▲注以上為不完全統(tǒng)計(jì)
綜述：語(yǔ)音芯片發(fā)展三階段
本文所講的語(yǔ)音芯片側(cè)重于智能語(yǔ)音設(shè)備興起后，專門為語(yǔ)音交互場(chǎng)景打造的SoC芯片(芯片級(jí)系統(tǒng)，System on Chip)，它兼具運(yùn)算力和低功耗，支持多通道麥克風(fēng)陣列接口，支持信號(hào)處理算法等。
通過對(duì)目前市面上語(yǔ)音芯片的觀察，我們發(fā)現(xiàn)語(yǔ)音芯片有以下特點(diǎn)：其一兼具運(yùn)算能力和低功耗的考量，采用最適合做語(yǔ)音處理的CPU(中央處理器);其二是具備高度整合性的語(yǔ)音SoC，支持多通道的麥克風(fēng)陣列接口，集成Codec(多媒體數(shù)字信號(hào)編解碼器)模塊/DSP(數(shù)字信號(hào)處理)模塊，并且集成WiFi/藍(lán)牙模塊等;其三在語(yǔ)音算法上支持回聲消除、噪聲抑制、聲源定位、語(yǔ)音增強(qiáng)等技術(shù)，或具備良好的音值調(diào)節(jié)功能;其四端智能化，集成神經(jīng)網(wǎng)絡(luò)單元將部分云端訓(xùn)練好的智能本地化工作。
通過小編近期對(duì)產(chǎn)業(yè)鏈的采訪以及梳理，根據(jù)語(yǔ)音交互的發(fā)展?fàn)顩r，將語(yǔ)音芯片的發(fā)展歸納為三個(gè)階段，第一個(gè)階段為語(yǔ)音芯片過渡期，采用通用芯片組合方案;第二個(gè)階段為崛起期，語(yǔ)音芯片興起;第三個(gè)階段為語(yǔ)音芯片進(jìn)化期，語(yǔ)音AI芯片涌現(xiàn)。
第一階段，大約2015年以前盡管智能語(yǔ)音設(shè)備，包括智能音箱、遠(yuǎn)場(chǎng)交互的智能電視等都已出現(xiàn)，但在市場(chǎng)尚未起量的情況下，語(yǔ)音設(shè)備采用的多是通用芯片+Codec芯片/DSP芯片等相結(jié)合的方式實(shí)現(xiàn)語(yǔ)音處理，如全志的R16芯片。
2015年到2017年之間，隨著智能語(yǔ)音設(shè)備市場(chǎng)規(guī)模進(jìn)一步發(fā)展，專門用于智能家居或智能音箱的語(yǔ)音芯片開始陸續(xù)亮相，包括聯(lián)發(fā)科推出的MT8516芯片、科勝訊的CX20924/CX20921、Amlogic的A113、瑞芯微的RK3036/RK3229等。
此外，隨著智能語(yǔ)音設(shè)備的迅速發(fā)展，對(duì)于端智能的需求也在顯現(xiàn)，語(yǔ)音AI芯片應(yīng)運(yùn)而生。端智能是近兩年來AI領(lǐng)域大火的概念之一，指的是數(shù)據(jù)的采集、計(jì)算、決策都在前端設(shè)備進(jìn)行，優(yōu)勢(shì)在于穩(wěn)定、時(shí)延小、同時(shí)能夠保護(hù)用戶隱私等。如杭州國(guó)芯推出的GX8010和啟英泰倫推出的CI1006都屬于語(yǔ)音AI芯片。
前期：通用芯片組合搭配
在智能語(yǔ)音設(shè)備的市場(chǎng)早期階段，由于芯片研發(fā)漫長(zhǎng)的周期(一般需要18~24個(gè)月)，高昂的研發(fā)投入，因此在市場(chǎng)規(guī)模尚不大的情況下，市場(chǎng)并沒有專門的語(yǔ)音芯片應(yīng)用到智能語(yǔ)音設(shè)備中。
▲德州儀器DM3725芯片
