揭秘Amazon Echo語音控制的神秘面紗

　　亞馬遜（Amazon） Echo可說是目前最熱銷的物聯(lián)網(wǎng)（IoT）裝置，無論你稱它為智慧麥克風、虛擬數(shù)位助理、家用機器人、語音控制或R2-D2，這一類以語音為基礎的產(chǎn)品正迅速崛起。..

　　相較于Echo，最新的第二代Echo Dot的價格從89.99美元調(diào)整為49.99美元，并將于本月在美國上市銷售。

　　Amazon Echo（及其隨后推出的Dot）開辟了一個新的市場，讓裝置供應商能夠在語音擷取、提高麥克風音訊解析度、更先進的背景雜訊過濾、更好的音場偵測與穩(wěn)定連線能力等方面展開競爭，以提供更佳音訊品質(zhì)。

　　Amazon Echo （左）及其第二代產(chǎn)品Dot

　　而像XMOS等公司雖然自家晶片并未用于Echo中，但也瞄準了這個新的語音介面市場。XMOS行銷與業(yè)務發(fā)展副總裁Paul Neil表示，“物聯(lián)網(wǎng)目前正是一場快速移動的盛宴。為了控制IoT裝置，語音是最自然的使用者介面。”

　　Neil說，由于融合了“傳統(tǒng)的微控制器（MCU）性能、嵌入式DSP以及靈活的I/O組合，使得我們的技術成為語音介面的理想選擇。”

　　然而，硬體裝置之間的戰(zhàn)爭只是構成整個智慧麥克風/揚聲器市場的一部份。IHS Markit連網(wǎng)家庭資深分析師Paul Erickson強調(diào)，“真正的競爭變數(shù)來自云端。”

　　為了追求更“聰明”的智慧麥克風（能夠處理復雜的查詢和隨機問題），云端服務領域的競爭越來越激烈。 Google預計將于今年年底推出Google Home與Google Assistant （Google Now的新版本），并借此進入這個市場。Erickson表示，“而且市場上盛傳蘋果（Apple）很可能將在2017年挾其Siri進入這個領域。”

　　Amazon Echo——這款IoT裝置如此熱門的另一個原因在于它極具潛力，可實現(xiàn)IoT的重要優(yōu)點：經(jīng)得起時間考驗（Future-proofing）。

　　芯科科技（Silicon Labs）軟體副總裁Skip Ashton解釋，F(xiàn)uture-proofing的意思是“確保裝置可隨時間進展持續(xù)添加更多功能特性。”例如，Alexa為Echo提供的語音服務功能一開始有70種，如今已經(jīng)增加到超過1，700種了。

　　Echo可以回答問題、閱讀新聞、為運動評分、控制燈光、從Amazon網(wǎng)站訂購產(chǎn)品以及設定鬧鈴等。使用者還可以利用該裝置向Uber叫車或訂購披薩外送等。

　　“目前Echo大約每兩周透過云端更新一次，”Ashton說，“Amazon會在星期五時發(fā)送電子郵件給Echo用戶發(fā)布新功能， ”而Echo用戶“也對于產(chǎn)品的功能持續(xù)增加懷抱著期待。”

　　本地智慧

　　IHS Markit嵌入式處理器首席分析師Tom Hackenberg剖析Amazon Echo對于電子產(chǎn)業(yè)帶來重大影響的原因：智慧麥克風/智慧揚聲器應用“對于處理器供應商來說極具價值。”

　　因為這種裝置關鍵之處并不只是提供了“本地智慧”。語音介面正普遍應用在廣大的市場領域。不只是數(shù)位助理市場出現(xiàn)，成為智慧型手機App的消費電子裝置版本，還有揚聲器，也不是它唯一的外形應用。

　　例如，他解釋說，“家庭自動化中心和數(shù)位助理可以內(nèi)建于電視、機上盒（STB）、HVAC/環(huán)境控制中樞等等。此外，在車載資訊娛樂方面也存在大量的應用，特別是著眼于其免手持的優(yōu)點。”

　　拆解Echo與Echo Dot

　　透過拆解Echo與Echo Dot并進一步比較后，Hackenberg說，“除了記憶體供應商，我發(fā)現(xiàn)Echo和Echo Dot的處理元件并沒有明顯的不同。”

　　拆解Echo與Echo Dot （來源：iFixit）

　　根據(jù)iFixit所進行的拆解，Amazon Echo采用：

　　三星（Samsung） K4X2G323PD-8GD8 256MB LPDDR1 RAM （揮發(fā)性記憶體）

　　SanDisk SDIN7DP2-4G 4GB iNAND Ultra Flash （非揮發(fā)性儲存）

　　而到了新版的Dot則改用：

　　美光（Micron） MT46H64M32LFBQ 256MB （16Meg x 32 x 4Banks） LPDDR SDRAM （揮發(fā)性記憶體）

　　三星KLM4G1FEPD 4GB高性能eMMC NAND Flash （非揮發(fā)性儲存）

　　兩款產(chǎn)品使用的處理器則是相同的。在Echo與Dot的核心采用的是“德州儀器（Texas Instruments；TI）的媒體處理器DM3725”，此外，高通（Qualcomm） Atheros QCA6234應用專用標準處理器則用于提供“連接性”。

　　Hackenberg解釋說，雖然記憶體可能稍微影響性能，但記憶體定價是波動的。因此，對于Echo系列的所有產(chǎn)品而言，在其整個生命周期中改變所使用的元件也很平常。

