最新一代人工智能或?qū)㈤_啟新一輪科技革命，全面提升各種人機(jī)交互體驗(yàn)。

人工智能日益融入人們的日常生活，在方方面面帶來(lái)深刻變化。基于人工智能的文本和圖像生成工具可以創(chuàng)建出令人難以置信的內(nèi)容。不僅如此，人工智能的觸角已從視覺(jué)和文字媒介，伸向語(yǔ)音轉(zhuǎn)文字（STT）和自然語(yǔ)言處理（NLP）等音頻應(yīng)用，展現(xiàn)出巨大潛力。然而，音頻應(yīng)用質(zhì)量大幅提高是否僅僅歸功于最新一代基于大語(yǔ)言模型的生成式人工智能？還是說(shuō)硬件依然功不可沒(méi)？就拿高信噪比（SNR）微機(jī)電系統(tǒng)（MEMS）麥克風(fēng)來(lái)說(shuō)，它為實(shí)現(xiàn)這種必將改變?nèi)藗內(nèi)粘Ｉ畹男沦|(zhì)人機(jī)交互做出了什么貢獻(xiàn)？本文將探討這些問(wèn)題并深入分析高信噪比MEMS麥克風(fēng)在文字轉(zhuǎn)語(yǔ)音（TTS）和自然語(yǔ)言處理（NLP）等前沿音頻應(yīng)用的發(fā)展中所起的關(guān)鍵作用。

人們每天佩戴耳機(jī)的時(shí)間越來(lái)越長(zhǎng)。隨著越來(lái)越多的人選擇在咖啡館等公共場(chǎng)所辦公，為了靜享安寧或是參加會(huì)議，人們紛紛使用耳機(jī)來(lái)隔絕外界喧囂。閑暇時(shí)，人們也愿意戴著耳機(jī)打游戲、聽音樂(lè)或有聲讀物或者與朋友交談。由于佩戴時(shí)間越來(lái)越長(zhǎng)，除舒適度之外，音頻質(zhì)量也成為重要的選購(gòu)標(biāo)準(zhǔn)。越來(lái)越多的人在選購(gòu)耳機(jī)時(shí)對(duì)“高級(jí)音頻功能”感興趣，如空間音頻、清晰語(yǔ)音通話和低延遲等。

語(yǔ)音識(shí)別和語(yǔ)音生成是消費(fèi)電子產(chǎn)品和汽車的重要音頻功能。近幾年來(lái)，包括Siri和Alexa在內(nèi)的語(yǔ)音助手一直在簡(jiǎn)化操作并推出新的應(yīng)用，如通過(guò)語(yǔ)音命令控制智能家居設(shè)備。如今，從智能手機(jī)（圖1）和耳機(jī)到智能電視、智能音箱、智能家居設(shè)備、筆記本電腦和平板電腦，各式各樣的設(shè)備都配備了集成語(yǔ)音助手。集成在設(shè)備中的語(yǔ)音助手（如智能手機(jī)、耳機(jī)、智能電視和智能音箱）依賴于這些麥克風(fēng)捕捉到的高質(zhì)量音頻輸入。高信噪比（信號(hào)與噪聲比）麥克風(fēng)在實(shí)現(xiàn)卓越音頻質(zhì)量方面起著關(guān)鍵作用；對(duì)于遠(yuǎn)場(chǎng)應(yīng)用，如智能音箱，高信噪比麥克風(fēng)可以更好地捕捉音頻；真無(wú)線耳機(jī)（TWS）中的主動(dòng)降噪（ANC）和透?jìng)髂Ｊ降裙δ芤彩芤嬗诟咝旁氡塞溈孙L(fēng)，提升了用戶體驗(yàn)。汽車也廣泛使用語(yǔ)音助手來(lái)控制多種不同功能，以便駕駛員雙手不離開方向盤即可完成操作。

SAR預(yù)測(cè)，到2028年，帶集成語(yǔ)音助手的設(shè)備的市場(chǎng)總銷量將增至每年30億臺(tái)，復(fù)合年增長(zhǎng)率達(dá)5%。1

人工智能在音頻領(lǐng)域的應(yīng)用前景

另外目前的系統(tǒng)還不夠完美?？谝簟⒄Z(yǔ)病或簡(jiǎn)單的背景噪聲等仍然會(huì)導(dǎo)致語(yǔ)音識(shí)別失敗。語(yǔ)音輸出聽起來(lái)也非常生硬，與真人發(fā)音有很大差別。

最新一代人工智能或?qū)㈤_啟新一輪科技革命，全面提升各種人機(jī)交互體驗(yàn)。生成式人工智能音頻的優(yōu)勢(shì)不僅在于增強(qiáng)語(yǔ)音助手的功能，還在于它能夠更好地理解人類的意圖。例如，人工智能生成語(yǔ)音與真人發(fā)音幾乎難以分辨，從而可以為視障群體提供更好的幫助。各種數(shù)字平臺(tái)都可以利用人工智能音頻來(lái)提升用戶體驗(yàn)，娛樂(lè)行業(yè)或客戶支持領(lǐng)域也可以探索人工智能音頻帶來(lái)的新的可能性。

