語音識別是人工智能技術迄今為止非常明確的落地應用之一，終端人工智能語音芯片將迎來高速增長，在近期的這一波智能語音芯片中，在高速增長的市場需求面前，對于降低開發(fā)成本、縮短開發(fā)周期、快速對接客戶需求等方面卡位非常精準。為了讓設備使用場景不受局限，用戶體驗更好，端側(cè)智能已成為一種趨勢。

從近期量產(chǎn)的幾款智能語音芯片來看，除了在性能和功能方面的不斷提升，各家在價格優(yōu)勢上拼盡全力，這首先與其市場定位有著密不可分的關系，其次也是商業(yè)化落地的必然結(jié)果。

啟英泰倫9月19日在深圳發(fā)布第二代語音AI芯片CI110X 系列：CI1102和CI1103，其中CI1102主打高性價比，CI1103承載更多算法和功能。與上一代相比，第二代芯片集成雙通道codec，搭載SDIO并可支持Wi-Fi接口，實現(xiàn)了離線+在線語音的結(jié)合。除了在性能、功能上的突破，啟英泰倫更將語音模塊價格下拉到最低14.99元（單筆訂單＞500K）。

同日，探境科技推出語音AI芯片音旋風611，該芯片基于探境獨創(chuàng)的存儲優(yōu)先架構(gòu)，采用創(chuàng)新音頻陣列算法，支持200條喚醒詞，命令詞識別率高達97%，可遠場識別10米識別范圍，具有毫安級待機功耗，常用接口齊全且外部電路簡單，而售價不到2美元。

安普德科技的ACH1190芯片據(jù)悉已成功流片，預計將在9月正式出貨。根據(jù)官方提供的信息，這款芯片尺寸有7mmx7mm及3mmx3mm多種尺寸的封裝 ，內(nèi)置codec、DSP，外圍器件少，F(xiàn)PU 計算能力 250 DMIPS，最多可支持4個麥克，單麥克方案可實現(xiàn)遠場10米的識別，同時加入了回聲消除、降噪技術、波束成形技術，出貨價格大約在1美元以下，與市面同類產(chǎn)品相比價格優(yōu)勢更為顯著。除了離線語音識別應用外，結(jié)合安普德自主開發(fā)的雙頻（2.4G/5GHz）Wi-Fi芯片，可以實現(xiàn)在線AI語音識別的部署，兩顆芯片可以為客戶提供更加完整的方案，整體成本更低。

清微智能的語音SoC芯片TX210，于6月下旬宣布實現(xiàn)規(guī)模化量產(chǎn)，具體價格不詳，據(jù)稱未來兩年可出貨4000萬顆。這款芯片采用了CGRA可重構(gòu)計算架構(gòu)，在同等算力下，功耗遠低于同類產(chǎn)品，工作功耗2mW，VAD功耗100uW，可面向眾多應用場景下的智能終端產(chǎn)品開發(fā)，特別是對于功耗要求敏感、體積要求苛刻的超便攜和物聯(lián)網(wǎng)產(chǎn)品，如手機、家居，玩具及智能穿戴設備，特別是針對現(xiàn)在大熱的TWS應用，低功耗設計非常有優(yōu)勢。據(jù)了解，可重構(gòu)計算是一種無需指令驅(qū)動的計算模式，它基于數(shù)據(jù)流圖，面向的是異構(gòu)的空域計算，一次配置形成固定的電路結(jié)構(gòu)，從而以接近ASIC效率反復執(zhí)行，資源利用率和數(shù)據(jù)復用率高。相比ASIC方式的固定電路結(jié)構(gòu)，它又可以依據(jù)應用或者算法進行電路配置，形成不同的計算電路結(jié)構(gòu)，具有很強的靈活性。

