我们上一篇博文介绍了两种人工智能模型之间的区别，一种通过语言来理解您的话语意义，另一种则主要抓取您演讲的“要点”。在今天的文章中，我们将深入探讨后者。
“好的，电脑”
如今，短语触发成了与语音人工智能交互的主要方式，对此我们都非常熟悉。“Hey Siri”和“Hey Alexa”已经成为我们日常生活的一部分。
发明出这种方法的人曾经试图解决的两个问题是：首先，他们需要一种明确的方法来确定用户何时在和人工智能对话；第二，他们需要人工智能持续监听、快速响应，但是这对人工智能的能力要求很高。“好的，计算机”不是一种自然的语言模式，但用它来触发人工智能却是很容易实现；理想情况下，我们应该像对待拥有智慧的人类助手一样与人工智能交谈，并且相信它们会根据语境知道我们何时说话，而不仅仅是当我们明确说出它们的名称时才作回答。发明这种关键词触发机制是为了应对人工智能的现有能力，同时考虑到能效限制。
当您说出关键词时，设备背后做出响应的实际是一个有趣的多阶段唤醒系统，以及一系列旨在节省电力的算法和人工智能模型。从一直处于监听状态的语音活动检测器（VAD）开始，任何语音的出现都会触发 KWS 模型，它会检测语音是否为预定义的关键词，例如“Hey Alexa”。只有在这一切都符合设定时，更复杂的处理才会继续。这种级联设计的目的是提高能效——在每个阶段执行对算力要求最低的算法。
“当您只有一把锤子时...”
当前有非常多的可用于识别关键词的神经网络训练方法，但是（至少对我来说）最有趣的无异于基于频谱特征的识别方式。频谱图是音频转换为频域的图片，而人工智能非常擅长对图片进行分类。训练一个能识别猫的人工智能图像分类模型需要大量猫的照片。而训练一个关键词识别模型在概念上是相同的：记录数千个人说出某个短语的实例，计算每个人的频谱图（基本上就是一张图像），然后训练模型以识别这些图像。
这种训练方法有一些局限性，最重要的一点是音频不能很长。频谱图只能在固定时间段内捕获一段音频片段的频率，这会使处理时间过长，同时，响应速度和准确性会下降。这意味着这种方法只适用于两到五秒的短语，不适用于较长的句子。
图像分类是历史最为悠久、最容易理解的人工智能可实现功能之一，因此利用此类算法很有意义。图像分类的许多特征也可以转化为音频。其中最具可用性的方案是，为神经网络设计多个“主动匹配模式”来取代“被动匹配模式”，如果是这样，就意味着人工智能可以通过迁移学习的方式来学习一个新短语，而不是完全从零开始。
“不要只听我的语音，要懂我的意思”
事实证明，一旦您准备以图像的方式处理音频，就可以训练人工智能做更多的事情，而不仅仅是只能接收唤醒词。合理的下一步动作是使用大量命令词来训练模型，这些命令词可用于创建简单的用户界面，例如当您说“导航”来打开汽车的导航系统。
事实上，我们可以做的不仅仅是发出简单命令。有些模型可以从口语短句中推断出说话者的意图。这些 Speech-to-Intent 模型经过了几十个短语数千种变体的训练，可以自行归纳出以前从未听过的变体。这些模型可用于创建基于语音的用户界面，最终让设备摆脱一成不变的固定短语界面。
实际问题
Apollo4凭借超低功耗、192Mhz 性能、超高效音频外设、2MB MRAM、大容量缓存及紧密耦合内存，该产品非常适合运行 KWS 和 Seech-to-intent 等人工智能模型。模型大小因关键词或语言意图数量而异，但通常可在小于 200KB 的 RAM 环境下运行，每次推理演算的能效大约为 500 uJ。无需担心推理延迟的问题，它远低于短语长度——例如，KWS 大约需要 50 毫秒。
虽然算法和设备的稳步进展还需在未来一两年内实现，但是基于深度语言模型的语音识别已向前迈进了一大步。
主要优势
正如我们所写的，大多数基于人工智能的语音用户界面都基于工程限制而设计，它们乏善可陈、不关注用户需求，这导致 Alexa 或 Siri 用户不得不一直重复发布简单命令，例如“启动计时器”和“提高音量”。
总有一天，跟手表对话会变得与人交流一样：您的设备会根据各种语境信息知道您的交流对象是手表还是旁人，而不是像现在这样要求您必须记住几个关键词。它们终将能够理解您的意图，就像一个优秀的私人助理一样。
Ambiq的贡献
过去十年，Ambiq®一直致力于研发、推出市场上最具革新性的单片系统(SoC) 解决方案 解决方案。Ambiq 的超低功耗 SoC® 能够增强无线设备和可穿戴设备的处理能力，提高其电池寿命，从而让产品体验更上一个台阶。
通过先进的亚阈功率优化专利技术 (SPOT®) 平台，Ambiq 已助力众多世界知名厂商生产出高性能、低能耗的产品。只需使用锂电池或一次性电池，这些产品便可连续运行几天、几个月、甚至几年。访问https://ambiq.com/wearables以了解更多信息。
閱讀更多： 發展歷程 | 文檔 | 新聞稿 | 博客文章