探境科技发布基于AI降噪算法的语音识别解决方案

AI芯片创企探境科技发布用于语音识别降噪的高计算强度神经网络（HONN），并提出了增强识别一体化的端到端识别流程。HONN在远场和高噪声等环境下的识别率明显优于DNN。

此前在今年9月，探境发布通用型语音AI芯片音旋风611，智东西曾对该芯片及内部存储优先架构（SFA）做详细报道。（探境推全球首款通用型语音AI芯片，2美元、已量产，图像芯片年底见）

现场，探境宣布升级语音解决方案，实现在线离线一体化，并展示了探境语音产品全矩阵及端云一体的全栈式平台化发展战略。

据介绍，到目前为止，探境语音识别方案已实现百万级产品出货，今年营收已经破千万元。

探境共有30家合作伙伴，所涉及智能家居品类丰富，从灯具到热水器、垃圾筒、净化器应有尽有。

一、语音/图像芯片双线并行，展示语音产品全矩阵

探境科技2017年成立，去年完成上亿元A轮融资，覆盖芯片、软件、算法、系统全栈式技术能力，能提供Turn-key整体方案，既有面向家具、玩具、智能穿戴等场景的语音系列解决方案，也有面向图像场景下有安防、新零售、辅助驾驶等方面的图像解决方案。

探境科技目前在全球有6个研发中心，分别在北京、上海、深圳、合肥、杭州、美国硅谷。员工接近200人，其中150人是研发人员，其骨干研发人员平均工作经验约15年，其中有50人拥有硕士、博士学历。

今年9月，探境面向智能家居市场发布离在线一体语音识别芯片音旋风611，称它是目前市面上综合性能最好、性价比最高的一款离在线语音方案，已在多家客户的产品中得到应用并收获良好客户口碑。

音旋风611支持多达200条命令词，可覆盖大部分生活场景，唤醒率不低于99%，识别率超过97%，误唤醒率低于24小时1次，几乎在眨眼之间就能完成识别，在10米范围之内，都可以正常唤醒与识别。

探境已构建整个产品矩阵，从低功耗到旗舰产品全面覆盖，除了单麦和双麦的611和612，还有支持降噪的631、可用于可穿戴设备的超低功耗311、可用于智能家居的精简命令词321。

其旗舰产品是711/712，主要面对高端自然语言识别的场景，比现在采用命令词的方式，有更大的体验和升级。

总体而言，探境打造的全栈式语音解决方案，主要有五个特点：语音识别体验好、功耗低、超高性价比、易集成、端云一体化。

由于目前存在一些在线连接的需求，探境会将离线和在线一起提供给大家，做一个整体的解决方案。

另外，探境的图像芯片目前已流片成功，能效比是目前已知全球最高图像推理性能，达到800IPS/W。

二、AI算法二次升级，鲁棒性和抗噪能力更强

在家居环境下，语音识别主要面临几个挑战：一是在远场、高噪声等苛刻场景下信噪比低，二是非稳态的噪声影响，三是难以处理多声源问题。

如图是探境语音识别的的简化版框图，一般包括两个环节：一是降噪处理和语音识别，二是为语音专门设计的高计算强度神经网络HONN。

1、基于深度学习的降噪算法

不同于传统降噪算法，探境的降噪算法是基于深度学习的AI降噪算法，不仅可以处理常见的稳态噪声，还能很好地处理一些非稳态的噪声和突发性的噪声。

为验证该算法的识别有效性，探境将一批信噪比在3dB左右的语音数据，送到一家知名互联网公司的云端识别引擎做了测试，降噪后比降噪前的识别率能够提升30%以上。

2、设计新型语音识别网络

算力决定识别率的上限，趋向于用复杂度高的模型做声学建模。

参数数量相同的条件下，提高计算强度能提高模型的算力需求，卷积能提取声音信号符合人类生理感知的本质特征。

参考计算机视觉中的最新进展，探境科技设计了用于语音识别的高计算强度神经网络（HONN），来对声学建模单元进行升级。

传统语音识别算法多使用全连接（DNN/DTNN），探境HONN增加了卷积的操作次数，将每一个处理单元变成了立体的，减少了DNN/TDNN中全连接的次数，同时信息量和计算密度远超传统DNN/DTNN方法。这带来更深维度的识别，从而显著提升性能。

