Проектирование энергоэффективных always-on голосовых систем команд

Голосовые ассистенты теперь встроены почти в каждый продукт, прибор и технологию. Пока они предлагают удобство, их постоянное прослушивание wake words — таких как «okay Google» или «Alexa» — разряжает питание. В мире, где устройства пролиферируют, снижение этого энергетического отпечатка необходимо.

Эта статья описывает ключевые соображения дизайна для низкоэнергопотребляющих, always-on голосовых систем команд, использующих voice activity detection (VAD). Она изучает trade-offs и выбор компонентов, позволяющих user-friendly, энергоэффективный голосовой пользовательский интерфейс (VUI).

VAD сначала проверяет наличие человеческой речи перед тем, как система слушает wake word. Это означает, что ассистент потребляет мощность только когда нужно. С 4.2 млрд цифровых голосовых ассистентов по всему миру и прогнозируемым удвоением к 2024, включение VAD может драматически сократить энергопотребление для пользователей и производителей.

Типичное VUI железо включает микрофоны — одиночные или массивы — подключенные к аудио процессору, захватывающему и обрабатывающему голос. Аудио поток может обрабатываться edge аудио процессором, умным микрофоном с встроенным процессором или стандартным приложением процессором (AP). Edge процессоры оптимизированы для низкой мощности и низкой латентности. Они также могут пост-обрабатывать выходной аудио и, когда cloud-connected, коммуницировать с главным SoC для беспроводной передачи.

Ультра-низкоэнергопотребляющий VAD

Рисунок 1 показывает архитектуру, достигающую ультра-низкой мощности, используя аналоговый сигнальный путь: аналоговый микрофон, компаратор и прерывание, которое будит аудио процессор только когда детектируется акустическая активность. Push-to-talk кнопка также может быть добавлена для ручного пробуждения.

Потому что аналоговый микрофон и компаратор должны всегда слушать, они должны потреблять минимальную мощность. Knowles IA8201 аудио процессор, например, потребляет менее 1 мВт в wake-up режиме и предлагает 1 МБ памяти для продвинутой обработки. Этот простой AAD (acoustic activity detection) подход хорошо работает для низкоэнергопотребляющих устройств таких как пульты ДУ и носимые но может вести к более высокому общему потреблению в шумных средах, так как он будит на любом звуке. Более того, cloud-connected VUI системы требуют pre-roll аудио — типично 500 мс до wake word — для улучшения точности детекции, фича, нужная для Alexa и похожих умных колонок.

Выбор front-end архитектуры зависит от количества микрофонов, аналоговых vs цифровых сигналов и требуемой обработки.

Для архитектуры на Рисунке 1, одиночный аналоговый микрофон и компаратор триггерят процессор. Низкоэнергопотребляющий аналоговый мик с SNR > 62 дБ — такой как Knowles SPV1840LR5H-B Kaskade — потребляет только 45 мкА когда активен. Весь always-on аналоговый путь потребляет < 67 мкА. Пьезоэлектрические микрофоны могут предложить даже более низкую мощность (≈ 10 мкА) но типично страдают от низкого SNR, влияя на системную производительность.

Для pre-roll способных систем как Рисунок 2, микрофон с встроенным процессором и 2 с circular buffer — например, Knowles IA611 — подходит. Always-on мощность IA611 0.39 мА @ 1.8 В (90% эффективность), делая его идеальным для батарейных устройств таких как Bluetooth колонки. Он принимает PDM вход от цифровых микрофонов и может форвардить аудио к хост процессору для beamforming когда система пробуждается.

Рисунок 3 сравнивает жизнь батареи для типичного TV пульта использующего VAD на IA611 против конкурента пьезоэлектрического AAD микрофона. Когда акустическая активность длится 5 ч, VAD решение дает восемь дополнительных дней жизни батареи — критично, так как US домохозяйства смотрят в среднем восемь часов ТВ в день. Интеллектуальные VAD пробуждения помогают дизайнерам строить более энергоэффективные VUI системы.

Заключение

Голосовая технология переформировывает индустрии — от умных домов и гостеприимства до цифровых рабочих мест, голосовых платежей, энергomenеджмента, edge computing, здравоохранения и промышленного IoT. Каждое применение требует специфическую железную архитектуру и выбор микрофона. Дизайнеры должны оценить голосовой use case устройства, желаемые возможности и ограничения мощности для выбора оптимального VUI решения.

Raj Senguttuvan имеет более 15 лет опыта в разработке новых технологий для потребительских и промышленных применений, early-stage бизнес-развития и проектном менеджменте для компаний включая Analog Devices и Texas Instruments. Как директор стратегического маркетинга для Knowles, он ведет системно-уровневую разработку, драйвит venture инвестиции и формирует маркетинговую стратегию для IoT и потребительских технологий — включая аудио процессоры, алгоритмы, микрофоны, сенсоры и ресиверы. Raj держит MBA от Cornell University и PhD в электрической инженерии от Georgia Institute of Technology.

Связанный контент:

• Добавьте голос на микроконтроллере без необходимости кодировать
• Что стоит за движением к кастомным голосовым агентам?
• Голосовое биометрическое решение нацелено на аутентификацию
• AI находит свой голос в аудио цепочке
• Как обширные цепочки обработки сигналов делают голосовых ассистентов «просто работающими»
• Dev kits ускоряют Alexa интеграцию