Умная обработка голосовых данных обеспечивает более долгую жизнь батарее для Always-On устройств

Always-On устройства — от умных колонок до носимых гаджетов — трансформировали повседневную жизнь, но их требования к батарее остаются насущной проблемой.

Хотя голосовые ассистенты кажутся неотъемлемым атрибутом современной жизни, Amazon запустила свой первый умный динамик Echo только в конце 2014 года. Сегодня сотни миллионов голосовых устройств, от домашних хабов до наушников, постоянно слушают кодовое слово. SAR Insight & Consulting прогнозирует, что к 2023 году установленная база всегда-включенных, голосовых устройств приблизится к одному миллиарду единиц.

В сердце этих систем — ультраминиатюрные MEMS-микрофоны, захватывающие окружающий звук. Изначально облачный анализ казался идеальным, но огромный объем данных, генерируемый IoT-устройствами — 41,6 миллиарда устройств к 2025 году дадут 79,4 зеттабайта данных (International Data Corp.) — перегрузил сетевую полосу пропускания и сажал батареи устройств. Это узкое место ускорило сдвиг к edge computing, приближая изощренную обработку ближе к сенсору.

Edge Computing встречает TinyML

Современные edge-решения используют низкоэнергетные цифровые сигнальные процессоры и микроконтроллеры с встроенными нейросетями — TinyML чипы. Эти чипы могут выполнять сложное обнаружение кодового слова локально, снижая зависимость от облачных ресурсов. Однако они всё еще наследуют устаревшую архитектуру, заставляющую каждый аналоговый аудиосэмпл немедленно конвертироваться в цифровой, даже когда голоса нет. Следовательно, OEM тратят 80–90% жизни батареи на обработку нерелевантных данных, заставляя потребителей выбирать между настенными, непортативными ассистентами и батарейно-ограниченными портативными.

Сила аналоговой первой обработки

Чтобы преодолеть эту неэффективность, дизайнеры обращаются к парадигме, вдохновленной человеческой сенсорной системой: сначала обрабатывают сырые аналоговые сигналы, и только при необходимости вызывают цифровые движки. Аналоговая цепь превосходна в низкоэнергетном, реальном времени извлечении признаков — например, обнаружении, содержит ли звук голос — до любого цифрового преобразования. Эта стратегия держит высокоэнергетные цифровые процессоры в глубоком сне до обнаружения настоящего кодового слова, драматически продлевая жизнь батареи.

Принятие аналоговой первой, био-вдохновленной архитектуры не требует, чтобы каждый чип эмулировал мозг. Вместо этого она переосмышивает системную иерархию: аналоговый фронт-энд выступает диспетчером трафика, фильтруя шум и пересылая только значимые данные в TinyML ядро.

Био-вдохновленная edge-обработка фокусирует цифровую мощность на самых релевантных сенсорных данных. (Изображение: Aspinity)

Потребительские выгоды

Минимизируя конвертацию данных и используя аналоговую предобработку, производители могут доставлять голосовых ассистентов, работающих месяцами на одном наборе батарей, устраняя необходимость постоянного питания от сети. Результат — более гибкий, удобный для пользователя опыт — представьте голосовой пульт ДУ для ТВ, работающий год на одной зарядке.

Ссылка

¹ International Data Corp. Worldwide Global DataSphere IoT Device and Data Forecast, 2019–2023. June 2019

>> Эта статья была впервые опубликована на нашем партнерском сайте EE Times Europe.