后來或許是處于成本以及其他考慮，亞馬遜的一些產(chǎn)品開始使用聯(lián)發(fā)科MT8563芯片，這款芯片同樣不是語(yǔ)音專用芯片。直到今年Q2季度，聯(lián)發(fā)科推出了MT8516才算真正意義上的語(yǔ)音芯片。
另外一個(gè)例子是國(guó)內(nèi)早期智能音箱的代表叮咚音箱，最初國(guó)內(nèi)也沒有專用語(yǔ)音芯片，采用的是全志科技R16芯片+科勝訊Codec芯片的方式進(jìn)行語(yǔ)音處理，而全志R16之前則是用于平板的芯片。
在語(yǔ)音交互場(chǎng)景的早期，智能設(shè)備并無太多銷量，即使看到了這一潛在機(jī)會(huì)，研發(fā)一款專用芯片的時(shí)間成本、投資成本都決定了在最初一段時(shí)間，智能設(shè)備需要使用通用芯片或其他芯片作為過渡期。
中小語(yǔ)音芯片廠商涌現(xiàn)
隨著智能語(yǔ)音設(shè)備銷量不斷增長(zhǎng)，典型的就是2016年以來，以亞馬遜Echo為代表的智能音箱市場(chǎng)規(guī)模的不斷擴(kuò)大，專用的語(yǔ)音芯片也開始出現(xiàn)，2016年又剛好是語(yǔ)音芯片興起最集中的一年。
其實(shí)早在2013年7月國(guó)內(nèi)首顆專用語(yǔ)音芯片就誕生了，它由四川長(zhǎng)虹和中科院聲學(xué)所付強(qiáng)(現(xiàn)為先聲互聯(lián)創(chuàng)始人)團(tuán)隊(duì)共同研發(fā)。新研發(fā)出的長(zhǎng)虹語(yǔ)音芯片的優(yōu)勢(shì)是在語(yǔ)音識(shí)別的基礎(chǔ)上，融合了多方面的語(yǔ)音增強(qiáng)功能，包括語(yǔ)音降噪、回聲消除、波束形成等，支持低功耗喚醒，能夠?qū)崿F(xiàn)遠(yuǎn)場(chǎng)語(yǔ)音采集�？赡芤�?yàn)樗拇ㄩL(zhǎng)虹的一些原因，這款芯片在研發(fā)出后并沒有投入生產(chǎn)，之后就不了了之。
2015年以后語(yǔ)音芯片就開始陸續(xù)興起，包括聯(lián)發(fā)科MT8516、科勝訊CX20924、晶晨半導(dǎo)體A113、瑞芯微RK3036、北京君正X1000等公司,如聯(lián)發(fā)科推出了MT8516應(yīng)用在了阿里天貓精靈上，晶晨A113應(yīng)用在了小米AI音箱上。
▲阿里天貓精靈主控板上使用的聯(lián)發(fā)科MT8516芯片
整體來說，這些語(yǔ)音芯片都是面向智能音箱以及智能家居場(chǎng)景打造的專用芯片，支持多通道麥克風(fēng)陣列接口，采用適合做語(yǔ)音處理的CPU;在語(yǔ)音算法上支持回聲消除、噪聲抑制、聲源定位、語(yǔ)音增強(qiáng)等技術(shù)，并兼具運(yùn)算能力和低功耗的考量。
目前無論是智能音箱還是其他智能設(shè)備，更多的智能都是在云端來實(shí)現(xiàn)，但云端存在著語(yǔ)音交互“時(shí)延”的問題，對(duì)網(wǎng)絡(luò)的需求限制了設(shè)備的使用空間，以及由此帶來的數(shù)據(jù)與隱私危機(jī)。為了讓設(shè)備使用場(chǎng)景不受局限，用戶體驗(yàn)更好，端側(cè)智能以成為一種趨勢(shì)，語(yǔ)音AI芯片也隨之而來。
2016年以來，語(yǔ)音AI芯片也開始走進(jìn)大家的視野。成都啟英泰倫在去年推出CI1006，杭州國(guó)芯在今年10月底推出GX8010，都是語(yǔ)音AI芯片。
▲杭州國(guó)芯GX8010芯片
