將意圖轉化為行動:走進嵌入式語音控制的新時代

恩智浦發(fā)布新一代智能語音技術組合的語音識別引擎。在這篇博文中，我們將探討開發(fā)人員在嵌入式語音控制設計中面臨的挑戰(zhàn)、我們新的Speech to Intent引擎，以及您如何在應用中使用它。

聽到您的聲音：嵌入式系統(tǒng)中語音命令的挑戰(zhàn)

隨著亞馬遜、谷歌和蘋果等公司推出了具有革命性意義的智能揚聲器，嵌入式語音控制的設備已經成為了當下的熱門趨勢，而這種技術其實已經存在了很多年。通過這些智能揚聲器，終端用戶第一次體驗到了語音優(yōu)先設備的便捷性、實用性和直觀性。語音是這些設備的用戶界面（UI），也是它們最重要或唯一的交互方式。借助云端的自然語言理解技術，智能揚聲器可以讓語音優(yōu)先設備的終端用戶用自然語言與智能設備進行溝通，無論是請求、查詢還是命令，都可以得到理解和響應。

為了實現(xiàn)自然語言處理，設計人員和終端用戶需要面對一些挑戰(zhàn)，比如要求有穩(wěn)定、可靠的網(wǎng)絡連接，以及要承受始終在線、始終聆聽的設備的高耗電，更別提這種聯(lián)網(wǎng)設備可能帶來的隱私風險了。

針對嵌入式設計中的語音引擎難題，恩智浦推出了其智能語音技術（VIT）產品組合的最新產品VIT Speech to Intent引擎。進一步了解VIT S2I。

本地語音控制與基于云的語音控制比較

為了讓設備具備語音控制功能，工程師通常有三種選擇：本地處理、在云端處理或兩者的組合，我們稱之為“混合處理”。通過本地語音控制，終端設備在邊緣本地處理所有語音，而無需連接到云端或遠程服務器進行二次處理?；谠频奶幚砭褪抢迷贫说挠嬎隳芰硖幚碚Z音音頻，然后把云端生成的響應通過網(wǎng)絡傳回設備。在混合處理的情況下，通常會使用本地喚醒詞引擎來喚醒設備（如“Hey NXP”），然后將該喚醒詞之后的所有語音命令流式傳輸?shù)皆贫嘶蜻h程服務器進行處理。

本地處理具有低延遲、低功耗和獨立于網(wǎng)絡等優(yōu)點，但它通常只支持需要精確措辭的基本關鍵詞和命令。例如，開燈可能需要準確的短語“Hey，NXP（喚醒詞），開燈（語音命令）”，并且不能有任何變化。

對于云端處理和混合系統(tǒng)，云服務的使用增加了延遲，但提供了能夠運行極其復雜的算法的優(yōu)勢，包括自然語言理解模型。重溫剛才說的開燈示例，使用任何詞語組合，系統(tǒng)都可以理解所要求操作的環(huán)境，例如“這里很黑，請開燈”。

如前所述，基于云的自然語言處理的一個主要缺點是安全和隱私問題。簡單地說，這種方式的原理是把語音音頻流通過網(wǎng)絡傳送到遠程服務器進行處理，但是這也可能導致系統(tǒng)誤啟動并把無關的音頻流傳輸?shù)皆贫?。這些音頻流可能包括個人對話、憑證或其他敏感信息。

恩智浦智能語音技術（VIT） Speech to Intent （S2I）引擎介紹

針對嵌入式設計中的語音引擎難題，恩智浦推出了其智能語音技術（VIT）產品組合的最新產品VIT Speech to Intent引擎。S2I引擎是VIT產品組合的高端產品，其中還包括免費的喚醒詞引擎（WWE）和語音命令引擎（VCE）。

與依賴遠程云服務的系統(tǒng)不同，VIT S2I能夠在本地確定自然語言的意圖。這一功能要歸功于恩智浦針對嵌入式系統(tǒng)設計的神經網(wǎng)絡算法和機器學習模型的最新開發(fā)成果。因此，要實現(xiàn)“開燈”的目的，可以用很多不同的方式來表達，比如“開燈”、“太暗了”和“你能讓光線更亮嗎”等。

這種Speech to Intent功能使用戶能夠更自然地與嵌入式系統(tǒng)進行交互，同時降低了系統(tǒng)延遲和云連接系統(tǒng)的功耗。此外，消除云服務也有助于提高安全性和隱私，因為所有語音都在設備上本地處理。此外，如果搭配恩智浦喚醒詞引擎，可以開發(fā)超低功耗設計，只有在聽到特定的喚醒詞后，才會啟動VIT S2I引擎來處理語音命令。

支持VIT S2I的恩智浦器件包括：Arm^?Cortex^?-M:i.MX RT跨界MCU和RW61x MCU，以及Cortex A i.MX 8M Mini、i.MX 8MPlus和i.MX 9x應用處理器。VIT S2I目前支持英語、普通話和韓語，將于2023年底推出。用于創(chuàng)建自定義命令和訓練模型的在線開發(fā)工具計劃于2024年發(fā)布。

VIT Speech to Intent框圖

VIT Speech to Intent如何為您的下一個設計增加語音功能

物聯(lián)網(wǎng)領域日新月異，VIT S2I能夠適應各種應用場景，無論是家居自動化、可穿戴電子產品，還是汽車遠程信息處理和樓宇門禁等，都能發(fā)揮其優(yōu)勢。消費者喜歡用自然語言來免手動控制設備的基本功能，消除邊緣語音處理的云服務不僅減少了系統(tǒng)延遲，還減少了隱私和安全問題。

對于那些需要使用語音優(yōu)先用戶界面的設備，VIT S2I系統(tǒng)是一個不可或缺的部分，它可以應用在智能恒溫器、智能電器、家居自動化、燈光控制、遮陽控制等領域。VIT S2I也適用于可穿戴設備和健身設備，一些用例包括設置提醒、控制藍牙設備和監(jiān)測健康狀況。

使用恩智浦的VIT產品組合增強您的應用

如如果您想要使用恩智浦智能語音技術組合進行開發(fā)，歡迎使用我們免費的VIT喚醒詞和語音命令引擎，通過MCUXpresso SDK和在線模型工具即可獲得。這些引擎可以讓您方便地定制喚醒詞和基本的語音控制，適用于那些不涉及自然語言理解的快速原型制作和開發(fā)周期。如果您的應用需要更多自然語言理解功能，請聯(lián)系當?shù)氐亩髦瞧执恚_始使用VIT Speech to Intent。

進一步了解恩智浦的語音處理產品組合，并觀看我們的VIT Speech to Intent演示。

作者：

Chris Welsh

邊緣處理業(yè)務部物聯(lián)網(wǎng)語音和音頻業(yè)務發(fā)展總監(jiān)

Chris作為Retune DSP公司的合伙人，于2021公司并購時加入恩智浦。Chris專注于通過差異化的語音軟件技術和服務為客戶創(chuàng)造價值。Chris為恩智浦帶來了超過25年的嵌入式語音和音頻業(yè)務經驗，他曾經在AT&T、朗訊科技、MWM聲學、哈曼國際和Retune DSP等公司擔任工程師、商務拓展、創(chuàng)始人、總經理和高管等職務。Chris擁有普渡大學機械工程學學士學位和賓夕法尼亞州立大學聲學碩士學位。