（文章來源：百知了）

語音可以提供簡單、引人注目的用戶體驗(yàn)，但是將語音控件添加到任何產(chǎn)品、服務(wù)或應(yīng)用程序的路徑都是復(fù)雜的。隨著占主導(dǎo)地位的科技公司繼續(xù)開發(fā)支持語音的界面和助手，產(chǎn)品設(shè)計師、開發(fā)人員和制造商將被迫重新考慮用戶體驗(yàn)和用戶界面。

隨著智能音箱應(yīng)用的驚人擴(kuò)展，以及消費(fèi)者將智能家居設(shè)備作為點(diǎn)解決方案而非系統(tǒng)購買的趨勢，未來許多家庭將擁有一個以語音控制為主要用戶界面的分布式智能平臺。在2019年初，36%的美國寬帶家庭擁有至少一個帶有語音助手的智能揚(yáng)聲器。

語音助手技術(shù)依賴于兩個主要組件：硬件，一種通信和捕獲命令的方式;還有軟件，一種思考和處理反應(yīng)的方式。雖然硬件和軟件決策很重要，但是考慮其他因素——比如本地處理和云處理，以及功耗——也會對語音優(yōu)先應(yīng)用程序或設(shè)備的成功產(chǎn)生重大影響。語音設(shè)計要求制造商評估他們的最終產(chǎn)品，并就使用環(huán)境、設(shè)備將被使用的環(huán)境和消費(fèi)者交互模型做出決策。這些決策影響硬件選擇。

在輸入階段，當(dāng)用戶對設(shè)備說話時，麥克風(fēng)將捕捉短語并將其發(fā)送到ADC, ADC將語音輸入轉(zhuǎn)換為數(shù)字音頻數(shù)據(jù)。麥克風(fēng)可以是模擬的，也可以是數(shù)字的。模擬麥克風(fēng)必須與模擬-數(shù)字轉(zhuǎn)換器配對，而數(shù)字麥克風(fēng)有一個內(nèi)置。麥克風(fēng)陣列的設(shè)計取決于設(shè)備的環(huán)境。對于那些需要用戶近距離說話的設(shè)備，一到兩個麥克風(fēng)是理想的。遠(yuǎn)場通信可能需要4到7個麥克風(fēng)陣列。

輸入階段之后是處理階段。數(shù)字信號處理器將數(shù)據(jù)輸入網(wǎng)絡(luò)模塊和自然語言處理引擎。在此階段，將對捕獲的語音數(shù)據(jù)引入算法。波束形成、動態(tài)范圍壓縮和自適應(yīng)頻譜降噪等算法有助于提高所捕獲語音數(shù)據(jù)的質(zhì)量。處理完成后，將數(shù)據(jù)發(fā)送到數(shù)模轉(zhuǎn)換器和放大器，輸出給用戶。

為語音優(yōu)先技術(shù)創(chuàng)建軟件基礎(chǔ)設(shè)施的構(gòu)件包括自然語言處理，其中包括自動語音識別(ASR)和自然語言理解(NLU)；喚醒詞算法，啟動語音響應(yīng)過程；以及一個處理數(shù)據(jù)的云平臺。wake word作為用戶和語音助手之間的網(wǎng)關(guān)。wake word引擎是一種算法，它通過監(jiān)測音頻信號來檢測感興趣的特定單詞，從而激活設(shè)備的語音界面。

一旦預(yù)先確定的觸發(fā)詞或短語被檢測到，語音查詢就被發(fā)送到云上進(jìn)行處理。通常，該技術(shù)在本地設(shè)備上運(yùn)行，以提高語音查詢響應(yīng)的延遲，并保護(hù)隱私。自然語言處理(NLP)是人工智能的一種形式，通過文本、語音或兩者的自然對話實(shí)現(xiàn)人機(jī)交互。聊天機(jī)器人通常指基于文本的對話系統(tǒng)，而語音機(jī)器人則指Alexa或谷歌Assistant等語音優(yōu)先助手。

在一個簡化的NLP體系結(jié)構(gòu)中，自動語音識別(ASR)識別說話的單詞并將它們轉(zhuǎn)換為文本(語音到文本)。尋求為語音優(yōu)先技術(shù)設(shè)計的公司必須決定他們的語音助手將如何處理語音查詢——無論是在云端還是在本地設(shè)備上?？紤]響應(yīng)速度、Internet連接和安全性都是決策的考慮因素。語音芯片制造商DSP Group發(fā)現(xiàn)，在相當(dāng)?shù)投说奶幚砥骰駾SP芯片上實(shí)現(xiàn)一定數(shù)量的簡單命令是可行的。它發(fā)現(xiàn)，本地簡單命令數(shù)量的最佳點(diǎn)是5到10個命令。

這些命令包括諸如打開和關(guān)閉設(shè)備、降低和增加音量等任務(wù)。一旦命令數(shù)量超過10到15個，對內(nèi)存和處理能力的需求就會增加，故障檢測率提高的風(fēng)險也會大大增加。這表明向云處理的轉(zhuǎn)變。更復(fù)雜的命令被發(fā)送到云，因?yàn)樾枰嗟墓δ芎挽`活性，而有限的命令子集可以在本地解釋。一直在線監(jiān)聽設(shè)備的隱私問題是采用語音優(yōu)先設(shè)備的一個關(guān)鍵障礙。此外，消費(fèi)者對設(shè)備制造商在訪問和管理他們的個人數(shù)據(jù)方面缺乏信任。

制造商必須考慮運(yùn)行自然語言處理算法的處理器的功耗。缺乏專用電源的設(shè)備可以從低能耗解決方案中獲益。與支持語音的設(shè)備相關(guān)聯(lián)的始終在線監(jiān)聽功能的電源感知設(shè)計是電源優(yōu)化的關(guān)鍵。目前的智能音箱都采用了交流電源，這是由于一直監(jiān)聽技術(shù)的能源消耗。公司選擇電池供電而不是交流電的原因有很多，比如設(shè)備的物理位置，以及設(shè)備在房間里擺放的自由。

美觀也可能是移除設(shè)備電源線的一個因素，特別是對于那些在實(shí)現(xiàn)語音識別技術(shù)之前一直使用電池供電的設(shè)備。語音電視遙控器是由電池供電的設(shè)備，要求消費(fèi)者每三到四個月更換一次電池?？悼ㄋ固?Comcast)等一些公司選擇了“一鍵通”(push-to-talk)功能，而不是免提語音遙控器，以延長電池壽命。電能消耗可以通過多種方式來實(shí)現(xiàn)。減少功耗可以通過使用獨(dú)特的尾流字技術(shù)、集成語音命令的數(shù)量和在設(shè)備上啟動的算法來實(shí)現(xiàn)。

隨著消費(fèi)電子行業(yè)繼續(xù)探索在小型設(shè)備和形式因素的語音接口，對超高效和低功耗解決方案的需求將會增加。隨著智能家居設(shè)備擁有量的增加，用戶往往擁有多個設(shè)備，語音作為家庭的集中用戶界面將變得越來越重要?；ゲ僮餍允且粋€驅(qū)動因素。語音將成為緩解智能家居復(fù)雜性和碎片化的關(guān)鍵接口。