因為資本的涌入、智能家居的火熱和人工智能的崛起，市場對語音市場的關注度迅速提升。尤其是近年來隨著亞馬遜、谷歌、華為和BAT等廠商入局智能音箱，爭先押寶這個智能家居的關鍵入口之后，語音市場變得空前擁擠。
根據 ReportLinker的預測，到2024年，全球智能語音市場規模將躍升到215億美元，而在當中AI語音芯片就扮演了一個關鍵角色。不同于過往的芯片只考慮PPA，開發者在選擇語音芯片的時候更多是考慮其體驗，但這是很多過往的硬件解決方案所不具備的。這就吸引了眾多傳統廠商或者初創企業開始紛紛涌入AI語音芯片這個賽道，用MCU、DSP或者ASIC的方案來解決現有，有些廠商甚至還推出了顛覆傳統的新架構去搶占市場。
但在行業專家看來，這些方案或多或少都存在一些問題。要了解這一點，就必須從語音識別行業的一些現狀說起。
語音識別面臨的幾大挑戰
以智能音箱為例，現在的語音識別產品在廠商的智能家居規劃藍圖中是扮演一個人與機器交流的橋梁，那在實際應用中就要求音箱能夠聽得到人說的話，同時還要求它聽得清晰和聽得準。這就提出了第一個挑戰——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，才能讓機器聽得清楚。但根據聲音的傳播特性，它在空氣中衰減會非常大，但人在與智能音箱交流的過程中，可能會處在不同的位置和距離。這就給相關的方案提供商提出了一個難題，這也是語音識別所面臨的最大挑戰。
第二個問題是非穩態的噪聲影響。如果我們面對的是規律的噪聲，應對的辦法無疑會簡單很多。但在實際的使用環境中，我們經常會面對的是帶有突發性和不可預見性的噪音，這給供應商也帶來了不小的挑戰。
第三，多聲源的問題。智能音箱在使用的過程中，只會聽從一個聲源的指令，但在人機交流的過程中，必然會出現干擾源。如何處理這個干擾的問題，也困擾著相關供應商和開發者。
而其實面對這些問題，產業鏈已經想了不少應對之法。例如麥克風陣列、波束成形和降噪的引入，更強的人工智能芯片加持，但這依然沒有能徹底解決問題。
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，因為波束成形依賴于聲源定位（即DOA），但DOA一般用單MIC信號來做檢測。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，但依賴于單MIC信號的檢測之后，兩者之間就存在相互依賴的關系，這就會給設備的喚醒率造成影響。
其次，傳統方案里面有多個模塊和多個環節，但他們并不都是以降低識別率為優化目標，這就讓降噪、信號增強和最后的識別可能會出現不適配的情況，使得系統雖然降了噪，但沒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。這就節能會導致大家在實驗室和在量產線上取得不同的結果。量產場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，一旦出現波動會影響識別效果有關。
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。那就意味著當干擾聲源和目標聲源方向非常接近的時候，信號和噪聲是會同時增強，這是傳統波束成形算法也不能解決的問題。
單從芯片的角度看，也有不少的困難要面對。如算力問題、馮諾依曼架構帶來的內存墻問題，還有基于浮點訓練出來的模型與定點推理之間的不匹配引致的重新訓練和精度丟失等問題。其他如對神經網絡支持不夠、功耗過高和開發復雜等也是當下很多語音識別芯片的掣肘所在。
市場渴求更好的解決方案。
基于創新架構開辟新路徑
面對以上種種挑戰，由Marvell中國芯片研發部門前高管魯勇創立的探境科技正在從架構、芯片、軟件和算法等多維度創新入手，幫助語音識別方案客戶解決其問題。而其顛覆性創新的SFA（storage First Architectur）架構則是他們“全棧”式服務的基礎。
探境科技CEO魯勇先生首先告訴半導體行業觀察記者，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，現在很多所謂的存算一體架構存在著成本、可靠性、算法兼容性等問題。
“我們的SFA從架構上也是將計算和存儲單元分開，但是我們的做法是以存儲來驅動計算，并且將傳統AI運算時要在數據在存儲和計算單元中來回搬回多次的過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語音識別芯片碰到的問題迎刃而解”，魯勇說。
從實際測試上看，探境科技AI語音芯片的表現優越。據魯勇介紹，在實際測試中，探境科技的AI語音識別芯片的數據訪問可降低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4T OPS/W。
SFA架構芯片與其他芯片的對比
注：在28nm專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LPDDR4
除了高性能的能耗比之外，這個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神經網絡做的優化，可以支持所有已知的神經網絡，并且能讓所有神經網絡在其上面都能跑出最高的效率；同時它對參數也沒有限制，可以用任意的參數；此外，基于SFA架構打造的芯片對數據類型也沒有限制，可以支持定點數、位點數。針對常見的稀疏數據，這個芯片也有自適應的支持，而不用人工干預。“探境科技提供的工具鏈可以讓開發者能夠零基礎切入SFA架構芯片的開發。”魯勇強調。
基于SFA架構，探境科技開辟出了語音和圖像兩條產品線，其中語音產品已經獲得了客戶的高度認可。其中音旋風611功不可沒。
據了解，這是探境科技針對智能家居市場推出的一款語音識別芯片，是目前市面上綜合性能最好，性價比最高的一款芯片。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品線圖像芯片也已經流片成功，期待探境科技用其給市場帶來更多的賦能。
音旋風611
雖然基于SFA打造的芯片擁有多項優勢。但正如上文所說，語音識別方案是一個涉及多個模塊的項目，芯片只是當中的一環。為此，探境科技從多個角度入手，為語音識別方案商提供了一個交鑰匙方案。
針對前文提到的傳統麥克風陣列信號增強算法的缺點，探境科技提出了一個新的 處理方法，把增強和識別一體化處理，做了一個端到端的識別流程。
據探境科技的技術副總裁李同治介紹，他們在這個識別流程里放棄了用傳統數字信號處理算法來做語音增強的做法，而是用一套基于神經網絡的AI算法來做信號增強。他指出，這個方案的處理算法所有的參數都是和神經網絡一起訓練的，這樣整體優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習的AI降噪算法，不僅可以處理常見的穩態噪聲，對一些非穩態的噪聲和突發性的噪聲也可以很好地處理。”，李同治補充說。
除了這個降噪算法以外 ，探境科技還開發出了專門用來做語音識別的高計算強度的神經網絡HONN。據了解，高強度神經網絡的參數量不大，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，高強度計算神經網絡的算力需求量很大，但DNN只有個位數的計算強度，兩者之間差了30倍。這也是為什么其他廠商并沒有使用效果更好的HONN，而是DNN的原因。因為這個算力要求對基于SFA打造的AI芯片來說是綽綽有余，但對很多其他架構芯片來說，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品形態，適合于終端、推理、訓練”，魯勇最后說，但他也強調，將SFA應用到云端會是一個很漫長的過程。我們現在可以看到的是，探境科技正在用他們的全棧實力在擁擠的語音AI芯片賽道上找到了屬于他們的”捷徑”。 |