對(duì)比語(yǔ)音芯片，語(yǔ)音AI芯片具備以下特點(diǎn)：首先語(yǔ)音AI芯片中集成了專用的AI處理器模塊，用以對(duì)本地的機(jī)器學(xué)習(xí)算法進(jìn)行加速;其二高度集成，語(yǔ)音AI芯片不但集成CPU、AI處理器，還會(huì)將DSP信號(hào)處理、WiFi/藍(lán)牙等模塊集成進(jìn)去;其三能夠?qū)崿F(xiàn)端側(cè)智能，將一些常用或者簡(jiǎn)單的功能直接集成到本地，通過AI芯片進(jìn)行本地計(jì)算，從而設(shè)備可以在端側(cè)離線完成如聽音樂、日常問答及閑聊等任務(wù)，實(shí)現(xiàn)更快的交互能力。
再考慮到用戶體驗(yàn)以及數(shù)據(jù)隱私等問題，更快的交互體驗(yàn)以及更多本地計(jì)算會(huì)是一種趨勢(shì)，隨著智能語(yǔ)音場(chǎng)景的爆發(fā)， 語(yǔ)音AI芯片也會(huì)迅速發(fā)展。
但目前的AI芯片更多的在于手機(jī)和視覺應(yīng)用領(lǐng)域，一方面手機(jī)市場(chǎng)體量足夠龐大，另一方面視覺應(yīng)用技術(shù)也相對(duì)成熟。而在語(yǔ)音領(lǐng)域，一方面語(yǔ)義理解技術(shù)短期內(nèi)很難突破，另外智能語(yǔ)音是一個(gè)新興市場(chǎng)，智能音箱作為典型爆款產(chǎn)品，今年全球整體市場(chǎng)規(guī)模也不過2500萬~3000萬臺(tái)之間，而這些都導(dǎo)致了語(yǔ)音AI芯片進(jìn)展相對(duì)緩慢。
聯(lián)發(fā)科副總經(jīng)理暨家庭娛樂產(chǎn)品事業(yè)群總經(jīng)理游人杰曾對(duì)智能語(yǔ)音的發(fā)展提出一個(gè)三階段論的觀點(diǎn)，他認(rèn)為智能語(yǔ)音的第一階段是智能音箱的普及，第二階段是更多智能語(yǔ)音設(shè)備的出現(xiàn)，語(yǔ)音成為人機(jī)交互的界面，第三階段就是端側(cè)智能，通過語(yǔ)音AI芯片來實(shí)現(xiàn)更多本地計(jì)算，提供用戶更好的交互體驗(yàn)。
不難看出，我們目前還處于第一階段，需要推動(dòng)智能音箱的普及以及更多智能設(shè)備的出現(xiàn)，從而推動(dòng)語(yǔ)音交互界面的到來。只有當(dāng)語(yǔ)音成為一種交互界面，才意味著整個(gè)智能語(yǔ)音市場(chǎng)的爆發(fā)，才會(huì)有更多的巨頭芯片廠商以及中小芯片商涌入其中。
而針對(duì)當(dāng)下智能語(yǔ)音設(shè)備所需的智能化，游人杰談到，CPU本身可以做一些“輕”AI的功能，如果本地需要很強(qiáng)的AI能力，目前則會(huì)在語(yǔ)音芯片的基礎(chǔ)上外置一個(gè)AI處理器來實(shí)現(xiàn)。此外游人杰也透露，聯(lián)發(fā)科語(yǔ)音AI芯片的推出尚需1~2年時(shí)間。
相比一款新型芯片研發(fā)的高昂成本，在對(duì)算力有很大需求的產(chǎn)品上，通過添加一個(gè)獨(dú)立的AI處理器模塊，確實(shí)可以快速滿足產(chǎn)品端對(duì)AI能力的需求，并且緩解了芯片產(chǎn)品漫長(zhǎng)的研發(fā)周期(一般18~24個(gè)月)。從時(shí)間來看，隨著智能語(yǔ)音的興起，未來1~2年后可能將會(huì)是語(yǔ)音芯片爆發(fā)的高峰期。
語(yǔ)音芯片帶動(dòng)新興行業(yè)