生成式人工智能音頻的一個(gè)重要應(yīng)用是語(yǔ)音轉(zhuǎn)文字，即將說(shuō)的話轉(zhuǎn)換成文字。使用人工智能可以提高速度和準(zhǔn)確率。語(yǔ)音轉(zhuǎn)文字（STT）結(jié)合文字轉(zhuǎn)語(yǔ)音（TTS），可以在諸如筆記本電腦或智能手機(jī)等消費(fèi)電子產(chǎn)品中實(shí)現(xiàn)多種應(yīng)用，包括集成語(yǔ)音助手以及自動(dòng)轉(zhuǎn)錄會(huì)議。在會(huì)議中，基于人工智能的應(yīng)用可以總結(jié)出，以把握討論的精神實(shí)質(zhì)。在會(huì)議進(jìn)行過(guò)程中，您可以查看不同人提出的觀點(diǎn)，以確保全面考慮每個(gè)人的意見(jiàn)。

自然語(yǔ)言處理（NLP）和生成富有表現(xiàn)力的語(yǔ)音

自然語(yǔ)言處理（NLP）是生成式人工智能語(yǔ)音的基礎(chǔ)技術(shù)。它致力于理解口頭語(yǔ)言的含義，而不考慮口音、口語(yǔ)化表達(dá)、發(fā)音含糊不清以及口頭語(yǔ)言與書面語(yǔ)言之間的其他差異。自然語(yǔ)言處理還可以根據(jù)語(yǔ)速、語(yǔ)調(diào)和語(yǔ)氣，識(shí)別出觀點(diǎn)和情緒。人可以發(fā)出各種各樣的聲音，因此，自然語(yǔ)言處理的聲音采集必須盡可能準(zhǔn)確地捕捉到純凈的語(yǔ)音信號(hào)，同時(shí)將背景噪聲、雜音和其他外部影響降至最低。換句話說(shuō)，麥克風(fēng)和信號(hào)處理有助于顯著提高自然語(yǔ)言處理質(zhì)量。

要實(shí)現(xiàn)出色的語(yǔ)音識(shí)別，必須用盡可能多的不同真人聲音對(duì)人工智能進(jìn)行訓(xùn)練。只有這樣，它才能處理語(yǔ)音的微妙之處并理解口語(yǔ)文字。

適用于人工智能音頻的MEMS麥克風(fēng)

同自然語(yǔ)言處理的情況一樣，人工智能音頻必須借助的硬件才能高質(zhì)量地完成任務(wù)。首先是將人類語(yǔ)音產(chǎn)生的聲波轉(zhuǎn)換成電信號(hào)，轉(zhuǎn)換質(zhì)量直接關(guān)系到對(duì)所捕捉信號(hào)的理解。任何轉(zhuǎn)換損失或劣化都會(huì)降低語(yǔ)音轉(zhuǎn)文字的準(zhǔn)確率。

麥克風(fēng)是音頻鏈中的第一個(gè)環(huán)節(jié)，在人工智能音頻設(shè)備必須選擇合適的麥克風(fēng)。MEMS麥克風(fēng)可謂當(dāng)仁不讓：它們不僅具備高性能和低功耗，而且外形小巧，可輕松集成到各式各樣的設(shè)備中。

MEMS麥克風(fēng)主要由三個(gè)部分組成（圖2）。首先是用作傳感元件的微機(jī)電系統(tǒng)：膜片和背極板共同構(gòu)成一個(gè)電容器，聲波使膜片振動(dòng)，振動(dòng)導(dǎo)致電容變化從而產(chǎn)生電信號(hào)。第二個(gè)組成部分是專用集成電路（ASIC），其中包含向膜片施加電壓的電荷泵、放大器、穩(wěn)定輸入電壓的穩(wěn)壓器（LDO）和校準(zhǔn)邏輯電路。第三個(gè)組成部分是封裝，它將這些元件集于一體，提供保護(hù)和屏蔽并形成后腔室。

MEMS麥克風(fēng)框圖

要在有背景噪聲、口音或講話人與麥克風(fēng)之間的距離不理想等困難條件下，識(shí)別出語(yǔ)音的細(xì)微差別，麥克風(fēng)的信噪比是關(guān)鍵特性。麥克風(fēng)的所有元件（MEMS、ASIC、封裝和入聲孔）都會(huì)產(chǎn)生自噪聲。信噪比描述了麥克風(fēng)固有的自噪聲相對(duì)于標(biāo)準(zhǔn)參考信號(hào)的強(qiáng)度。信噪比越高，能提供更穩(wěn)定、更清晰的語(yǔ)音和數(shù)據(jù)傳輸，減少噪聲干擾，提高設(shè)備性能和穩(wěn)定性。

XENSIV? MEMS麥克風(fēng)帶給人工智能音頻的優(yōu)勢(shì)

