TI資深工程師對語音接口的解析分享

語音接口已經(jīng)成為一個(gè)改變?nèi)藱C(jī)交互方式的全新切入點(diǎn)。這些系統(tǒng)如何工作？打造這樣一款設(shè)備在硬件方面有什么要求？隨著語音控制接口變得越來越普及，德州儀器（TI）的一位工程師對此技術(shù)進(jìn)行了深入的了解，并分享了其對這項(xiàng)技術(shù)的認(rèn)識和看法。

語音識別技術(shù)自20世紀(jì)50年代起開始出現(xiàn)在我們身邊。那時(shí)貝爾實(shí)驗(yàn)室的工程師創(chuàng)建了一款可以識別單個(gè)數(shù)字的系統(tǒng)。然而，語音識別只是完整語音接口技術(shù)的一部分。語音接口包含傳統(tǒng)用戶接口的所有方面：它能呈現(xiàn)信息并為用戶提供一種操控方式。在語音接口中，操控或者甚至一些信息的呈現(xiàn)都將通過語音實(shí)現(xiàn)。在一些如按鈕或顯示屏等傳統(tǒng)的用戶接口上，也可能配置語音接口這一選項(xiàng)。

大部分人遇到的第一款語音接口設(shè)備很有可能是移動(dòng)電話，或者是個(gè)人電腦上非?；A(chǔ)的將語言轉(zhuǎn)換成文字的程序。然而，這些設(shè)備的運(yùn)行都非常緩慢、識別不精確且可識別的詞匯有限。

那是什么將語音識別從一種附屬性功能變成了計(jì)算機(jī)世界炙手可熱的技術(shù)呢？首先，如今的計(jì)算能力和算法性能都有顯著的提高（如果你對隱馬爾科夫模型有所了解，對此你會(huì)有更直觀的認(rèn)識）。其次，云技術(shù)和大數(shù)據(jù)分析的應(yīng)用也改進(jìn)了語音識別效果，并且提高了識別的速度和準(zhǔn)確性。

一些人常常會(huì)對如何為項(xiàng)目添加某種語音接口存在疑問。實(shí)際上，TI供應(yīng)幾種不同的語音接口產(chǎn)品，包括ARM®處理器的Sitara™系列產(chǎn)品和C5000™ DSP系列產(chǎn)品，這些產(chǎn)品都具備語音處理的能力。兩種系列的產(chǎn)品各有千秋，分別適用于不同的應(yīng)用。

在選擇DSP和ARM這兩種解決方案時(shí)，考慮的關(guān)鍵因素在于這款設(shè)備能否或?qū)⑷绾卫迷普Z音平臺。當(dāng)中有三種應(yīng)用場景：第一種是離線，所有的處理過程都在本地設(shè)備上發(fā)生。第二種是在線，通過基于云端的語音處理設(shè)備，如亞馬遜的Alexa，谷歌助手或IBM Watson；第三種是兩者混合。

從目前的發(fā)展趨勢來看，人們似乎希望所有事物都能夠連接至互聯(lián)網(wǎng)。然而，無論是出于成本考慮或是缺乏可靠的網(wǎng)絡(luò)連接，在某些應(yīng)用中，連接網(wǎng)絡(luò)的意義其實(shí)不大。在現(xiàn)代的汽車應(yīng)用中，許多娛樂信息系統(tǒng)就采用了離線語音接口系統(tǒng)。這些語音接口系統(tǒng)通常只能使用有限的命令集，如“撥打電話”、“播放音樂”和“提高或降低音量”。雖然傳統(tǒng)處理器的語音識別算法取得了重大進(jìn)展，但仍有不盡如人意之處。遇到這樣的情況，例如C55xx等DSP可能夠?yàn)橄到y(tǒng)提供最佳的性能。

關(guān)于語音接口的很多熱議主要圍繞于例如Google Home和亞馬遜 Alexa等互聯(lián)設(shè)備。由于亞馬遜允許第三方進(jìn)入其已配備Alex語音服務(wù)的語音處理生態(tài)系統(tǒng)，他們在這方面的發(fā)展備受矚目。另外，如Microsoft Azur等其它的云服務(wù)也可以提供語音識別服務(wù)和類似功能。值得注意的是，這些設(shè)備的聲音處理過程全部發(fā)生在云端。

是否值得為了這種便捷的集成而向語音服務(wù)供應(yīng)商提供上行數(shù)據(jù)完全取決于用戶。但是，云服務(wù)供應(yīng)商承擔(dān)了主要的工作，設(shè)備商需要做的很簡單，實(shí)際上，由于接口的語音合成部分也發(fā)生在云端，Alexa只要完成最簡單的功能，即播放并記錄錄音文件。既然不需要特別的信號處理功能，ARM處理器足以處理接口工作。這意味著，如果你的設(shè)備已配備ARM處理器，你就可能集成云計(jì)算語音接口。

