中國電子元件行業(yè)協(xié)會(huì )
China Electronic Components Association
1 摘要
對話(huà)式人工智能（AI）是一個(gè)快速發(fā)展的機器學(xué)習（ML）領(lǐng)域，旨在使人機交互更加自然直觀(guān)。它借助先進(jìn)的算法和技術(shù)來(lái)理解自然語(yǔ)言輸入，并使機器能夠像人一樣地作出響應。通過(guò)將對話(huà)式AI框架集成到工具和系統中，用戶(hù)可以使用自然語(yǔ)言指令來(lái)與機器互動(dòng)。這些智能系統能夠理解用戶(hù)的語(yǔ)意和語(yǔ)境，記住用戶(hù)偏好，并進(jìn)行有意義的對話(huà)。
隨著(zhù)語(yǔ)音應用在日常生活中占據日益重要的地位，本文將主要圍繞能夠理解并對口頭語(yǔ)言而非書(shū)面文本作出反應的對話(huà)式AI展開(kāi)探討。我們將探討一些正在推動(dòng)對話(huà)式AI市場(chǎng)不斷增長(cháng)的先進(jìn)技術(shù)，以及語(yǔ)音助手實(shí)現廣泛應用所面臨的挑戰。改善語(yǔ)音應用用戶(hù)體驗的一個(gè)關(guān)鍵因素是開(kāi)發(fā)語(yǔ)音用戶(hù)界面（VUI）。為了實(shí)現準確的語(yǔ)音識別并提升整體音頻質(zhì)量，高信噪比（SNR）MEMS（微機電系統）麥克風(fēng)正在作為一個(gè)關(guān)鍵元器件而存在。
這些擁有緊湊尺寸和高靈敏度的高性能MEMS麥克風(fēng)，可幫助實(shí)現更精準的語(yǔ)音捕獲，進(jìn)行背景噪聲過(guò)濾，并確保為對話(huà)式AI系統提供更清晰的音頻輸入。在本文中，我們將探討在語(yǔ)音應用中集成高信噪比MEMS麥克風(fēng)，如何能夠幫助大幅提高語(yǔ)音識別精度，以及實(shí)現更自然和無(wú)縫化的人機交互。
2 設備和應用 對話(huà)式AI已成為現有的許多設備和應用中不可或缺的一部分，它改變了我們在各種環(huán)境下與技術(shù)進(jìn)行交互的方式。一些我們非常熟悉的、高度依賴(lài)對話(huà)式AI技術(shù)的應用包括： 智能音箱 – 智能音箱是一種集成有能夠響應用戶(hù)請求的語(yǔ)音助手的獨立音箱。市面上最著(zhù)名的智能音箱包括集成谷歌語(yǔ)音助手的Google Home音箱、集成Alexa語(yǔ)音助手的Amazon Echo音箱以及集成Siri語(yǔ)音助手的Apple HomePod音箱。 車(chē)載語(yǔ)音交互系統 – 集成了語(yǔ)音助手的汽車(chē)讓司機能夠專(zhuān)注于操控方向盤(pán)和觀(guān)察路況。司機可以語(yǔ)音控制音樂(lè )播放、導航系統和空調溫度，而無(wú)需為了查找按鈕或瀏覽菜單而分心。 智能家居系統 – 智能家居系統為利用自然語(yǔ)言指令來(lái)操作家居控制系統提供了一種簡(jiǎn)便的方法。集成有對話(huà)式AI的常見(jiàn)設備包括照明系統、溫控器及安防系統等。 智能會(huì )議系統 – 智能會(huì )議系統是一種利用對話(huà)式AI來(lái)進(jìn)行會(huì )議文字轉錄和翻譯的高效工具。這些系統通常集成了語(yǔ)音助手來(lái)完成日程安排、確定行動(dòng)項目和編寫(xiě)會(huì )議記錄等行政任務(wù)。
3 重塑對話(huà)式AI未來(lái)的趨勢 集成有對話(huà)式AI的設備和應用市場(chǎng)最近幾年實(shí)現了迅猛的增長(cháng)，新冠肺炎疫情的爆發(fā)更是加速了它們的應用。受提高效率和對話(huà)式AI技術(shù)進(jìn)步的影響，語(yǔ)音助手市場(chǎng)從2023年到2030年之間預計將以33.5%的復合年均增長(cháng)率（CAGR）增長(cháng)。目前推動(dòng)這一技術(shù)增長(cháng)的一些趨勢包括： 語(yǔ)音識別算法的改進(jìn) – 隨著(zhù)對話(huà)式AI的普及，語(yǔ)音識別的數據集不斷增長(cháng)，這意味著(zhù)語(yǔ)音識別算法越來(lái)越能更好地識別詞語(yǔ)、短語(yǔ)及真人說(shuō)話(huà)的方式。