智能語音芯片的價格因素有哪些？

對一款智能語音芯片進行系統(tǒng)級設計時，有四大要點值得關注：首先，所支持指令詞的個數(shù)，決定了存儲結(jié)構(gòu)和加速核架構(gòu)。需要考慮的因素包括：單個model的大小、NN每層計算需要的數(shù)據(jù)量，以及是否需要CPU參與運算，這意味著系統(tǒng)需要考慮Flash容量、Flash帶寬以及SRAM容量，NN加速核RAM容量、MAC個數(shù)，以及CPU的選型、時鐘頻率等。

第二個要素是降噪算法需求，涉及到降噪算法的種類、麥克風個數(shù)，以及播放打斷等操作需求，相應地將影響到DSP的架構(gòu)，包括MAC個數(shù)、頻率、RAM容量，以及模擬硬件接口等。

第三個要素則是低功耗待機需求，最為關鍵的考慮就是是否需要電池供電，低功耗設計需要考慮特殊codec架構(gòu)、硬件/軟件VAD、觸控激活等等。

第四個則是方案成本。決定一款智能語音芯片方案成本的因素包括模擬麥、數(shù)字麥、駐極體、硅麥等，以及封裝、晶振，相應的外設支持，例如模擬麥克風的通道數(shù)、CMU設計等等。

從不同架構(gòu)的智能語音芯片演進路線來看，當前主要有四種：MCU、MCU+DSP、MCU+NN以及MCU+DSP+NN。

傳統(tǒng)語音芯片以通過MCU來實現(xiàn)語音控制為典型代表，這一市場的特點是低價、低毛利，據(jù)了解成本約為0.5-1美元；后來逐漸加入DSP之后，可實現(xiàn)輕量級的NN支持，在識別指令數(shù)量方面有提升，但是通常并無降噪支持，成本約為1美元左右；第三種架構(gòu)則以MCU+NN為主，可支持CNN、DNN等模型，成本約為1-1.5美元；第四種MCU+DSP+NN是當前市場上的主流，可支持CNN、DNN等模型，識別指令數(shù)量進一步提升，支持降噪，成本約為1-2美元。

當前智能語音芯片比較典型的應用是一部分依賴傳統(tǒng)的DSP算法，一部分是利用RNN/CNN等神經(jīng)網(wǎng)絡算法進行數(shù)據(jù)處理。業(yè)內(nèi)人士認為，未來將出現(xiàn)更多類型的神經(jīng)網(wǎng)絡算法，以滿足各種語音交互的場景，而這些算法都能夠被同一顆智能芯片所兼容，在不同的情況下調(diào)用不同的神經(jīng)網(wǎng)絡來滿足用戶需求。

龐大市場需求催生端側(cè)AI語音芯片快速起量

根據(jù)前沿產(chǎn)業(yè)研究院數(shù)據(jù)，智能音箱、智能家電設備的語音控制功能需求的增長，預計2021年達到3億臺。手機、可穿戴設備的低功耗語音喚醒需要專用語音AI芯片，預計2021年達到5億臺。而不僅局限于此，端側(cè)低功耗、智能化的需求，將覆蓋除家電、可穿戴設備之外的機器人、物聯(lián)網(wǎng)等應用，市場總量巨大。
在誘人的市場圖景面前，再來看國內(nèi)目前比較受關注的AI專用芯片，市場定位、產(chǎn)品規(guī)劃都各有千秋。

定位不同的芯片產(chǎn)品在具體的性能指標上存在明顯差異，例如，定位入門級應用市場的芯片，大都僅支持單麥/雙麥，能夠?qū)崿F(xiàn)的語音功能及適用的應用場景相對有限；而定位中高端市場的芯片產(chǎn)品在可實現(xiàn)功能方面更為多樣化。