　　相形之下，“連線模組，尤其是媒體處理器更加復雜，如果不是重大的產(chǎn)品更新，一般并不會改變，”他說。

　　Hackenberg指出，Atheros處理器專用于作為連接應用標準產(chǎn)品。其設計是以Tensilica客制化XTensa核心為基礎，而且“它只做一件事——協(xié)調(diào)與網(wǎng)路的通訊，以利作業(yè)進行。”

　　Erickson補充說，“連接能力至關重要，因為它涉及哪些資料可被擷取、傳送與接收云端資料的速度與可靠度等。由于速度/響應的可用性因素，它直接影響到與揚聲器之間的互動有多么“即時”。因此，Wi-Fi的吞吐量、服務品質(zhì)（QoS）與范圍的改善，都將有所幫助。”

　　所有的“本地”（local）智慧功能是由TI DM3725進行處理。Hackenberg指出，“這是一款專為STB、TV、顯示器、視訊游戲系統(tǒng)等各種多媒體應用而設計的系統(tǒng)單晶片（SoC）。”

　　DM3725是一款以ARM Cortex A8為基礎打造的元件，并整合TI的C64x+DSP與3D繪圖加速引擎。“Cortex A8是一款成熟且經(jīng)濟型的應用處理器，但又完全足夠用于本地執(zhí)行簡單的任務，”Hackenberg表示。

　　然而，“如果應用變得復雜，而不只是一款揚聲器這么單純，可能就會有所變化。”

　　Amazon Echo Dot主板 （來源：iFixit）

　　整合DSP

　　根據(jù)Hackenberg，這顆SoC的關鍵就在于整合了DSP，甚至可能是GPU。

　　“在一個典型的設計中，存在多個輸入感測器（主要是麥克風）。整個音訊輸入首先經(jīng)DSP高度濾波，使系統(tǒng)快速地理解用戶的語音和環(huán)境雜訊之間的差異，”他說。

　　“它甚至能夠解讀相對于該裝置的位置或甚至發(fā)話者是誰；它還建立了一種模式，能夠經(jīng)過處理以匹配該模式（通常發(fā)送至云端），”他補充說。

　　但是，GPU做什么呢？

　　Hackenberg認為，“對于本地智慧，GPU可以用于更簡單、但快速且高效的本地模式匹配。”

　　這可以讓裝置仍然回應所儲存的控制模式，例如“降低音量”、“切換頻道”或其他簡單的控制，而無需網(wǎng)路連接，他解釋說。 “接著，應用核心根據(jù)所需提供的回應、啟動/關閉所需的輸入或控制以及必須顯示的內(nèi)容等條件來執(zhí)行應用程式。”

　　麥克風陣列

　　Amazon Echo和Dot之所以吸引人之處在于它使用了7麥克風陣列。Amazon聲稱，Echo和Dot由于使用了多支麥克風和波束成型技術，因而“能在整個室內(nèi)都聽到你的聲音——即使是正在播放音樂的環(huán)境下。”該公司還表示，Echo是一款專業(yè)級的調(diào)音揚聲器，能以360°沉浸式音效充滿在整個房間中。

　　根據(jù)IHS Markit負責MEMS和感測器的資深分析師Marwan Boustany表示，Echo采用了樓氏電子（Knowles）的MEMS麥克風。

　　Dot采用7支麥克風陣列

　　Boustany指出，為聲音頻率提升其訊號雜訊比（SNR）、匹配和性能，將有助于遠場音訊擷取，同時改善語音辨識。

　　但最終，“演算法才是實現(xiàn)更優(yōu)質(zhì)語音辨識的真正關鍵，”他說，“所謂的『智慧』就在于云端可能持續(xù)作為關鍵應用，而本地處理則可以提高對于簡單/預定義片語（如Hey Siri等）的辨識能力。”

　　他以Cypheras為例表示，“這一類的軟體供應商將有利于智慧家庭系統(tǒng)（如Alexa）中的語音辨識功能。”

　　Amazon Echo Dot （來源：iFixit）

　　競爭日益加劇

　　以供應商來看，目前有幾家提供微控制器（MCU）和連接用ASSP的供應商可能在此領域展開競爭，包括Apple、博通（Broadcom）、賽普拉斯 （Cypress）、微芯科技（Microchip）、恩智浦（NXP）、瑞薩（Renesas）、意法半導體（STMicroelectronics） 以及芯科科技（Silicon Labs）等。Boustany表示，”802.11n與BT 4.0的組合并不常見，但有些設計針對較低成本的解決方案或許將會只用藍牙。

　　媒體處理器較為棘手。雖然多家行動裝置應用處理器供應商都可提供，但對于簡單的應用來說成本太高。根據(jù)Hackenberg的觀察，供應商們可能會選擇不提供性能相當?shù)腄SP或模式匹配功能。

　　“我可能會考慮采用Apple Ax、Broadcom BCM7xxxx、海思（Hisilicon） Hi3xxx、NXP i.MX、聯(lián)發(fā)科MT8xxx、意法STIHxxx、高通（Qualcomm）Snapdragon等。當然，TI或許在成本方面具有最佳DSP支援（對于語音辨識至關重要）的優(yōu)勢，但其他的這幾家供應商也在不斷地縮小差距中。”

　　XMOS相信該公司將在這個市場上獲得動能。對于諸如Echo這一類的語音助理產(chǎn)品，提高性能的關鍵在于遠場語音擷取能力、波束成型與處理速度等。Neil認為，“憑藉著大量的處理能力和嵌入式DSP，我們的XMOS單晶片元件提供了可擴展和差異化的解決方案。”

　　XMOS xCore語音介面案例 （來源：XMOS）

　　編譯：Susan Hong

　　（參考原文：Amazon Echo How It Resonates，by Junko Yoshida）