如上所述，人工智能音頻設(shè)備需要采用高信噪比麥克風(fēng)來(lái)實(shí)現(xiàn)準(zhǔn)確的語(yǔ)音識(shí)別。英飛凌已經(jīng)成功地研發(fā)了許多高性能MEMS麥克風(fēng)2，包括具有革命性意義的密封雙膜（SDM）MEMS麥克風(fēng)技術(shù)。它使用兩個(gè)膜片和一個(gè)帶電定子來(lái)形成一個(gè)密封的低壓腔（圖3）和一個(gè)差分輸出信號(hào)，這種架構(gòu)可實(shí)現(xiàn)超高信噪比（高達(dá)75 dB）和極低失真，并為麥克風(fēng)提供防水防塵高防護(hù)（IP57）。

SDM技術(shù)使用兩個(gè)膜片和一個(gè)帶電定子來(lái)形成一個(gè)密封的低壓腔和一個(gè)差分輸出信號(hào)從而實(shí)現(xiàn)超高信噪比和極低失真

英飛凌XENSIV? IM73A135正是應(yīng)用了這個(gè)技術(shù)，信噪比達(dá)到73 dB，處于行業(yè)內(nèi)領(lǐng)先地位特別適合人工智能音頻等要求嚴(yán)格的應(yīng)用。其4×3 mm2封裝允許將聲音捕捉單元小型化，以便輕松將人工智能語(yǔ)音技術(shù)集成到各種設(shè)備中，包括筆記本電腦、會(huì)議電話以及智能音箱和智能手機(jī)等。

XENSIV? MEMS麥克風(fēng)的另一個(gè)優(yōu)點(diǎn)是低能耗。它們提供多種不同工作模式，通過(guò)節(jié)能來(lái)幫除了性能領(lǐng)先助提高設(shè)備的功率效率。許多帶生成式人工智能語(yǔ)音功能的設(shè)備都是電池供電的便攜式設(shè)備，低能耗對(duì)于延長(zhǎng)電池續(xù)航尤為重要。

得益于其尺寸小巧、經(jīng)濟(jì)劃算和低功耗，在一臺(tái)設(shè)備中配置多個(gè)麥克風(fēng)。這樣可以檢測(cè)并降低背景噪聲，提高語(yǔ)音識(shí)別準(zhǔn)確率。還可以采用波束成形算法，從背景噪聲中分離出并拾取特定講話人的語(yǔ)音。

如今人們很重視改善音頻質(zhì)量，市場(chǎng)數(shù)據(jù)也反映出MEMS麥克風(fēng)的優(yōu)勢(shì)。高信噪比MEMS麥克風(fēng)市場(chǎng)的增長(zhǎng)速度明顯超過(guò)低信噪比麥克風(fēng)市場(chǎng)。Omdia預(yù)計(jì)，信噪比高于64 dB的MEMS麥克風(fēng)在消費(fèi)領(lǐng)域的復(fù)合年增長(zhǎng)率將達(dá)到8.7%，到2027年銷售量將接近30億個(gè)3。

英飛凌很早就預(yù)見(jiàn)到這一趨勢(shì)，我們一直在研發(fā)適用于人工智能音頻應(yīng)用等的高性能MEMS麥克風(fēng)。

除了性能領(lǐng)先的73-dB信噪比之外，具備更高信噪比、更低功耗的MEMS麥克風(fēng)也即將相繼面市。

XENSIV? MEMS麥克風(fēng)的主要價(jià)值指標(biāo)

結(jié)語(yǔ)

在生成式人工智能音頻領(lǐng)域，高信噪比MEMS麥克風(fēng)起到了至關(guān)重要的作用。隨著人工智能推動(dòng)語(yǔ)音轉(zhuǎn)文字（STT）等音頻應(yīng)用不斷發(fā)展，MEMS麥克風(fēng)也通過(guò)捕捉細(xì)致入微的語(yǔ)音數(shù)據(jù)，為提高語(yǔ)音識(shí)別準(zhǔn)確率發(fā)揮了積極作用，助力在消費(fèi)電子產(chǎn)品和面向視障群體的無(wú)障礙功能等領(lǐng)域?qū)崿F(xiàn)更加自然而實(shí)用的人工智能音頻。充分利用優(yōu)質(zhì)MEMS麥克風(fēng)的這些優(yōu)點(diǎn)，人工智能音頻將在未來(lái)幾年開辟更多應(yīng)用領(lǐng)域，包括語(yǔ)音克隆、語(yǔ)音情緒識(shí)別等等。

英飛凌科技自主研發(fā)和生產(chǎn)MEMS麥克風(fēng)的所有組件。英飛凌可以針對(duì)每種應(yīng)用，確定MEMS、ASIC和封裝的最佳組合以實(shí)現(xiàn)最優(yōu)性能。這為改善用戶體驗(yàn)和拓寬人工智能音頻應(yīng)用領(lǐng)域鋪平了道路。

參考文獻(xiàn)

1 SAR Insight & Consulting發(fā)布的《語(yǔ)音助手平臺(tái)預(yù)測(cè)》，2023年。

2 英飛凌科技。

3 Omdia（2023年發(fā)布）《MEMS麥克風(fēng)調(diào)研報(bào)告》。