Edge AI и низкопотребляющее железо питают рост голосового управления

Голосовое управление быстро проникает практически в каждое потребительское edge устройство. Благодаря прорывам в алгоритмах распознавания голоса и низкопотребляющих AI ускорителях, даже батарейно-ограниченные приборы теперь могут предлагать интеллектуальные голосовые интерфейсы.

С потребительской перспективы, первичные мотивации для voice-enabled умных домашних гаджетов просты.

Легкость использования и удобство движут принятие, сказал Алиреза Кенарсари-Анхари, CEO PicoVoice, EE Times. Представьте, командуя вашей офисной кофемашиной со стола или говоря сушильной машине, что делать, пока вы жонглируете бельем.

Хотя многие из этих устройств остаются подключенными к розетке и всегда подключенными к домашнему Wi-Fi, обработка аудио локально предлагает убедительные преимущества приватности и надежности.

Edge AI мотивирован приватностью — потребители хотят держать свои разговоры локальными, и предприятия часто требуют строгих контролов данных — и надежностью. Хотели бы вы, чтобы ваша стиральная машина остановилась из-за Wi-Fi сбоя? спросил Кенарсари-Анхари.

Латентность важна для time-sensitive сценариев использования, таких как игры, где даже миллисекунды могут влиять на опыт.

Облачный вывод несет повторяющиеся затраты на запрос, что неудержимо для высокочастотных, низкомаржинальных устройств. Edge обработка устраняет эти затраты.

PicoVoice предлагает cloud-free speech-to-text движок, работающий на микроконтроллерах ценой ниже $1. Это открывает голосовое управление для носимых, hearables и даже промышленных, безопасности и медицинских устройств, требующих экстремальной энерго- и стоимостной эффективности.

Её новая платформа Shepherd позволяет разработчикам создавать голосовые приложения на микроконтроллерах без написания кода, интегрируясь с PicoVoice Console. В настоящее время она поддерживает популярные ARM Cortex-M MCU от ST и NXP, с дополнительными устройствами в дорожной карте.

Я думаю о голосе как интерфейсе — если вы можете построить свой GUI или веб-сайт без кодирования, возможно, используя WordPress, построение голосовых интерфейсов похожим способом — следующий логический шаг, сказал Кенарсари-Анхари. Shepherd уполномачивает продукт-менеджеров и UX дизайнеров прототипировать и итерировать быстро, и мы нацелены расширить его целевую базу пользователей. Что, если каждый мог бы построить своего ассистента? Назвать его как угодно — не Alexa — и дать ему личность, которую они желают.

Хотя возможно разрабатывать natural language processing модели с нуля, это требует значительных ресурсов. Apple, Amazon, Google и Microsoft сделали это, он добавил. Это вопрос того, имеет ли предприятие способность и волю построить посвященную организацию вокруг этого.

Будущие тренды

Голос становится предпочитаемым интерфейсом для следующего поколения пользователей технологий, Курт Буш, CEO Syntiant, сказал EE Times прошлым летом.

Буш вспомнил своего младшего ребенка — который мог читать, но еще не писать или писать — использующего голос для текстовых сообщений друзьям на смартфоне. Их поколение получило телефоны рано; они теперь по умолчанию говорят, сказал он. Он видит голос как сенсорный экран будущего, с in-device обработкой доставляющей быстрые, отзывчивые интерфейсы сначала на клавиатурах и мышах, затем на белых товарах.

Специализированные AI ускорители Syntiant обрабатывают голосовые рабочие нагрузки в потребительской электронике с низкими энергобюджетами. На сегодня компания отгрузила более 10 миллионов чипов по всему миру, большинство из которых питают always-on keyword detection мобильных телефонов. Последний NDP120 может распознавать hot words вроде «OK Google» и активировать ассистента под 280 мкВт.

Буш также видит голос как демократизирующую силу. Три миллиарда людей живут на $2 в день и часто лишены интернета или формального образования. Речь — естественный интерфейс для них, объяснил он. Voice-first приложения могут принести технологию в недостаточно обслуживаемые регионы, как стоимоэффективно, так и комфортно.

Фрагментация рынка

Быстрый рост может вести к фрагментации, сказал Викрам Ширастава, старший директор IoT в Knowles. Рынок расколачивается по speech engine, аппаратной платформе, операционной системе и акустической среде — дом, дверной звонок, машина, и т.д.

Knowles предлагает DSP-базированные голосовые контроль решения, адаптированные к разным вертикалям. Группируя рынки с общими нуждами — такие как домашний контроль, TV звуковые панели и пульты — оно может доставлять оптимизированные, «one-level-below-turnkey» продукты. Мы запускаем множественные релизы, адресующие специфические точки фрагментации, позволяя нам служить вертикалям, на которые мы таргетим, сказал Ширастава.

Последний AISonic Bluetooth Standard Solution от Knowles — это dev kit для голосового распознавания в Bluetooth-подключенных устройствах вроде умных колонок, носимых и in-vehicle ассистентов. Построенный на IA8201 dual-core DSP кремнии, он запускает keyword spotting, source classification, beamforming, acoustic echo cancellation и source direction estimation одновременно, все в пределах 50 мВт. Эта эффективность исходит от набора инструкций с почти 400 кастомными аудио и AI инструкциями, позволяя более низкие тактовые частоты и сниженное потребление мощности.

Sugr's iOttie Aivo Connect vehicle smartphone holder использует Knowles' IA8201 для in-car голосовых возможностей. У него встроенная Alexa voice assistant capability. (Источник: Knowles)

Становится ли голос дефолтным пользовательским интерфейсом через большинство потребительской электроники? Конвергенция передовых, эффективных AI голосовых алгоритмов, developer-friendly тулчейнов и растущей экосистемы низкопотребляющего, низкозатратного железа предполагает, что он движется в этом направлении.

>> Эта статья изначально публиковалась на нашем партнерском сайте EE Times.