離線語音識別芯片對比

前言

本文關注的重點是語音識別的硬件載體：語音識別芯片，特別是離線語音識別芯片。

一、 語音識別技術的原理

定義：語音識別技術(ASR Automatic SpeechRecognition)，讓智能設備聽懂人類的語音。語音識別的工作流程，可以分為三大步驟：前端語音處理、模型訓練、后端識別處理。

1.前端處理

前端處理，即將語音的模擬信號，轉換成機器能讀懂的數字信號，并做信號優化處理。前端處理關聯硬件：麥克風、Codec/ADC、PDM\I2S、音頻處理能力(NPU或DSP)以下是前端處理的流程原理簡化：

語音聲波轉模擬電信號：麥克風分柱極體和硅麥兩種，硅麥又分為模擬和數字。

預處理： 靜音切除 VAD、分偵加窗、降噪（主動降噪ANC）、預加重等。

特征提取：圖中選的是主流的MFCC，其他還有LPCC,PLP等，選取后續可以匹配的特征點。

2.模型訓練

模型 可以理解為“字典”，機器收到語音信息后，跟模型比對找出相似的語音和單詞。

那模板怎么來的呢？這需要通過預先大量地采集語音和語言信息（通常叫語料收集），并通過特定的算法跳出最典型的語音特征值。這就叫做“模板訓練”，編輯一本字典出來。語音識別系統的模型訓練通常分為兩套：

語言模型訓練：語言模型是用來計算一個句子出現概率的概率模型，是語音識別中的”字典”它需要綜合三個層次的知識：字典，語法，句法，讓機器能更好理解人類的自然語言。

聲學模型訓練：聲學模型是識別系統的底層模型，是語音識別系統中最關鍵的部分，算法主要集中優化該部分聲學模型是通過大量的語音收集，并根據特定的算法規則獲得特征值，用于后面的識別比對。互聯網巨頭，擁有大量的用戶基數和語音收集渠道，相對于傳統公司有優勢。

3.后端識別處理（語音解碼）

指利用訓練好的“聲學模型”和“語言模型”對提取到的特征向量進行識別，并輸出識別結果。該步驟跟模型建立有深度關聯，有時將”模型建立”歸類到后端識別處理中，與前端處理對應。

識別準確率和響應速度，通常取決于主控運算速度，以及前端處理和模型的綜合表現。

以下是詳細語音識別技術的原理分支整理：

二、語音識別技術的發展史

鑒于語音識別芯片，是與算法有著高度關聯。所以以下簡單探討了語音識別技術的發展史。

語音識別技術的核心和發展，主要在聲學模型的建模(訓練)的領域上，可以分為三個階段：

第一階段 模型匹配法 / 語音標簽（70年代）

主要集中在小詞匯量、孤立詞、特定人語音識別方法，方法是簡單的模板匹配

模板匹配：測試語音與參考語音 分別進行特征值提取后，直接整段比對吻合度。

主流算法：動態時間規整（DTW）、支持向量機（SVM）、矢量量化(VQ)。

技術局限：同個人感冒就識別不了，匹配方法原始，命令詞多了識別效率很慢。第二階段：概率統計型（1993年~2009年）

部分廠家稱為非特定人語音識別，準確來說是概率統計型，主流的技術是GMM+HMM。

HMM模型將語音轉換文本的過程中，增加了兩個轉換單位：音素和狀態GMM 是將狀態的特征分部，用概率模型來表述，提升語音幀到狀態的準確率。

基于GMM-HMM框架，后續又提出了許多改進方法：動態貝葉斯方法、區分性訓練方法自適應訓練方法、HMM/NN混合模型方法等 GMM+HMM模型，在大詞匯量的語音識別情況下，識別準確率和效率均比較c差。

第三階段：辨別器分類方法（2009年至今）

常被成為深度神經網絡識別，是當下最主流語音識別技術類型，包括：

1、深度神經網絡/深信度網絡-隱馬爾科夫（DNN/DBN-HMM）。

2、遞歸神經網絡RNN——>LSTM&BLSTM：結合上下文建模，計算復雜度會比DNN增加。3、卷積神經網絡CNN：圖像識別的主流的模型，優化語音的多樣性，減少硬件資源浪費。

下一代語音識別技術：端到端CTC？

不再需要HMM來描述音素內部狀態的變化，而將語音識別的所有模塊統一成神經網絡模型。國內大廠的技術選擇：科大訊飛–深度全序列卷積神經網絡DFCNN）、阿里LFR-DFSMN、