離線智能語音交互是當前一個重要的細分領域，無需聯(lián)網(wǎng)可在本地實現(xiàn)語音交互，不僅能夠保護隱私安全，同時也可以減少用戶大量數(shù)據(jù)傳送到云端的壓力，當前主要應用于白電市場。可通過離線智能語音控制的家電產(chǎn)品目前包括：智能燈控、智能空調(diào)、智能電視、智能油煙機、智能玩具等產(chǎn)品。目前，創(chuàng)維、小米、暴風、海爾等均已推出智能語音識別電視，美的、格力、海爾、奧克斯、長虹均已推出智能語音空調(diào)。相關統(tǒng)計顯示，2017年中國智能電視銷量達4736.5萬臺，同比增長13.8%，2018年智能電視銷量將突破5000萬臺。2017年，全國空調(diào)內(nèi)銷量8875.5萬臺,同比增長46.8%，近幾年，空調(diào)每年內(nèi)銷量保持在6000萬臺以上。智能玩具方面，年出貨量也有望達到億萬臺。

安普德的語音識別芯片基于嵌入式架構(gòu)進行開發(fā)，而非市面上常見的基于Linux系統(tǒng)的，這樣做的好處是系統(tǒng)資源占用小、同時降低成本和功耗，但要求較強的系統(tǒng)開發(fā)能力。算法方面采用膠囊神經(jīng)網(wǎng)絡算法，是安普德專有的語音識別算法, 由該公司自主研發(fā)，專為嵌入式處理器而設計，語音識別芯片可與膠囊神經(jīng)網(wǎng)絡算法性能疊加，可提高用戶體驗，降低成本。該算法對于芯片成本的降低非常關鍵，它采用的數(shù)據(jù)量小、準確度高、CPU帶寬使用率更低、占用內(nèi)存小，所需外圍器件大大減少。

啟英泰倫也是在算法方面不斷突破的典范。芯片設計起家后，啟英泰倫從2015年開始了基于深度學習的語音識別芯片及配套算法引擎的研發(fā)，該公司將這一策略稱作市場倒逼的結(jié)果，先后突破了本地中文語音訓練引擎、本地英文語音訓練引擎、麥克風陣列算法等。據(jù)啟英泰倫方面稱，“算法不是芯片商的優(yōu)勢，但如今算法成為了我們和其他芯片商競爭的優(yōu)勢。我們的價格剛開始有點高，但現(xiàn)在我們已經(jīng)攻克了成本的難題，價格也成為了一大優(yōu)勢。”

不過，在思必馳-深聰智能商務負責人王宏松看來，在智能家居場景中，智能終端的交互既包括前面提到的離線語音操控功能，但更需要支持云端一體化的功能及應用，例如資源調(diào)用、聲紋識別、用戶ID畫像等等。該公司在2019年1月正式發(fā)布了AI專用芯片TH1520，據(jù)王宏松介紹，“我們在一年半前開始的深聰項目，定位為中高端語音交互市場，包括中高端型號的白電產(chǎn)品、家居硬件等。此外，TH1520芯片在設計之初就已規(guī)劃支持思必馳近期及未來一段時間的語音算法，算法同步和技術的迭代，將為客戶帶來更好的交互體驗?！?br />
TH1520芯片支持雙麥/四麥/六麥的線性/環(huán)形等多型號麥克風陣列，能夠應用的產(chǎn)品類型也十分多樣化，實現(xiàn)的語音算法功能也更為強大。此外，作為后續(xù)增值服務，TH1520芯片針對白電產(chǎn)品提供“兩個10年保證”，10年以上質(zhì)量保證，10年以上長效供應。此外，該款芯片也支持-40℃~125℃溫度范圍，可用于車載應用。

由于語音芯片市場過于細分，需要企業(yè)根據(jù)各自目標場景和商業(yè)模式進行產(chǎn)品規(guī)劃。曾經(jīng)業(yè)界所擔心的“PPT造芯”、概念產(chǎn)品等等，經(jīng)過市場的新一輪檢驗后，一切都以能否產(chǎn)業(yè)化、規(guī)?；涞貫闄z驗標準，得用戶者得天下。預測端側(cè)AI SoC下一步將繼續(xù)在SoC集成度、低功耗設計、以及軟件的易用性方面進一步提升。