這也意味著(zhù)語(yǔ)音識別技術(shù)能夠更好地識別語(yǔ)言、口音和方言。 自然語(yǔ)言處理的進(jìn)步 – 自然語(yǔ)言處理是對話(huà)式AI理解用戶(hù)請求的機制。自然語(yǔ)言處理算法的日益完善提高了對話(huà)式AI的精度和個(gè)性化水平，使得對話(huà)式AI變得更加直觀(guān)和可靠。 語(yǔ)音控制設備的使用增加 – 隨著(zhù)語(yǔ)音控制技術(shù)被越來(lái)越多地集成到設備和應用中，對話(huà)式AI的需求出現了不斷增長(cháng)，這進(jìn)一步推動(dòng)了該領(lǐng)域的發(fā)展。隨著(zhù)技術(shù)的進(jìn)步，虛擬助手將能處理越來(lái)越復雜的任務(wù)，并提供更好的輸出。隨著(zhù)對話(huà)式AI對工作效率的不斷提高，使用語(yǔ)音應用的企業(yè)數量預計將不斷增加。
4 語(yǔ)音助手實(shí)現廣泛應用所面臨的挑戰 隨著(zhù)語(yǔ)音識別和自然語(yǔ)言處理技術(shù)的迅速發(fā)展，先進(jìn)對話(huà)式AI系統的市場(chǎng)需求也有了顯著(zhù)增長(cháng)。盡管有了這些進(jìn)步，用戶(hù)仍會(huì )遇到阻礙語(yǔ)音助手廣泛使用的苦惱。阻礙這項技術(shù)實(shí)現廣泛應用的許多挑戰都與數據隱私有關(guān)，比如用戶(hù)擔心存儲在云端的語(yǔ)音數據的安全性，以及設備可能通過(guò)被動(dòng)監聽(tīng)記錄私人對話(huà)。 用戶(hù)在與語(yǔ)音助手的互動(dòng)中也會(huì )面臨一些苦惱。幾乎所有新操作系統和設備中都集成了語(yǔ)音助手，但眾所周知，它們會(huì )混淆同音詞，錯誤地理解口音，并且需要發(fā)音非常準確。語(yǔ)音助手很難應付有任何背景噪聲的環(huán)境，而且經(jīng)常難以理解有言語(yǔ)表達障礙的用戶(hù)。這些語(yǔ)音識別問(wèn)題，可能都是由設備中集成的劣質(zhì)麥克風(fēng)引起的。 語(yǔ)音用戶(hù)界面（VUI）是對話(huà)式AI技術(shù)（比如語(yǔ)音助手）的一個(gè)重要組成部分。用戶(hù)通過(guò)對VUI說(shuō)話(huà)來(lái)與語(yǔ)音助手互動(dòng)。一個(gè)有效的語(yǔ)音助手，以及一個(gè)有效的VUI，必須能準確地聽(tīng)到并理解語(yǔ)音指令。不能理解用戶(hù)會(huì )給用戶(hù)帶來(lái)令人沮喪的使用體驗。 5 高信噪比MEMS麥克風(fēng)如何幫助改進(jìn)用戶(hù)體驗 雖然用戶(hù)可以通過(guò)清晰直接地對著(zhù)語(yǔ)音助手說(shuō)話(huà)，避開(kāi)嘈雜環(huán)境的同時(shí)只給出簡(jiǎn)單的指令，以此來(lái)避免語(yǔ)音助手理解錯誤。但這些方法會(huì )限制對話(huà)式AI的潛力，并讓用戶(hù)對與語(yǔ)音助手進(jìn)行自然的對話(huà)式交互感到失望。 解決這個(gè)問(wèn)題的一個(gè)成熟解決方案是改進(jìn)VUI的語(yǔ)音捕捉or語(yǔ)音采集。高信噪比 MEMS麥克風(fēng)能夠支持在不完美的環(huán)境下捕獲清晰的音頻，并幫助改進(jìn)語(yǔ)音識別、遠場(chǎng)語(yǔ)音拾取和語(yǔ)境理解，以及實(shí)現對音頻和視覺(jué)輸入都能理解的多模態(tài)系統——這是解決阻礙語(yǔ)音助手實(shí)現廣泛應用的許多挑戰的關(guān)鍵。 5.1 改進(jìn)語(yǔ)音識別 高信噪比MEMS麥克風(fēng)能夠捕獲清晰、準確的語(yǔ)音信號，這為改進(jìn)語(yǔ)音識別算法的性能奠定了基礎。MEMS麥克風(fēng)能夠從背景噪聲中捕獲語(yǔ)音，這意味著(zhù)語(yǔ)音助手可以更好地理解用戶(hù)發(fā)出的指令和咨詢(xún)的問(wèn)題。能否提供更優(yōu)質(zhì)輸入信號的麥克風(fēng)，也能提高語(yǔ)音助手理解的準確性。