有分析認(rèn)為，到2020年AI芯片市場(chǎng)規(guī)模將達(dá)到146.16億美元，約占全球人工智能市場(chǎng)規(guī)模12.18%。隨著人工智能的火熱，以GPU(圖形處理器) 、FPGA(現(xiàn)場(chǎng)可編程門陣列) 、ASIC(為專門目的而設(shè)計(jì)的集成電路)為代表的AI芯片類別均將獲得快速發(fā)展，語(yǔ)音芯片/語(yǔ)音AI芯片也會(huì)在這個(gè)過程中受益并爆發(fā)，在此過程中會(huì)誕生一個(gè)新興的語(yǔ)音芯片行業(yè)，以及一波語(yǔ)音芯片公司。
根據(jù)游人杰智能語(yǔ)音發(fā)展的三階段論，目前我們還處于第一階段的智能音箱普及期，先通過一款爆款產(chǎn)品來引爆整個(gè)語(yǔ)音交互行業(yè)，并由此推動(dòng)家庭場(chǎng)景、辦公場(chǎng)景等的語(yǔ)音智能化，使語(yǔ)音成為人機(jī)交互的一個(gè)界面，才能真正推動(dòng)語(yǔ)音芯片的爆發(fā)，以及演進(jìn)到語(yǔ)音AI芯片。
僅僅是今年全球智能音箱市場(chǎng)銷量預(yù)計(jì)有望達(dá)到3000萬臺(tái)，隨著語(yǔ)音交互進(jìn)一步爆發(fā)，場(chǎng)景進(jìn)一步開拓，智能語(yǔ)音設(shè)備將快速進(jìn)入億級(jí)規(guī)模市場(chǎng)，可見無論是當(dāng)下的語(yǔ)音芯片還是即將到來的語(yǔ)音AI芯片，都將有廣闊的市場(chǎng)空間。
由于當(dāng)下智能語(yǔ)音市場(chǎng)規(guī)模相對(duì)較小，相比芯片研發(fā)的高成本投入，像高通、英偉達(dá)、英特爾等芯片巨頭或是并不看好這塊市場(chǎng)或是語(yǔ)音芯片研發(fā)進(jìn)展緩慢，給予了更多中小芯片廠商發(fā)展的機(jī)會(huì)。
目前在語(yǔ)音芯片行業(yè)已涌現(xiàn)出數(shù)十家公司在這一領(lǐng)域“開疆?dāng)U土”，包括聯(lián)發(fā)科、杭州國(guó)芯、全志科技、晶晨半導(dǎo)體、啟英泰倫等，既有芯片領(lǐng)域的大公司，面向智能家居、消費(fèi)電子領(lǐng)域的國(guó)有芯片品牌，還有新興的創(chuàng)業(yè)公司。正是語(yǔ)音交互的興起，為他們?cè)诩扔袠I(yè)務(wù)之外，提供了一個(gè)新的經(jīng)濟(jì)增長(zhǎng)點(diǎn)，并且隨著語(yǔ)音交互的爆發(fā)，這一領(lǐng)域甚至?xí)Q生下一個(gè)巨頭芯片公司。
可以預(yù)見的是，2018年會(huì)有更多語(yǔ)音芯片的誕生，在未來1~2年，語(yǔ)音AI芯片也將進(jìn)一步發(fā)展迎來爆發(fā)期。
結(jié)語(yǔ)：語(yǔ)音芯片的崛起
隨著語(yǔ)音交互設(shè)備的誕生發(fā)展，芯片也經(jīng)歷著從通用組合芯片到語(yǔ)音芯片再到語(yǔ)音AI芯片的演進(jìn)。隨著語(yǔ)音交互的爆發(fā)，語(yǔ)音真正成為人機(jī)交互的界面，語(yǔ)音芯片也將成爆發(fā)之態(tài)。
但與此同時(shí)，語(yǔ)音與視覺也將會(huì)走向融合，畢竟多元的交互方式才更符合人性的體驗(yàn)。在語(yǔ)音芯片崛起后，“語(yǔ)音+屏幕”相結(jié)合的交互方式也是業(yè)界更加認(rèn)可的一種趨勢(shì)。 |