HONN的参数量约是传统DNN算法的五分之一，所需存储比DNN低，但模型复杂度几乎是DNN的4倍。

与存储的需求刚好相反，高强度计算神经网络的算力需求量超过106MOPS，而DNN只有个位数的计算强度，相差了30倍。

在安静环境下，两种方法的差异并不明显，但一旦降低信噪比，HONN的在远场和高噪声等环境下的识别率明显优于DNN。

3、端到端一体化建模识别是当前的前沿算法

为消除各模块间的不适配，端到端处理一体化优化成发展方向。

传统麦克风阵列处理+ASR流程存在如下四个缺点：

（1）DOA依赖于单麦唤醒词检测，使用场景受限；

（2）两个环节优化目标不一致，降噪与识别可能不适配；

（3）对硬件要求高，提高BOM成本；

（4）无法处理干扰源与目标声源方向接近时的状况。

为了解决这些问题，探境提出了增强识别一体化的端到端识别流程。

在这个流程中，探境放弃用传统数字信号处理算法做语音增强，而采用了一套基于神经网络的AI算法做信号增强，处理算法所有的参数都是和神经网络一起训练的，以降低最后的识别错误率。

其唤醒、识别均依赖于增强后的信号，唤醒率高，不会出现信号增强依赖于单麦唤醒的情况。

信号增强与识别模块整体的优化目标也是一致的，是为了降低识别错误率，所以不会出现不适配的情况。

在训练过程中，探境加入注意力模型和注意力机制，建模效率高，可增强干扰/目标信号方向接近时的识别率。

探境采用FCSP方法处理双麦数据，投影矩阵通过端到端的学习得到，降噪识别完全匹配，整套流程由数据驱动，训练数据中覆盖了各种距离、角度和麦克风配置的数据，因此不会出现不匹配的情况，对硬件的要求更低。

端到端处理算法是当前较为前沿的处理算法，最近两年，国内外一些大厂都在采用基于端到端的方法做增强识别一体的处理。

例如，亚马逊可学习的空间滤波方法能将识别错误率相对降低15%，谷歌Factored Model in Frequency方法能将识别错误率相对降低16%，而探境的频域复数子空间投影（FCSP）具有超强抗噪性能，可将识别错误率相对降低20%。

在高噪声环境下，在信噪比3dB左右，其信噪比依然接近97%；在信噪比接近0dB时，其信噪比依然接近93%。

三、支撑超强算法背后：打破存储墙问题的创新芯片架构

相比传统降噪（Beamforming）+DNN方法，探境的AI信号处理+HONN方法对MIC和配套电路的要求更低，同时在高噪声环境下的识别率和同等参数量下的算力需求都更高。

为什么探境采用这种算法，而其他友商不这么做呢？主要有两个原因：

首先，做这一算法需要熟悉语音、图像、神经网络、信号处理等各模块，对算法研发实力和实现能力均有很高的要求。

其次，探境做的是高强度计算神经网络，国内很多语音识别芯片是基于DSP或MCU的，算力非常有限，无法支撑这套算法框架。

探境创造性地研发了存储优先架构（SFA），解决存储带宽要求大、存储功耗高、数据复用等问题对计算性能的影响。探境SFA架构可带来超高能效比，数据访问可降低10-100倍，存储子系统功耗下降10倍以上，28nm工艺系统能效超过2TOPS/W。

SFA不仅是适配于终端，也适配于云端推理和训练，可以组合成各种不同的产品形态。它具有高能耗比、良好易用性和通用性的特点。

探境科技CEO鲁勇表示，SFA的AI芯片架构是真正符合商业应用的AI芯片架构。

其一，采用成熟设计方案。仅在系统层面做架构更新，无需对底层器件进行修改设计，符合成本结构，不会在芯片内部集成大量的存储以完成高性能。其商业化路径也很快。

其二，通用性高。SFA可支持TDNN、CNN和RNN等任意神经网络的，面向众多场景。

其三，易用性高。探境提供零基础用户可使用的工具链，用户学习成本低，模型移植简单。

探境音旋风611的NPU，本地有效算力非常高，通用性非常好，可以支持CNN、RNN以及HONN等复杂度高的识别模型，也可以支持端到端的处理，可以完美支持FCSP+HONN算法框架。

基于双麦算法，探境对语音芯片进行再升级，推出了音旋风612语音识别方案。

相比传统语音芯片，探境音旋风612有如下三个特点：

（1）降低了对多麦的信号处理，无形中节省了硬件成本；

（2）在高噪声环境下识别率高；

（3）有效算力更高。

在声压超过85dB的高噪声环境下，音旋风612的识别依然毫无压力。

结语：语音算法升级的价值在于提升用户体验

语音产品解决方案的价值与产品用户体验密切相关，软硬协同已经成为兼顾高算力、低功耗、低成本所必备的要素，探境通过研发创新SFA架构解决芯片性能和成本问题，通过算法升级来提升用户体验。

探境科技技术副总裁李同治表示，做C端消费类产品，用户体验是根本，产品用户体验好了，消费者才买单。探境的这次算法升级，可明显提升用户体验，让消费者满意，从而让合作伙伴、B端客户、探境一起受益。