因為能夠更好地適應用戶(hù)向語(yǔ)音助手提出問(wèn)題時(shí)所處的真實(shí)語(yǔ)音環(huán)境，所以高信噪比MEMS麥克風(fēng)可以提升語(yǔ)音交互的整體用戶(hù)體驗和效率。 5.2 降噪和遠場(chǎng)語(yǔ)音拾取 高信噪比使得MEMS麥克風(fēng)能夠清晰地捕捉語(yǔ)音指令。信噪比是指麥克風(fēng)應當拾取的有用音頻與麥克風(fēng)本身產(chǎn)生的噪聲之間的差異，因此高信噪比意味著(zhù)麥克風(fēng)能夠捕獲更多有用信號。高信噪比結合高靈敏度可幫助實(shí)現遠場(chǎng)語(yǔ)音拾取，使得用戶(hù)能夠遠距離或在嘈雜的環(huán)境下與語(yǔ)音助手進(jìn)行交互。
語(yǔ)音信號水平及語(yǔ)音源與設備之間的距離不同的標準VUI用例
如圖所示，高信噪比麥克風(fēng)在低語(yǔ)或輕聲說(shuō)話(huà)場(chǎng)景下?lián)碛懈咝阅艿梅?/strong>
主動(dòng)降噪和遠場(chǎng)語(yǔ)音拾取提高了語(yǔ)音助手在智能家居、會(huì )議室、客戶(hù)支持系統和公共場(chǎng)所等不同嘈雜場(chǎng)景中的可用性。英飛凌進(jìn)行的一項研究表明，具有75dB信噪比的高信噪比MEMS麥克風(fēng)，捕獲的音頻比標準麥克風(fēng)（比如商用語(yǔ)音助手中所使用的麥克風(fēng)）好40%。 5.3 語(yǔ)境理解和多模式交互 采用高信噪比MEMS麥克風(fēng)的VUI還能夠從語(yǔ)調和重音等用戶(hù)語(yǔ)音中捕獲語(yǔ)境信息。這一語(yǔ)境理解能力使得語(yǔ)音助手能夠推斷用戶(hù)意圖，從而提供更準確和個(gè)性化的應答。 這一性能改進(jìn)也為實(shí)現多模式交互提供了可能。例如，將VUI和高信噪比MEMS麥克風(fēng)與面部識別模型相結合時(shí)，用戶(hù)可通過(guò)語(yǔ)音指令和面部表情來(lái)與設備進(jìn)行交互，從而進(jìn)一步提高了語(yǔ)音助手對用戶(hù)意思的理解能力。 6 結論 高信噪比MEMS麥克風(fēng)對于改進(jìn)VUI中使用的對話(huà)式AI模型的效果至關(guān)重要。它們可提高語(yǔ)音識別精度，實(shí)現降噪和遠場(chǎng)語(yǔ)音拾取，支持語(yǔ)境理解，并實(shí)現多模式交互。高信噪比MEMS麥克風(fēng)即使在嘈雜環(huán)境下也能確保擁有最優(yōu)性能，因而可以捕獲清晰的語(yǔ)音信號。高信噪比MEMS麥克風(fēng)讓用戶(hù)與虛擬助手之間的交互更可靠，因而可以實(shí)現更好的用戶(hù)體驗。 而且，高信噪比MEMS麥克風(fēng)技術(shù)的進(jìn)步為持續改進(jìn)和提高語(yǔ)音助手可靠性提供了巨大的潛力。麥克風(fēng)靈敏度、信號處理和降噪技術(shù)的不斷發(fā)展，將幫助進(jìn)一步提升對話(huà)式AI系統的性能。隨著(zhù)高信噪比MEMS麥克風(fēng)的不斷改進(jìn)，我們在人機交互方面也能取得巨大進(jìn)步，從而為基于語(yǔ)音的技術(shù)釋放新的潛力。 對話(huà)式AI擁有光明的前景。語(yǔ)音識別、語(yǔ)境感知和訓練模型的創(chuàng )新，意味著(zhù)語(yǔ)音助手將能處理更復雜的指令和對話(huà)。先進(jìn)的算法結合優(yōu)質(zhì)的麥克風(fēng)，意味著(zhù)用戶(hù)將能獲得更舒適、更直觀(guān)的語(yǔ)音助手使用體驗。 7 英飛凌的高信噪比MEMS麥克風(fēng) 英飛凌的XENSIV? MEMS麥克風(fēng)具有高信噪比和低失真的特性（即使在高聲壓級下），以及部件與部件之間的相位和靈敏度一致性，平坦的頻率響應（低頻滾降）和超低群時(shí)延。結合可選的功耗模式和小巧的封裝尺寸，英飛凌XENSIV? MEMS麥克風(fēng)已成為集成有對話(huà)式AI的設備的理想選擇。
英飛凌高性能XENSIV? MEMS數字麥克風(fēng)，IM70D122助力
筆記本電腦和平板電腦應用實(shí)現優(yōu)質(zhì)語(yǔ)音拾取或語(yǔ)音采集
