語音識別“拐點”已至，現(xiàn)在切入才是好時機？

“現(xiàn)在切入語音識別正是好時機，更早進入也是在教育市場，過去兩年一些公司的出貨量經(jīng)歷了非常殘酷的考驗?，F(xiàn)在行業(yè)進入拐點時期，我們進入正是最好的時間點”，探境科技CEO魯勇對<電子發(fā)燒友>表示。

“拐點”之說何來？

根據(jù)Gartner在今年8月底發(fā)布的“人工智能技術(shù)成熟度曲線”可以看到，處于生產(chǎn)力成熟期（Plateau of Productivity）的技術(shù)僅有兩項：語音識別（Speech Recognition）和GPU加速器（accelerators），且正處于爬升態(tài)勢。來自市場的反饋同樣如此，這兩項技術(shù)是當前落地最快、最多的AI項目。

在語音識別的落地項目中，場景最多的當屬智能家居領(lǐng)域，以智能音箱為典型代表。但是，從用戶反饋來看，兩大問題已經(jīng)浮現(xiàn)出來：一是在真實語音交互場景中，在復(fù)雜的聲場環(huán)境、噪音的影響下，語音識別準確率直線下降；二是越來越多安全問題的爆出，讓用戶對于家中的這個“云耳朵”充滿了擔憂。

第一批智能音箱在滿足了用戶的好奇心之后，成為非常雞肋的一個產(chǎn)品，要么在家中落灰，要么需要時時警惕，僅在偶爾使用時才敢接上電源。

在成為爆款這件事上，智能音箱讓業(yè)界失望了。

滿足好奇心過后，語音交互下一波靠什么撬動市場？是價格嗎？

是，也不全是。在巨大的市場痛點面前，誰能抓住用戶需求，真正解決問題，誰才有希望在這條擁擠的賽道上前進一小段。

市場正在開始新一輪的篩選。

市場需要什么樣的語音識別方案？

語音作為人機交互的重要方式之一，終極目標是實現(xiàn)自然的交互。而當前的技術(shù)遠遠達不到，在語音識別這一環(huán)節(jié)，解決噪音問題、提升遠場語音識別率、消除用戶顧慮/提升安全性成為當務(wù)之急。

在家居場景下，語音識別面臨兩大挑戰(zhàn)：

第一是低信噪比。在我們的生活場景中，存在著一些高噪聲的環(huán)境，比如抽油煙機或者掃地機器人，這些設(shè)備上噪聲最低也有70分貝。麥克風(fēng)距離這些設(shè)備非常近，而操作者距離麥克風(fēng)會更遠些，這些因素疊加，會導(dǎo)致語音識別設(shè)備采集到的信噪比非常低，給識別帶來很大的挑戰(zhàn)。

第二是非穩(wěn)態(tài)的噪聲的影響。傳統(tǒng)降噪算法無法處理，比如電視劇聲音/音樂突然的節(jié)奏變化，或者是做飯時叮叮咣咣的聲音等，都帶有突發(fā)性和不可預(yù)見性。

為了解決上述挑戰(zhàn)，增強語音信號質(zhì)量、提升信噪比，業(yè)界通常采用麥克風(fēng)陣列的方式。但是，在干擾信號和目標聲源方向接近的場景下，傳統(tǒng)的麥克風(fēng)陣列增強算法幾乎無法處理。

據(jù)<電子發(fā)燒友>了解，目前市面上的智能語音芯片方案可粗略分為兩種：一種是披著“AI”外衣的DSP，這種方案可實現(xiàn)輕量級的NN支持，在識別指令數(shù)量方面有提升，但是通常并無降噪支持；另一種可支持RNN/CNN/DNN等模型、架構(gòu)上通常采用MCU+NN或MCU+DSP+NN。

在魯勇看來，未來用戶體驗要求會越來越高，相應(yīng)地將造成算法越來越復(fù)雜，對算力的要求將更高。只有從底層進行顛覆性創(chuàng)新，才能真正解決問題。

揭密探境語音識別三大核心技術(shù)

AI降噪+HONN神經(jīng)網(wǎng)絡(luò)提升識別率

在語音識別的研發(fā)過程中，一個完整的識別鏈路可以簡化為麥克風(fēng)輸入、降噪處理、語音識別、識別結(jié)果輸入四個環(huán)節(jié)。想做好識別，首先要在降噪處理上下功夫。

