在設計智能音箱和其他語音功能的設備，例如可穿戴設備、可聽覺設備時，開發者面臨的首要挑戰是如何讓麥克風準確有效地檢測 “Alexa ”和 “Hey Google ”等喚醒詞，以便在云端處理。

當DSP Group推出支持語音的語音系統級芯片（SoC）DBM10時，EDN向該公司SmartVoice芯片的產品經理Yosi Brosh提出了這個問題。這款基于DSP和神經網絡（NN）加速器的雙核SoC，針對電池設備中的語音和傳感器處理進行了優化，如可聽、可穿戴設備、真正的無線立體聲（TWS）耳機和智能家居遙控器等。

上圖：用于語音智能產品的DBM10芯片宣稱的采用平臺方式，具有全面的軟件框架支持。

Brosh表示，像亞馬遜網絡服務（AWS）這樣的云平臺對在芯片上配置寄存器不感興趣。相反，這些云服務關注的是語音算法如何高效檢測喚醒詞。Brosh說“他們希望算法能夠檢測到喚醒詞，而不需要工程師花費大量時間研究和配置芯片上的寄存器。”

因此，DSP Group開發了一個API，使語音檢測算法很容易集成到云服務中。他補充道；“在某種程度上，云服務提供商的語音算法成為芯片的黑匣子。”

通常的做法是，設備制造商發布帶有麥克風設置的軟件代碼，并告訴算法提供商如何在麥克風驅動中集成算法。以DSP Group的DBM10芯片為例，它使用語音固件采集音頻，使語音采集算法的集成變得高效簡單。

DSP Group一直在與十幾家云公司密切合作，其中包括阿里巴巴、亞馬遜、百度、谷歌和三星，同時在其芯片上移植他們的語音算法。據Brosh介紹，該公司在某些情況下還提供一套完整的軟件。

該芯片能夠為系統設計人員提供簡單的部署路徑，Brosh表示，公司對運行在DBM10語音接口芯片上軟件的支持一直提供到生產層面，“系統工程師不需要編寫一行代碼”。

這就是為什么DSP Group稱其DBM10芯片為完整解決方案的原因。該SoC通過通用DSP和名為nNetLite的神經網絡處理器對音頻算法以及傳感AI算法進行了優化。除此以外DSP Group還提供運行在Wi-Fi芯片上用于與DBM10芯片進行通信的額外驅動程序。

SoC還具有跨平臺的工具鏈，支持所有常用的人工智能（AI）和機器學習（ML）框架，以簡化算法部署。工程師們可以開發、訓練和測試算法，然后將算法以標準格式保存，工具鏈會將其提取并創建一個圖像，下載到SoC中。

上圖：nNetLite編譯器可以快速優化、修剪和部署任何框架的AI/ML模型到DBM10 SoC。

該SoC的外形尺寸很小，只有4平方毫米，可以進入像智能手表這樣的極小設備。同樣，在SoC的神經網絡nNetLite引擎上運行的始終處于開啟狀態的wake word算法只消耗幾微瓦的電能。
編輯：lyn