目前來說離線語音芯片和在線語音芯片的應(yīng)用前景都非常廣泛，離線語音芯片和在線語音芯片的主要區(qū)別在于離線語音芯片無需依賴網(wǎng)絡(luò)即可實(shí)現(xiàn)語音指令控制產(chǎn)品，一個(gè)需要聯(lián)網(wǎng)來實(shí)現(xiàn)更好的語音交互功能，很多人也把在線語音芯片稱之為AI交互語音芯片主要應(yīng)用于產(chǎn)品的AI對(duì)話功能比如唯創(chuàng)知音的WT2606A和WT3000A。

　　離線語音芯片的工作原理講解

　　這里以唯創(chuàng)知音的離線語音芯片WTK6900FC來舉例，這款離線語音芯片支持四國(guó)語言分別是中文/英語/韓語/日語，同時(shí)還支持喚醒詞10條、喚醒詞自學(xué)習(xí)1條、命令詞300條、命令詞自學(xué)習(xí)19條。

　　以上這些功能都是直接在本地完成的，離線語音芯片通過聲音采集、信號(hào)處理、語義識(shí)別、指令判斷、指令執(zhí)行這幾個(gè)環(huán)節(jié)來實(shí)現(xiàn)離線語音控制功能的，下面我們一起來詳細(xì)了解一下離線語音芯片的工作過程。

　　1.聲音采集

　　人說話的時(shí)候會(huì)產(chǎn)生聲波，麥克風(fēng)(內(nèi)置或外接)接收空氣中的聲波，通過聲電轉(zhuǎn)換原理，將聲波振動(dòng)轉(zhuǎn)化為連續(xù)的模擬電信號(hào)(如電壓變化)。模擬電信號(hào)會(huì)先經(jīng)過一個(gè)簡(jiǎn)單的前置放大電路(增強(qiáng)弱信號(hào))和抗混疊濾波器(過濾高頻干擾)最終由 ADC 轉(zhuǎn)換器按固定頻率(如 16kHz 采樣率)對(duì)模擬信號(hào) “采樣”，并將其量化為離散的數(shù)字信號(hào)(如 16 位精度的數(shù)字?jǐn)?shù)據(jù))，存入 WTK6900FC的RAM 臨時(shí)緩存。

　　2.信號(hào)處理

　　臨時(shí)緩存當(dāng)中的信號(hào)含有各種各樣的環(huán)境噪音，比如在電風(fēng)扇在工作狀態(tài)下就會(huì)產(chǎn)生一些嗚嗚或者嗡嗡的聲音，還有一些周邊的環(huán)境聲，如果直接識(shí)別這些聲音則會(huì)影響識(shí)別準(zhǔn)確率，所以我們的離線語音芯片WTK6900FC需要對(duì)這些“噪音”進(jìn)行處理，采用專用算法(如譜減法、維納濾波)，通過分析 “語音信號(hào)” 與 “噪聲信號(hào)” 的頻率差異，剔除背景噪聲，保留純凈的聲音信號(hào)。

　　3.語義識(shí)別

　　離線語音芯片其實(shí)在業(yè)內(nèi)的名稱叫語音識(shí)別芯片，語義識(shí)別也是影響識(shí)別率非常重要的因素之一，離線語音芯片最常用的特征是MFCC(梅爾頻率倒譜系數(shù))，其設(shè)計(jì)靈感源于人耳的聽覺特性(人耳對(duì)不同頻率的敏感度不同，對(duì)中低頻更敏感)。過程如下

　　將每幀時(shí)域語音信號(hào)轉(zhuǎn)換為頻域信號(hào)，得到各頻率成分的能量分布(傅里葉變換)

　　用一組模擬人耳聽覺特性的 “梅爾濾波器” 對(duì)頻域信號(hào)濾波，保留人耳敏感的頻率成分，剔除不敏感成分(梅爾濾波組)

　　對(duì)濾波后的能量值取對(duì)數(shù)(模擬人耳對(duì)聲音強(qiáng)度的對(duì)數(shù)感知)，再通過 DCT 壓縮數(shù)據(jù)，最終得到 12-16 維的MFCC 特征向量(每幀語音對(duì)應(yīng)一個(gè)特征向量，數(shù)據(jù)量大幅減少)【對(duì)數(shù)與離散余弦變換(DCT)】。

　　除 MFCC 外，部分芯片也會(huì)用LPCC(線性預(yù)測(cè)倒譜系數(shù))(基于語音的線性預(yù)測(cè)模型，計(jì)算量更小，適合低功耗場(chǎng)景)。

　　4.指令判斷

　　因?yàn)槎鄶?shù)離線語音芯片的一大優(yōu)勢(shì)就是響應(yīng)快，但是受困于成本能夠在市面上普及的離線語音大多數(shù)價(jià)格都比較親民，成本限制了離線語音芯片的端側(cè)算力，所以這幾年的主流方案都是采用 CNN、RNN、Transformer 的輕量化版本 Tiny Transformer的模型，模型參數(shù)被壓縮到幾十 KB - 幾 MB(適配芯片存儲(chǔ))，通過本地 NPU/DSP 快速運(yùn)算，輸出 “是否匹配某指令” 的概率(如概率>90% 則判定識(shí)別成功。

　　5.指令執(zhí)行

　　這一步就最簡(jiǎn)單了，指令識(shí)別成功以后可以通過通信的方式發(fā)給MCU，然后MCU驅(qū)動(dòng)響應(yīng)的功能打開。

　　以上這就是離線語音芯片的工作原理，離線語音芯片的特點(diǎn)是響應(yīng)快，安全性高(不聯(lián)網(wǎng)不用擔(dān)心信息泄露)。

　　而在線語音芯片的工作原理是類似的，區(qū)別在于在線語音芯片可以通過云端算力來輔助識(shí)別，識(shí)別率會(huì)更高，同時(shí)可以接入大模型有更豐富的內(nèi)容可以輸出，但是缺點(diǎn)也比較明顯因?yàn)樾枰蟼餍畔⒌椒?wù)器并且等待大模型響應(yīng)并返回，即便是使用流式傳輸也會(huì)有一定的延遲。

　　但是在線語音芯片+大模型這種方式，雖然在響應(yīng)上比離線語音芯片多一些延遲，但是可以進(jìn)行更豐富的玩法，比如給玩具賦能讓玩具可以和孩子說話，讓寶貝不再孤單，也可以接入自己設(shè)計(jì)的智能體充當(dāng)語音說明書 ，適合一些共享設(shè)備。

　　其實(shí)還有一款離在線語音芯片，這款芯片及支持離線使用也支持在線使用，完美的契合了兩者的優(yōu)點(diǎn)，目前主要面向需要AI對(duì)話的產(chǎn)品，為機(jī)器人、Ai玩具等產(chǎn)品賦予語音控制和開口說話的能力。

　　總結(jié)：離線語音芯片和在線語音芯片各有優(yōu)劣，離在線語音芯片也很強(qiáng)，但是各自都有各自的使用場(chǎng)景，離線語音芯片你可以理解為語音遙控器或者聲控芯片，而在線語音芯片你可以理解為AI對(duì)話芯片AI交互芯片，離在線語音芯片則是兼顧了遙控器和AI對(duì)話功能的完全體。