探境自研的AI降噪算法基于深度學(xué)習(xí)，不僅能夠處理穩(wěn)態(tài)的噪聲，非穩(wěn)態(tài)的突發(fā)性噪聲也能很好的過濾。據(jù)探境科技副總裁李同治介紹，憑借探境AI降噪算法的有效性，他曾將一批信噪比在3dB左右的語音數(shù)據(jù)做了測試，降噪后比降噪前提高30%識別準確率。

在對聲音進行降噪處理之后，就進入到了語音識別環(huán)節(jié)。在這一環(huán)節(jié)中，神經(jīng)網(wǎng)絡(luò)模型所需的算力決定了模型的描述能力，同時也決定了模型處理能力和識別率的上限。

以往的語音識別算法，用的最多的是全連接的操作DNN/DTNN。據(jù)了解，國內(nèi)多家語音識別芯片采用的都是DNN的方法。

探境將計算機視覺的經(jīng)驗遷移到語音識別中，在語音識別算法上加入了更多的卷積操作，重新設(shè)計了一個高計算強度的神經(jīng)網(wǎng)絡(luò)，即HONN（High Operation Neural Network）。
在高計算強度神經(jīng)網(wǎng)絡(luò)里，每一個處理單元變成了立體維度，所能處理的信息量和計算密度，也遠遠超過傳統(tǒng)DNN/DTNN的方法。

由于多了一個維度的識別，性能方面得到了顯著提升：DNN需要1.6M的存儲空間，而HONN僅需要350k，這意味著可以使用存儲空間更少、成本更低的芯片來做語音識別。

同時，DNN與HONN所需的算力相反。在處理高強度模型單幀時，HONN需要超過幾百兆OPS，而一般的DNN模型需要個位數(shù)的算力。兩者相差超過30倍。對于神經(jīng)網(wǎng)絡(luò)來說，模型所需的算力決定了模型的描述能力，同時也決定了模型處理能力和識別率的上限，從國內(nèi)外趨勢來看，最近工業(yè)和學(xué)術(shù)界趨向于使用算力需求大的模型來做建模。

據(jù)李同治介紹，就好比動物界大腦新皮層的容量決定著物種的智力程度，比如人類的新皮層容量是普通哺乳動物的近100倍，相應(yīng)的，人類的智能程度超出普通哺乳動物幾個數(shù)量級。

卷積運算與人類大腦負責(zé)感知模塊的處理方法類似，能夠提取滿足大腦認知的本質(zhì)特征。在參數(shù)數(shù)量相同的條件下，HONN通過卷積操作能夠提供更高的計算強度，提高模型的算力需求。相對安靜的環(huán)境下兩者之間差別不大，但是當信噪比進一步降低時，基于HONN的方法識別優(yōu)勢非常明顯。

端到端FCSP雙麥算法簡化識別流程

“為了克服傳統(tǒng)分模塊語音增強算法的缺點，我們設(shè)計出了基于FCSP的端到端AI雙麥算法”，李同治表示。FCSP（Frequency Complex Subspace Projection）是探境自研的頻域復(fù)數(shù)子空間投影算法的簡稱。

據(jù)了解，“端到端”是目前國際前沿的處理算法，亞馬遜、谷歌等都在采用類似的方法。探境基于FCSP的端到端雙麥算法直接輸入陣列信號，輸出的是最終的識別結(jié)果，中間部分全部交給基于深度學(xué)習(xí)的AI算法來處理，不再使用傳統(tǒng)的數(shù)字信號處理方法。信號增強與識別模塊整體以降低識別錯誤率為目標進行優(yōu)化，避免了語音增強與語音識別模塊錯配的問題。在信噪比為0dB時，相對于傳統(tǒng)的處理算法，相對識別錯誤率降低超過20%。

存儲優(yōu)先的SFA芯片架構(gòu)

魯勇談到，在核心技術(shù)方面，市面上一些玩家像是在跛著腳走路，要么有芯片沒算法，要么有算法沒芯片，這樣在市場上無法形成真正的競爭力。性能優(yōu)異的算法+算力強勁且通用性強的芯片，才能充分發(fā)揮實力，探境就是要提供全棧式的技術(shù)能力，包括芯片設(shè)計、算法研究、軟件開發(fā)和系統(tǒng)集成，提供Turn-key整體解決方案。

探境的骨干力量在行業(yè)內(nèi)擁有10-20年的工作經(jīng)驗，其中一些曾就職于Marvell、英偉達、高通、Intel、硅谷數(shù)模等知名公司?；诙嗄甑慕?jīng)驗和對AI未來的預(yù)判，他們決定推翻馮諾依曼體系，推出了存儲優(yōu)先（SFA）的芯片架構(gòu)。