百度SMLTA、Kaldi。

三、語音識別芯片的比對

按照語音識別的市場應用的發展方向，我們可以將語音識別芯片分為兩大類：

在線語音識別：即大詞匯量連續語音識別系統

典型應用：在線翻譯、智能客服、大數據分析、服務機器人等。

離線語音識別：即小詞匯量、低功耗、低成本的語音識別系統。

典型應用：智能家電、語音遙控器、智能玩具、車載聲控、智能家居等。離線和在線的區別在于：語音識別的工作是放在本地設備端還是云端服務器。

在線語音識別芯片：

在線語音芯片只做前端語音處理，后端識別處理都放在云端服務器，所以才稱為在線。在線語音識別芯片，嚴格來說定義也不大對了，它更像個”萬精油”型的芯片。芯片配置強大的CPU、大容量存儲、完整的音視頻和通訊接口，甚至會內置PMU、WiFi、PHY等功能。它可以被應用于語音識別，也可以應用于其他多媒體的處理，是個萬精油型的主控芯片。所以該類別的廠商，通常都是像的MTK、瑞芯微、全志這類最早做平板和手機CPU的。

該類芯片包括：士蘭微和阿里合作的SC5864、全志與科大訊飛合作的R16和XR872、瑞芯微 RK2108、MTK MT8516、炬芯ATS3605D等，典型的應用就是智能音箱。

（注：本文關注重點是離線語音識別，在線的就不展開詳細敘述和對比了。）

離線語音識別芯片

根據前兩個篇章的內容，結合公司背景等因素，我將語音識別芯片分類如下：

芯片比對參數說明：

識別距離&識別率：屬于芯片的兩個重要顯性指標，與消費者的體驗直接相關，但由于每家廠商測試的前提條件各自不同，也跟芯片的市場定位有關，所以并非絕對指標。

處理器：分為MCU和Audio Core，前者偏芯片與周邊期間協同合作的控制器，后者偏處理音頻信號和跑識別算法，后者相對于前者更重要些，是直接決定芯片的語音識別的響應速度和準確率的重要因素。

存儲：硬件存儲決定了處理器可調用的資源大小，也決定了識別詞條數量

語音算法：分前端信號處理算法（降噪\波束成形\回應消除\VAD靜音抑制\麥克風矩陣\遠場識別等)和后端識別算法（聲學模型算法/NPL自然語言等）。這個是偏軟的參數

音頻通道&外設接口： 芯片與周邊器件的通信橋梁，對于語音識別來說，音頻的輸入和輸出更重要，單獨提列出來。音頻輸入分模擬輸入(ADC)和數字輸入(PDM)，音頻輸出通常是DAC。

電源功耗：功耗不能直接比對大小，而是要比能耗比，即同樣性能下的功耗對比。

其他因素：工作溫度、封裝等，以及特殊備注。以上參數，除了通用的硬件參數，其余的各家定義也略微有些不同，不能單獨對比。

1.0&2.0時代：傳統型

算法模型主流是GMM+HMM，或者模型匹配(語音標簽)的。而且，由于芯片配置簡單，不具備降噪等功能，識別距離在2_{5m，識別率通常在90%左右。詞條數5}10條。

每家的芯片有基本的ASR功能，但各自都有”性能短板”：不帶主控、不帶存儲、語音指令和算法外掛、OTP固定詞條、性能低端、接口單一等等，這些短板，都是為了降低成本，在低端市場需要有成本優勢。

廠商分析：臺灣 新塘、凌陽

臺灣系早幾年前曾是離線語音識別領域最活躍的，包括芯片廠新塘和凌陽，以及臺灣賽維這類算法公司。本人就曾推廣過新塘ISD9160，當時在家電領域應用挺多，但因識別率差等原因，消費市場反饋差，需求下滑很快。

都是曾經非常通用的語音識別芯片，有現成的動態指令庫，開發簡單好用。

ICRoute 上海音航

根據以上表格，這家公司的LD3320除了沒有MCU，其余語音識別功能都比較完整，所以識別率達到95%和命令詞50條。再看其官網（http://www.icroute.com/) 的開發資源和技術介紹非常完整，也有方便用戶定制指令的軟件工具。如果不考慮價格，個人感覺他們家在傳統型中，應該算是最棒的。

另外，該公司的大股東孫放，也是北京雷動云合的聯合創始人，雷動云合是做視覺識別產品的。果然，大佬們都盯著未來AI人機的兩大入口：視覺 & 語音識別。

廣州九芯\深圳唯創

除了語音識別，都有做語音芯片(常見于兒童玩具)，在網上很活躍，成本應該很低。

同類的還有深圳盛矽和深圳捷通等，都是集中在廣東區域啊，廣東的汕頭澄海盛產的玩具產品等可是遍及全球呢，產業的發達果然是能帶動起周邊相關行業的發展啊。

3.0時代：互聯網型

互聯網公司最近幾年紛紛活躍于互聯網行業之外，尋找新的增長點或加深企業護城河縱深。語音識別和視覺識別作為人機交互兩大入口，自然也就得到互聯網企業的青睞。但互聯網公司自身沒有芯片設計能力，往往需要借助外力，戰略合作和\收購控股\購買成熟IP等是常見手段。

