一、语音识别芯片的原理

定义：语音识别芯片即智能芯片，是指能听懂并能对话的芯片。典型产品即小度、小爱。

语音识别的流程如下：

前端语音处理、模拟训练、后端识别处理

前端处理即把人声或者采集的声音转化为机器能听懂的机器音，并作信号优化处理。

所需硬件链路：MIC-Codec/ADC/PDM-NPU/DSP

MIC麦克风是采集音频的关键硬件载体，关键参数是灵敏度和信噪比。

前端采集的原理简单：音频采集，一般通过麦克风完成。通过麦克风处理过后，再进行静音切除，分侦加窗，降噪，预加重等一系列的处理。最后是特征提取，即提取主流信号匹配到匹配特征点

模拟训练：模拟就好比“查找词典”，这需要前期有所输入，即前期的语音数据采集，它形成记忆数据库，通过模拟比对正确的语音和单词，匹配答案。

后端识别又叫语音解码，将“声学模型”和“语言模型”匹配到采集的语音信号并输出结果。

二、语音识别的比对

因为篇幅有限，本文尽可能言简意赅。

语音识别技术目前有两种，分为在线语音识别和离线语音识别。其实从字面理解就大体明白，一个支持联网下工作，一个支持的是离线终端工作。在线语音一般基于手机和智能音箱，通过网络传送到云端服务器，资源更加强大，反而本地离线版仅支持硬件（MCN或者flash等）显得比较匮乏。

离线语音识别目前的应用主要体现在智能家电、语音遥控器、智能玩具、车载声控、智能家居等。

我们重点就讲这个离线型的语音芯片。

芯片对比参照说明：

识别距离&识别率：这个与消费者的体验息息相关，当然与厂商的定位有关。

误识别率：即准确性，用户不希望对方突然插话，也不希望半夜突然说话

处理器：处理器有MCU和AUDIO Core识别，前者偏向于音频信号和识别算法，后者偏向协同合作处理器。前者更加会影响语音识别的效率和准确性。

存储：即容量，不解释

语音算法：前端信号处理和后端信号识别算法。

音频通道或外设接口：芯片与周边器件的通信桥梁，对于语音识别来说，音频的输入和输出更重要。

电源功耗：一般可以忽略

1.0&2.0传统型

传统算法模拟主流是GMM+HMM，或者模拟匹配即语音标签。芯片的配置一般，没有降噪功能，安静环境下识别距离时2-5m，识别率达90%，条数3-5条。

处于成本考量和应用行业特点，各家芯片都有不同的"性能短板"：外挂主控、外挂存储、OTP固定词条、词条数少、接口单一、稳定性差等等，这些短板，都是为了降低成本。

厂商分析

围绕台湾赛维算法，某台湾芯片厂商大力推广离线语音识别，国内外许多电器厂多有尝试，但是受限于技术，识别效果不佳，消费者满意度低，退货率较高。厂商损失惨重，因而语音识别技术基本被搁浅了。

但语音识别除了家电外，在玩具电子的应用还是较高的，一个玩具电子的包容性比较强，另外台湾的芯片支持多国语言识别，因而比较受欢迎。

另外上海有一家做语音的厂家，他们的软件指令编码比较齐全，但缺点是价格偏高，而且大股东之一也是北京的一家视觉识别大家的合伙人。

深圳唯创语音识别芯片的成本较低，语音播放芯片(OTP+MCU喇叭）多用于玩具开发中，芯片的开发集中在台湾和广东，但是如果从生产来讲，基本集中在广东区域，并且呈现一定的集群效应。出口代工玩具在韶关，国内玩具在汕头澄海，产业集中代动了周边的发展。

3.0分为互联网&纯芯片型

互联网偏向于网络，纯芯片偏向于硬件部分。芯片语音处理核心为NPU，同等条件下，NPU能耗高于DSP。但其前端处理能力很强大， 尤其是在降噪及远场识别等功能。

从产品的角度来看，相较于在线语音识别，离线语音识别在硬件成本和软件开发上投入成本较高。其明显的优势是对于单向控制的应用上，如风扇、空调、照明上。目前唯创知音也在这块有了几大应用了，明显的就是小蜂管家。唤醒之后能进行简单的语音对话。

从产业链的角度来看，国内语音识别芯片原厂集中在北京和上海，深圳虽然有着发达的电子企业和成熟的芯片供应体系。但芯片产业配套及国家基金支持、人才培养，北上更有优势。而且半导体行业属于长期耗钱多，成效慢的行业。