電子發燒友網報道（文/李彎彎）語音識別是人工智能的重要分支之一，早在2010年開始就得到發展，并且逐漸在各個領域成熟應用。不過AI語音芯片和算法的研發仍然面臨眾多難題，不少企業為此堅持研究，不斷對技術和產品進行迭代升級，以求取得突破。

啟英泰倫是國內領先的AI語音芯片企業，日前，該公司正式發布了全新的第三代智能語音芯片系列，相比于上一代產品，這款芯片創下了算力更高、高度集成和算法新高的記錄，進一步解決了業界長久以來難以突破的難題。

AI語音芯片研發面臨哪些難題

近幾年，AI語音芯片在智能家居、智能車載、智能穿戴等領域的滲透率快速提升，未來隨著技術的不斷迭代，AI語音芯片在各領域的滲透率和市場規模將會持續擴大。

智能家居方面，當前隨著AI語音芯片的價格已經大幅下降，越來越多的廠商傾向于采用AI語音芯片，來替代傳統的AP及MCU芯片和IOT芯片，如今AI語音芯片在風扇、茶吧機、取暖桌、空調、插座等眾多領域已經開始大規模批量應用。根據調研數據預測，未來5年AI語音芯片在智能家居領域的市場規模將能達到每年2.5億顆。

智能汽車方面，目前智能汽車中的語音交互多是在云端進行識別處理，然而云端的方式存在無法實時響應、網絡無連接時不能使用等問題，因此業界認為端側語音芯片將會很好的補充云端芯片的不足，預計未來端側AI語音芯片在車載領域的市場需求每年能達到1億顆左右。

智能穿戴方面，未來隨著芯片尺寸越來越小，成本越來越低，AI語音芯片在穿戴設備上的應用將會越來越多，預計該市場對AI語音芯片的市場需求每年會在千萬顆左右。

除了上述市場之外，AI語音芯片還可以在醫療設備、機器人、工業檢測等領域得到應用，整體來看，預計未來幾年AI語音芯片的市場規模將會快速發展到每年5到10億顆，隨著應用不斷拓寬和滲透率不斷提升，市場規模可能還將持續不斷提升。

雖然存在較大的市場，然而企業在AI語音識別芯片和算法的研發也面臨眾多需要不斷攻克的難題，在此次發布會上，啟英泰倫創始人兼CEO何云鵬提到了幾點：



1、各種應用場景存在復雜的背景噪聲，會影響識別，比如廚電的煙機噪聲、炒菜聲，客廳的電視聲、音樂聲，會場的多人聲、賣場的高音喇叭聲等；2、人類語言種類繁多，如果考慮各地的方言口音，幾乎沒辦法通過大數據訓練模型，來滿足所有地域口音的識別；3、人類語言的表達非常豐富，要想在設備端實現對任意語言表達的意圖理解，也十分困難。

同時，電子設備的發展往往要求在性能或價格上，能夠不斷改進，這些對于AI語音芯片的研發來說，都是比較大的挑戰。

算法、芯片上不斷升級，攻克一個個難題

如何解決這些難題呢？一直以來，啟英泰倫堅持在芯片和算法兩方面不斷發力，力求攻克一個個業內難題。截至目前，啟英泰倫的技術平臺BNPU（腦神經網絡處理器）已經迭代三次，從BNPU1.0，BNPU2.0，到BNPU3.0。何云鵬表示，每一代BNPU的問世，都是離線語音芯片和算法的一次突破和語音應用的助推。



具體來看，集成BNPU1.0的一代芯片C11006/CI1002，實現的是端側語音識別，這是行業首款集成神經網絡處理器的語音AI芯片，是離線語音產業應用興起的標志；集成BNPU2.0的二代芯片CI1102/CI1103及CI1122，不僅實現了離線語音識別功能，還實現了離線聲紋識別和命令詞自學習等功能。

每顆芯片的迭代，集成度不斷增加，成本快速下降，算法功能不斷提升。據何云鵬介紹，集成度上，二代系列芯片集成了Audio CODEC、Flash等單元，增加了雙麥陣增強處理能力；成本上，一代芯片CI1006成本價為50到90元，CI1102下降到30到40元，二代芯片CI1102/CI1103為15元到25，CI1122下降到了10元到15元之間；算法上，正常安靜家居環境下，識別都達到98%以上，65dB左右中強環境噪聲下也能實現較好的識別效果。