互聯網公司推出的語音識別芯片，紛紛專注于用上高配置的DSP（功耗自然不低），而且擁有豐富的外設接口，芯片可以實現離在線一體化的功能。主要技術特點側重于后端識別算法，但前端信號處理能力也不弱。

互聯網型還有個廣為人知的特點，以低價殺穿市場，快速獲取用戶增長。這個我們看在近年來互聯網行業大規模燒錢競爭即可知。只是我個人覺得，所謂的互聯網思維對于需要長周期精耕細作的芯片行業來說，是否利大于弊還是搞亂一鍋粥大家都挨餓？

廠商分析：

互聯網巨頭：阿里巴巴和百度

兩家互聯網巨頭本身都有各自成功的智能音箱產品：天貓精靈和小度，各自也分別選擇多家芯片原廠合作推出在線和離線芯片，實現自產自銷。阿里平頭哥 將IP賣給合作公司，百度則是購買Candence HiFi4 IP（話說這個IP最近看了至少有三家在用或即將用）

在線語音識別巨頭：訊飛、思必馳、云之聲

三家在線語音識別巨頭，紛紛從云端幕后往前臺站出來，將已有的語音識別算法技術優勢，進一步下沉到端側的離線語音識別芯片，打通線上和線下。三家各自市場側重點都不同，訊飛側重教育行業、思必馳側重車載行業、云之聲側重家電行業，當然這個劃分也非絕對，各自肯定有交叉競爭關系。

語音算法公司：互問、華鎮

相比訊飛等三家，互問和華鎮的技術更”硬”一些，技術也更偏硬件側。兩家各自都找第三方芯片公司，合作推出自家命名的芯片產品。3.0時代：純芯片型

純芯片型大部分屬于初創新公司，擁有完整得芯片設計到算法開發的能力，相比于傳統型，純芯片型算法技術更優；相比于互聯網型，純芯片型更專注芯片硬件技術。

芯片語音處理核心，多為專用的NPU。同等資源下，NPU算力和能耗比遠高于通用DSP。而且該類芯片多具有強大的前端信號處理能力，能真正做到降噪\原唱識別等功能。加上不斷優化的聲學算法模型和語料定制，識別率通常在95%以上。

廠商分析：

探境 & 清微 & 知存

三家北京系的公司，在NPU(網絡神經處理器)上有各自的技術特點和優勢，語音識別的處理能力最優，能耗比很高。其中探境較早實現量產，以及扎實的技術持續優化，在高噪音語音識別率和原廠識別表現上，在市場上一枝獨秀。另外還有一家北京公司：承芯卓越，暫未查到資料。

啟英 & 人麥

兩家是最早一批進入3.0時代的廠商，產品均已迭代至第二代，產品經過幾年的市場驗證較為成熟，也有一定的客戶群體。

杭州國芯

國芯成立于2001年，芯片行業的老兵。業務分為兩大塊：衛星數字電視方案和AI語音識別方案。語音識別的芯片較多，其中剛推出的GX8002A主打”高集成度和小體積”特點，主攻TWS耳機和可穿戴應用。

普林芯馳：該公司暫時了解不多總結：

市場角度看，語音識別市場當前還遠不成氣候，仍然屬于比較前言的領域。無論是純芯片型還是互聯網型，各自沒有真正意義上你死我活的競爭關系，因為與其爭奪現有的小餅干，還不如一起拱成大蛋糕分而食之。增量市場階段，合作共贏更符合各自利益。

產品角度看，語音識別技術仍然有很大的技術進步空間，實際消費者的體驗也有待優化，包括像自然語言、非連續性回音消除、端到端技術應用等。也有人說，語音識別芯片加上無線通訊技術，實現離在線一體，兼顧響應速度和識別靈活度。

產業鏈角度看，從我整理的國內射頻芯片原廠開始，到這篇語音識別，知名的廠商都更多集中在北京和上海，深圳雖然有著發達的電子企業和成熟的芯片供應體系（華強北），但芯片制造等產業配套是比不了北上。而且半導體本身屬于長周期的投入，可能也不能兼容快節奏的深圳？

離線語音識別模塊：可直接用于空調、冰箱、洗衣機、油煙機、飲水機、風扇等。

特點：1、長距離和高噪音下的高識別率；2、超高性價比，絕對不玩高大上

參考網址：https://www.toutiao.com/i6873795470095974916/

總結

以上是生活随笔為你收集整理的离线语音识别芯片对比的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。