基于語音識(shí)別技術(shù)用于錄音應(yīng)用

在一個(gè)癡迷于互聯(lián)網(wǎng)隱私的世界里，令人驚訝的是，我們很少談?wù)撓?Amazon Echo 這樣的始終在聽的設(shè)備。畢竟，一家想要了解你生活中的私密細(xì)節(jié)以便向你推銷更多東西的公司會(huì)在你的廚房里永久打開一個(gè)麥克風(fēng)。

如果您擁有 Echo 并且不知道此功能，請(qǐng)打開您的 Alexa 應(yīng)用程序，選擇“設(shè)置”菜單，然后選擇“歷史記錄”。聽一聽。所有這些錄音都是為 Echo 準(zhǔn)備的嗎？

我想隱私是現(xiàn)代消費(fèi)主義中便利的代價(jià)。事情將變得更加方便。

雜音、雞尾酒會(huì)、便利和圣誕節(jié)

XMOS 是一家從布里斯托大學(xué)分離出來的無晶圓半導(dǎo)體公司，專注于語音和音樂處理 IC。在這些 IC 中，基于 32 位 xCORE MCU 架構(gòu)的設(shè)備在語音識(shí)別市場上取得了顯著的成功，提供了 16 個(gè)可編程內(nèi)核（分為 8 個(gè)內(nèi)核的兩個(gè)區(qū)塊，每個(gè)內(nèi)核共享一個(gè)地址空間），DSP 功能集成在相同的芯片。

XMOS 將 xCORE 架構(gòu)加入到用于亞馬遜 Alexa 語音服務(wù) （AVS） 的 VocalFusion 4-Mic 開發(fā)套件中。該套件圍繞英飛凌的 VocalFusion XVF3000 集成遠(yuǎn)場語音處理器和四個(gè)高信噪比 （SNR） MEMS 麥克風(fēng)而設(shè)計(jì)。XMOS 聲稱該套件是市場上第一個(gè)遠(yuǎn)場線性麥克風(fēng)陣列解決方案。

在范圍之外，在解決“雞尾酒會(huì)”問題或平臺(tái)需要將單個(gè)揚(yáng)聲器的聲音與嘈雜環(huán)境隔離的情況時(shí)，遠(yuǎn)場語音處理變得非常有趣。在 5 m 或更遠(yuǎn)的距離處，VocalFusion 4-Mic 開發(fā)套件使用聲學(xué)回聲消除 （AEC）、自適應(yīng)波束形成、動(dòng)態(tài)去混響和自動(dòng)增益控制 （AGC） 的組合來隔離和提取聲音信號(hào)主講者。除此之外，事情開始變得令人毛骨悚然。

今年早些時(shí)候，XMOS 收購了馬薩諸塞州波士頓的 Setem Technologies， Inc.，該公司開發(fā)了用于盲源信號(hào)分離的大規(guī)模傅立葉變換。這些盲源分離算法在數(shù)學(xué)上從一組信號(hào)中分解源信號(hào)的元素，然后單獨(dú)或作為組重構(gòu)它們（圖 1）。在語音識(shí)別中，這可以應(yīng)用于單個(gè)說話者，甚至是對(duì)話。

圖 1.現(xiàn)在隸屬于 XMOS 的 Setem Technologies 開發(fā)了盲源分離算法，可用于隔離嘈雜環(huán)境中的一個(gè)或多個(gè)揚(yáng)聲器。

現(xiàn)在，在理論上（或許在實(shí)踐中），盲源分離可用于隔離房間內(nèi)多個(gè)說話者的語音頻率，從而為每個(gè)說話者建立生物識(shí)別身份。正如你可以想象的那樣，這種技術(shù)的應(yīng)用可能會(huì)很廣泛，不僅僅是亞馬遜想知道你的每個(gè)家庭成員想要什么圣誕節(jié)。例如，監(jiān)視立即浮現(xiàn)在腦海中。

這讓我們回到了 VocalFusion 4-Mic Dev Kit 的線性麥克風(fēng)陣列。雖然 Amazon Echo 和 Google Home 等許多平臺(tái)使用圓形陣列的全向麥克風(fēng)來提供 360 度的房間覆蓋，但線性陣列設(shè)計(jì)用于 180 度的弧度。這很有趣，因?yàn)檎Z音識(shí)別領(lǐng)域的領(lǐng)導(dǎo)者設(shè)想了一個(gè)未來，今天基于塔的虛擬助手將退居電視、冰箱、沙發(fā)、墻壁等日常物品中——你可以說出來。

這個(gè)未來被設(shè)計(jì)為超級(jí)方便，通過音節(jié)提供服務(wù)。但小心點(diǎn)。你可能不知道誰或什么在聽。

審核編輯：郭婷