Как голосовые интерфейсы демократизируют взаимодействие: тренды, технологии и рост рынка

Голосовое управление — прорыв в HMI

Голосовое управление часто называют ключевым прорывом в взаимодействии человек-машина, устраняющим необходимость в наборе текста и указании. Ранние попытки застряли, пока умные колонки не продемонстрировали истинный потенциал голосовых команд. Сегодня быстрые достижения в точности распознавания, наборе функций и широте применения распространяют голосовые интерфейсы по смартфонам, гарнитурам, hearables и умным домашним устройствам. Пока доминирующие решения всё ещё опираются на горсть крупных платформ, ландшафт меняется. Голосовая активация всё чаще встраивается прямо в устройства, предлагая кастомизацию, превосходную шумоустойчивость, низкое потребление, расширенную дальность и производительность на уровне лидеров отрасли.

(Источник: CEVA/Shutterstock)

Рынок и прогнозы

По данным FutureSource, потребительский аудио-рынок падал между 2008 и 2012 годами, когда аудио-опыт мигрировал в основном на смартфоны. Рост остановился с 2012 по 2014, но с 2015 по 2018 рынок возродился с CAGR 15%, во многом благодаря голосовой активации. Прогнозы Yole Développement предсказывают минимум 30% CAGR до 2023 года, преимущественно за счёт распознавания речи. Большинство этого расширения сконцентрировано в смартфонах, далее — гарнитуры, hearables, персональные ассистенты и умные бытовые приборы вроде ТВ и кухонных устройств. Отчёт также подсвечивает новую эру умного аудио, где голосовое управление становится всё более первазивным по мере привыкания потребителей к этому режиму взаимодействия.

Ключевые требования: always-on и шумозащита

Во всех развёртываниях цель — дифференциация. Батарейные устройства вроде смартфонов выигрывают от always-on прослушивания, устраняя ручной триггер. Для этого нужен ультра-низкопотребляющий детектор триггер-слова, требующий тесной связки железа и софта для минимального потребления в standby. Кастомизируемые триггер-слова — под бренд и на нескольких языках — повышают региональную проникновенность и глобальный охват. Пока некоторые системы форвардят последующие команды в мейнстримовые сервисы распознавания, другие могут полностью полагаться на on-device движок, особенно когда словарь ограничен.

Второе ключевое требование — надёжное распознавание и часто аутентификация в акустически сложных условиях. Голосовое распознавание сталкивается с уникальными вызовами по сравнению с распознаванием объектов. Среды вроде гостиных или автомобилей содержат множество одновременных источников звука: разговорная речь, ТВ, музыка, радио, фоновый шум, отражения от поверхностей. Эффективная изоляция команды, подавление эха и подавление фонового шума требуют продвинутых решений, использующих множественные микрофоны, бимформинг, эхо-канселляцию и шумоподавление.

Решения CEVA: WhisPro и ClearVox

Эти вызовы решаются существующими решениями вроде CEVA. Недавно запущенный движок распознавания фраз CEVA WhisPro™, основанный на нейросетевом софте на DSP CEVA, уже поддерживает «Alexa» и «OK Google» как триггер-фразы и может быть переобучен для любых кастомных триггеров. Он мультиязычен, поддерживает множественные триггеры одновременно и обучен на разнообразных шумовых средах. В результате WhisPro достигает более 95% точности распознавания с false-acceptance rate ниже одного в час, всё без облачной валидации.

В комбинации с CEVA ClearVox™, выделенным модулем захвата голоса, разработчики получают поддержку многомикрофонных схем, бимформинг для усиленного дальнего захвата, продвинутую эхо-канселляцию и шумоподавление. Интеграция WhisPro + ClearVox™ даёт конкурентное триггер-распознавание до 7 метров расстояния даже в шумных условиях.

Юваль Нахум — старший менеджер продуктового маркетинга CEVA по аудио и голосовой линейке продуктов. Юваль привносит более 20 лет междисциплинарного опыта в маркетинге, системной архитектуре, ASIC и софте в ведущих технологических компаниях. Страстен к предвидению долгосрочных трендов и ведению технических программ к успеху. Высококвалифицирован в объединении рыночных требований, определений продуктов, отраслевых стандартов и дизайн-инноваций в прорывные продукты. B.Sc. и M.Sc. в электротехнике из Техньона — Израильский институт технологий.