SFA架構(gòu)以存儲驅(qū)動計算，具有能效比高、資源利用率高、通用性強等特點。在SFA架構(gòu)上實現(xiàn)深度學(xué)習(xí)時，只需要一個較高層次的神經(jīng)網(wǎng)絡(luò)描述。SFA的編譯器首先將這個神經(jīng)網(wǎng)絡(luò)進行全部融合，然后根據(jù)具體架構(gòu)實現(xiàn)的規(guī)模產(chǎn)生一個統(tǒng)一的存儲流圖，再進行存儲節(jié)點的時空映射，最后根據(jù)各個節(jié)點之間的計算類型配置計算單元，組合起來形成一個統(tǒng)一的固件供SFA控制器使用。

在28nm常規(guī)工藝芯片的對比測試中，SFA架構(gòu)在乘法器數(shù)目相同情況下（DRAM為LPDDR4），結(jié)果如下表，系統(tǒng)能效超過4T OPS/W，甚至超過12nm的芯片方案。

測試網(wǎng)絡(luò)	數(shù)據(jù)訪問量 DSP VS SFA	存儲子系統(tǒng)功耗 DSP/SFA
inceptionv3	32：1	9：1
mobilenetssd	43：1	11：1
resnet50	17：1	6：1
VGG19	108：1	17：1
yolov2	47：1	12：1

探境有一句宣傳語：NPU的性能，MCU的價格，背后動力主要來源于芯片架構(gòu)的優(yōu)化。設(shè)計這樣一個全新的架構(gòu)難度不言而喻，據(jù)魯勇介紹，其中涉及數(shù)學(xué)、計算機架構(gòu)、數(shù)據(jù)管理調(diào)度、硬件設(shè)計經(jīng)驗等，是個復(fù)雜的綜合工程，并且要把這些方法揉在一起發(fā)揮出最大效力，通過算法和調(diào)度方式降低資源的連接復(fù)雜度，從而降低功耗，提高對數(shù)據(jù)本身的使用效率。他強調(diào)，SFA存儲優(yōu)先，不同于存算一體架構(gòu)。后者需要從底層工藝去修改芯片設(shè)計，而存儲優(yōu)先是算法上的更新，無需修改芯片底層單元庫。在當前商業(yè)化節(jié)奏越來越快的潮流之下，這種架構(gòu)更通用、更兼容，大大加快了商業(yè)化落地速度。

探境能否漸入佳境？

依托于獨有的AI降噪技術(shù)和HONN神經(jīng)網(wǎng)絡(luò)，探境的Voitist音旋風(fēng)611可以覆蓋絕大部分生活場景，量產(chǎn)供貨僅半年，已經(jīng)實現(xiàn)百萬級出貨。目前，探境擁有約30家合作伙伴，包括美的、海爾等智能家居制造大廠，智能家居制造商阿凡達智控、渠道商世強科技也剛剛與探境達成合作。

從探境首次曝光的產(chǎn)品矩陣來看，覆蓋低功耗產(chǎn)品、主流產(chǎn)品、旗艦產(chǎn)品三大系列、六顆AI芯片，對于離在線一體、本地NLP、超低功耗產(chǎn)品等都有布局，希望形成智能家居網(wǎng)絡(luò)的矩陣式入口。

離線智能語音交互是當前一個重要的細分領(lǐng)域，無需聯(lián)網(wǎng)可在本地實現(xiàn)語音交互，不僅能夠保護隱私安全，同時也可以減少用戶大量數(shù)據(jù)傳送到云端的壓力，當前主要應(yīng)用于白電市場?？赏ㄟ^離線智能語音控制的家電產(chǎn)品目前包括：燈控、空調(diào)、電視機、油煙機、玩具等。

不過，探境不僅僅滿足于做一家語音方案公司。初嘗到語音市場的甜頭后，探境把觸角伸到了下一個紅利市場——圖像識別。據(jù)魯勇介紹，探境的圖像芯片在2019年Q4已經(jīng)流片成功，在某些領(lǐng)域已經(jīng)開始產(chǎn)生營收了。根據(jù)公布的核心指標來看，核心能效比IPS/W達800，是目前全球AI芯片中最高的，而這足以支撐探境去云端推理市場正面PK。

不過，就像魯勇所說，AI芯片像馬拉松長跑，比的是耐力，而不是沖刺速度，在這場比賽中，不是要看誰跑得快，而是要看誰有潛力到達終點，誰在中途不走岔路。

探境能否從智能家居開始，打穩(wěn)地基，漸入佳境？還需要市場應(yīng)用最后給出答案。