事實(shí)上，關(guān)注Alexa等不能提供的服務(wù)也是非常重要的。Alexa不直接執(zhí)行任何一種設(shè)備控制或云集成。驅(qū)動(dòng)Alexa的許多“智能設(shè)備”都具備云計(jì)算功能，該功能由開發(fā)商提供，可以利用Alexa的語音處理能力將驅(qū)動(dòng)輸入至現(xiàn)有的云應(yīng)用。例如，如果你告訴Alexa需要訂一個(gè)披薩，你最喜愛的披薩店則需要為Alexa編制一項(xiàng)“技能”。該項(xiàng)技能是一個(gè)可以在你訂披薩時(shí)定義工作內(nèi)容的代碼。當(dāng)你每次訂披薩時(shí)，Alexa都會(huì)調(diào)用該技能。該技能嵌入了可以為你下單的在線訂購系統(tǒng)。同樣，智能家居設(shè)備制造商必須執(zhí)行Alexa如何與本地設(shè)備和在線服務(wù)相互作用的技能。亞馬遜自帶許多這樣的技能，加上第三方開發(fā)者提供的技能，即便你沒有開發(fā)任何技能，Alexa設(shè)備仍然可以非常有用。

有時(shí)，即使沒有連接互聯(lián)網(wǎng)，我們也有保證設(shè)備的某些基礎(chǔ)功能可以正常使用的需求。例如：在連不上網(wǎng)的時(shí)候，如果自動(dòng)調(diào)溫器不會(huì)自主調(diào)節(jié)溫度，這就會(huì)是一個(gè)很麻煩的問題。為避免這種問題的發(fā)生 ，一個(gè)好的產(chǎn)品設(shè)計(jì)師會(huì)設(shè)計(jì)一些本地的聲音處理功能，在功能上實(shí)現(xiàn)無縫銜接。為了實(shí)現(xiàn)此功能，系統(tǒng)必須具有DSP，例如用于本地語音處理的C55XX和用于將已連網(wǎng)的接口連接至云端的ARM處理器。

你也許已經(jīng)注意到了，直到現(xiàn)在我們還沒有提及新一代語音助手真正神奇的地方：那就是始終關(guān)注“觸發(fā)詞匯”。它們將如何追蹤你在房間內(nèi)任意位置所發(fā)出的聲音，或是當(dāng)設(shè)備播放音頻時(shí)，又如何聽到你的聲音？實(shí)現(xiàn)這些其實(shí)并沒有什么特別神奇的地方，只需要一些智能化軟件。這類軟件獨(dú)立于云端的語音接口，也能在系統(tǒng)離線的狀態(tài)下運(yùn)行。

這個(gè)系統(tǒng)最易理解的部分就是“喚醒詞匯”。喚醒詞匯是一個(gè)簡單的本地語音識別程序，通過持續(xù)性采樣，在接收的音頻信號中尋找單個(gè)詞匯。由于大多數(shù)語音服務(wù)均樂意接受不含喚醒詞匯的音頻，因此該詞匯不需要指定任何特殊的語音平臺。因?yàn)閷?shí)現(xiàn)這種功能的要求相對較低，所以通過利用Sphinx或KITT.AI等開源數(shù)據(jù)庫在ARM處理器上即可完成操作。

為了聽到你在房間內(nèi)任意位置發(fā)出的聲音，語音識別設(shè)備采用一個(gè)叫波束成型的流程。最重要的是，通過對比不同聲音的到達(dá)時(shí)間和麥克風(fēng)間的距離來確定聲音的來源。一旦確認(rèn)了目標(biāo)聲音的位置，設(shè)備就會(huì)采用如空間濾波等音頻處理技術(shù)來進(jìn)一步減少噪音并增強(qiáng)信號質(zhì)量。波束成型的實(shí)現(xiàn)取決于麥克風(fēng)的布局。真正實(shí)現(xiàn)360度識別則需要一個(gè)非線性麥克風(fēng)陣列（通常是圓形）。對于壁掛式設(shè)備而言，僅需兩個(gè)麥克風(fēng)就能啟用180度的空間辨別。

語音助手的最后一招是采用自動(dòng)回波消除（AEC）。AEC在某種程度上類似于噪音消除耳機(jī)，但應(yīng)用恰好相反。該算法是利用已知的音樂等輸出音頻信號來實(shí)現(xiàn)的。在噪音消除耳機(jī)利用這點(diǎn)來消除外部雜音，AEC消除了輸出信號對輸入信號在麥克風(fēng)上的影響。該設(shè)備能忽略自身產(chǎn)生的音頻，且無論揚(yáng)聲器播放何種內(nèi)容，其都仍然能接收。實(shí)現(xiàn)AEC需要大量的計(jì)算，其中在DSP中效果最佳。

為了實(shí)施喚醒識別、波束成型和AEC等以上提及的所有功能，則要求ARM處理器配合DSP共同工作：DSP增強(qiáng)了所有的信號處理功能，而ARM處理器控制設(shè)備邏輯和接口。DSP可在執(zhí)行輸入數(shù)據(jù)管路方面發(fā)揮重要的作用，由此最大限度地減少處理的延遲，從而提供更好的用戶體驗(yàn)。ARM可以自由運(yùn)行如Linux等高級操作系統(tǒng)以控制其它設(shè)備。這樣高級的功能全部發(fā)生在本地，若使用云服務(wù)，將只接收包含最終處理結(jié)果的單個(gè)語音文件。

語音接口似乎已收獲了超高的人氣，并且將在未來很長一段時(shí)間內(nèi)以不同形式出現(xiàn)在我們的生活中。盡管有多種不同的處理方式可以實(shí)現(xiàn)語音接口服務(wù)，但無論你的應(yīng)用需要何種裝置，TI都可以為你提供理想的選擇。