有非常好的易用性和通用性。
魯勇指出，基于SFA架構打造的AI芯片不是針對某一個(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)它對參數也沒(méi)有限制，可以用任意的參數；此外，基于SFA架構打造的芯片對數據類(lèi)型也沒(méi)有限制，可以支持定點(diǎn)數、位點(diǎn)數。針對常見(jiàn)的稀疏數據，這個(gè)芯片也有自適應的支持，而不用人工干預�！疤骄晨萍继峁┑墓ぞ哝溈梢宰岄_(kāi)發(fā)者能夠零基礎切入SFA架構芯片的開(kāi)發(fā)�！濒斢聫娬{。
基于SFA架構，探境科技開(kāi)辟出了語(yǔ)音和圖像兩條產(chǎn)品線(xiàn)，其中語(yǔ)音產(chǎn)品已經(jīng)獲得了客戶(hù)的高度認可。其中音旋風(fēng)611功不可沒(méi)。
據了解，這是探境科技針對智能家居市場(chǎng)推出的一款語(yǔ)音識別芯片，是目前市面上綜合性能最好，性?xún)r(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(xiàn)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(lái)更多的賦能。
音旋風(fēng)611
雖然基于SFA打造的芯片擁有多項優(yōu)勢。但正如上文所說(shuō)，語(yǔ)音識別方案是一個(gè)涉及多個(gè)模塊的項目，芯片只是當中的一環(huán)。為此，探境科技從多個(gè)角度入手，為語(yǔ)音識別方案商提供了一個(gè)交鑰匙方案。
針對前文提到的傳統麥克風(fēng)陣列信號增強算法的缺點(diǎn)，探境科技提出了一個(gè)新的 處理方法，把增強和識別一體化處理，做了一個(gè)端到端的識別流程。
據探境科技的技術(shù)副總裁李同治介紹，他們在這個(gè)識別流程里放棄了用傳統數字信號處理算法來(lái)做語(yǔ)音增強的做法，而是用一套基于神經(jīng)網(wǎng)絡(luò )的AI算法來(lái)做信號增強。他指出，這個(gè)方案的處理算法所有的參數都是和神經(jīng)網(wǎng)絡(luò )一起訓練的，這樣整體優(yōu)化的目標都是為了降低最后的識別錯誤率，而不僅僅是提升信號質(zhì)量。
端對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的降噪算法不一樣，我們的降噪算法是基于深度學(xué)習的AI降噪算法，不僅可以處理常見(jiàn)的穩態(tài)噪聲，對一些非穩態(tài)的噪聲和突發(fā)性的噪聲也可以很好地處理�！�，李同治補充說(shuō)。
除了這個(gè)降噪算法以外 ，探境科技還開(kāi)發(fā)出了專(zhuān)門(mén)用來(lái)做語(yǔ)音識別的高計算強度的神經(jīng)網(wǎng)絡(luò )HONN。據了解，高強度神經(jīng)網(wǎng)絡(luò )的參數量不大，僅為DNN的五分之一，這就讓探境科技可以用更少的參數量和更少的存儲達到了更好的效果。
與此同時(shí)，高強度計算神經(jīng)網(wǎng)絡(luò )的算力需求量很大，但DNN只有個(gè)位數的計算強度，兩者之間差了30倍。這也是為什么其他廠(chǎng)商并沒(méi)有使用效果更好的HONN，而是DNN的原因。因為這個(gè)算力要求對基于SFA打造的AI芯片來(lái)說(shuō)是綽綽有余，但對很多其他架構芯片來(lái)說(shuō)，是難以應付的，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、訓練”，魯勇最后說(shuō)，但他也強調，將SFA應用到云端會(huì )是一個(gè)很漫長(cháng)的過(guò)程。我們現在可以看到的是，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”。 |