發布全新三代芯片，端側NLP技術實現自然語音交互

盡管過去幾年在算法和芯片上不斷提升，逐漸解決了業界面臨的一些難題，然而整個行業仍然存在極難克服的問題，比如：1、離線語音仍然是以命令詞為主，對于用戶來說，如果命令詞多的話，就會很難記住；2、電視新聞，多人聲環境，以及噪聲強度達到75dB以上的復雜強噪聲環境的識別存在困難；3、離線命令詞自學習的效果，與大數據訓練模型效果仍然存在明顯差距，這使得方言問題沒有得到徹底解決。

為了攻克這些難題，啟英泰倫經過三年時間研發，最終帶來BNPU3.0版本，并基于此發布了三代兩大系類芯片，一大系列是三代智能語音MCU13；另一大系列是智能語音IOT 23。

相比之前的芯片，三代系列芯片具有更高算力、更高集成度，更高性能。首先看CI13系列芯片，算力方面，該系列內置BNPU 3.0，支持DSP指令擴展的RISC CPU兩大內核，主頻高達240MHz，具有640KB SRAM，而二代芯片主頻是160MHz，內置BNPU2.0，512KB SRAM。



集成度方面，CI13系列芯片集成了Audio Codec模擬MIC接口、數字PDM麥克DMIC接口、通用ADC及MCU常見串口、PWM、GPIO等接口，還集成了4線NOR Flash、3路LDO PMU、高精度RC振蕩器等。

通過接上MIC，簡單的語音識別應用，外圍電路僅需十幾個電阻電容，多數情況下可以不需要加晶振；通過串口可以擴展上位機MCU，或WiFi、BLE、2.4G等射頻芯片；通過通用ADC或IIC可以輸入溫度、濕度等傳感器信號；通過PWM或其它GPIO，可以實現對開關控制、電機控制、SPI屏或段碼屏顯示控制、紅外收發控制等。這樣，CI13系列芯片既可以作為語音識別或語音信號處理的專用芯片，也可以作為帶語音識別功能的MCU主控芯片。



算法方面，CI13系列芯片幾乎支持全部信號處理和識別技術，包括單麥自適應降噪、降混響、回聲消除、DOA、波束形成、盲源分離、語音活動檢測等傳統信號技術。

除了具有二代芯片的語音識別、聲紋識別外，三代CI13系列芯片還支持基于深度學習的降噪技術（深度降噪）、人聲分離技術（深度分離）、以及離線NLP技術。深度降噪技術能在信噪比-5dB 到-10dB的環境噪聲下將人聲提取出來，實現良好識別。

端側NLP技術在原來的聲學模型、語言模型的基礎上增加了意圖模型，該意圖模型采用聯合規則和統計訓練的模型來實現端側語音識別+語義理解。端側NLP技術具備上下文關聯、多輪對話、意圖理解等云端NLP的功能，該技術的突破，使得設備徹底不需要依賴云端，也可以實現自然隨心的語音交互。



接下來看三代芯片CI23系列CI2305 和CI2306，CI23系列芯片在語音功能和性能與CI13系列芯片相同，主要增加集成了WiFi和BLE，形成語音+WiFi+BLE三合一單芯片，其中CI2305支持離線語音+IOT，CI2306還支持將語音上傳，實現離線語音+在線語音+IOT功能。

何云鵬認為對設備控制交互在本地計算會更好，這樣可以解決云端計算帶來的響應延遲太大體驗差，斷網無法使用及用戶隱私泄露風險，以及云端建設和運營成本太高等問題。

除了不斷升級芯片算法性能，降低芯片方案成本，啟英泰倫還持續提升應用開發平臺和合作生態建設，努力降低AI語音應用的門檻。

據啟英泰倫介紹，經過近7年發展，公司已經積累B端客戶超過5000名，平臺開發者超過了1萬名，使用啟英泰倫智能語音平臺的在校AI學員超過10萬名。現在，離線語音方案的年裝機量超過2000萬，并正快速向上億年裝機量發展。

小結

經過過去這些年的發展，語音交互逐漸進入人們的生活，并帶來極大的便利，然而不可否認的是，背景噪聲大影響語音識別的準確性，命令詞太多容易記不住等問題依然存在，而啟英泰倫發布的第三代語音芯片，通過算力、集成度、算法的不斷升級，完美解決了這些問題，隨著各項難題的進一步突破，預計未來AI語音芯片將會在更多的場景中得到更好的應用。