作者：Bougas Pavlos， Iliopoulos Marios

引言

最初，電視、機(jī)頂盒和空調(diào)等電器僅需少量控制功能［1］。在大多數(shù)情況下，開/關(guān)按鈕、幾個選擇按鈕和兩組增加/減少控制足以完全控制您的設(shè)備。

但隨著設(shè)備支持的功能增加，用戶使用的命令和配置選項(xiàng)也隨之增加。然而，用戶仍希望只用一個遙控器來管理所有功能。為了解決這個問題，工程師們開始整合更復(fù)雜的用戶界面（UI）。分層菜單出現(xiàn)在電視屏幕上，而越來越多的按鈕被填充到遙控器中，以便用戶調(diào)用和瀏覽菜單。

今天的重要趨勢是讓設(shè)備更“智能”。智能設(shè)備可以連接到其他設(shè)備和互聯(lián)網(wǎng)，來提供更多功能和服務(wù)。使用菜單瀏覽，并用遙控器上的小按鈕鍵輸入一大字符串是不切實(shí)際的，也不是個愉快的體驗(yàn)。

在本文中，我們將討論如何使用語音命令來提供更好的用戶體驗(yàn)。我們特別研究了使用Dialog基于DA14585的高級語音遙控參考設(shè)計(jì)，通過藍(lán)牙低功耗（BLE）實(shí)現(xiàn)語音命令。

圖1較大的 QWERTY遙控器

用語音作為命令界面

語音是一個非常強(qiáng)大和直觀的界面。一個簡單的短語可以包含足夠的信息來描述非常復(fù)雜的命令。然而，在嘈雜的環(huán)境中捕捉短語并提取有實(shí)際意義的信息（通常以字符串的形式），這在技術(shù)上是一個挑戰(zhàn)。幸運(yùn)的是，產(chǎn)生這個需求的源頭，即智能設(shè)備與互聯(lián)網(wǎng)的連接，也為這一復(fù)雜問題提供了解決方案。設(shè)備現(xiàn)在可以訪問云計(jì)算，并且可以受益于最先進(jìn)的語音到文本識別引擎，如Nuance Communications、微軟、谷歌、亞馬遜等公司提供的技術(shù)。如今，基于云的語音識別服務(wù)足以提供非常好的用戶體驗(yàn)。

我們?yōu)槭裁催€需要遙控器呢？

其實(shí)，不斷監(jiān)聽語音命令的解決方案很早就開發(fā)出來了，設(shè)備可以不斷地收聽周圍的聲音并搜索命令。但是，背景噪音和用戶與麥克風(fēng)的距離問題，使得難以正確識別信息。此外，設(shè)備和云服務(wù)之間交換的數(shù)據(jù)量非常巨大，語音識別引擎面臨大量的請求，其中大部分是不相關(guān)的。環(huán)境聲音的不斷記錄也帶來了嚴(yán)重的安全和隱私隱患。

我們需要一種觸發(fā)器，一般通過按鈕、手勢或可識別的單詞或短語來實(shí)現(xiàn)。這種解決方案適用于用戶和設(shè)備距離很近，例如智能手機(jī)。但要在智能電視、機(jī)頂盒和用戶離設(shè)備較遠(yuǎn)的其他應(yīng)用中，正確識別觸發(fā)信號并提供良好的用戶體驗(yàn)就要困難很多。麥克風(fēng)需要靠近用戶，不是有遙控器嘛。那么將麥克風(fēng)嵌入遙控器就再自然不過了。

量化語音識別要求

簡單來說，語音命令功能的挑戰(zhàn)可以表述為：“捕獲‘足夠’的高質(zhì)量語音記錄，將其發(fā)送到語音識別引擎，然后處理文本結(jié)果以得出用戶的命令”。這個短語包含兩組基本要求。首先是需要觸發(fā)器。實(shí)際上，需要兩個觸發(fā)器：第一個指示命令的開始，第二個指示結(jié)束。

第二組要求與音頻信號本身有關(guān)。語音記錄應(yīng)采用適合引擎處理的格式進(jìn)行編碼，而且質(zhì)量要“足夠”好。質(zhì)量“足夠”好怎么定義呢。安卓兼容性定義文檔［2］介紹了有關(guān)音頻捕獲質(zhì)量指標(biāo)的一些想法。

頻率響應(yīng)應(yīng)該在100 Hz到4000 Hz的語音頻譜上幾乎保持平坦（+/- 3 dB）。這是描述窄帶語音信號的眾所周知的規(guī)范。關(guān)于麥克風(fēng)產(chǎn)生的信號電平，安卓兼容性指南定義了聲功率級-RMS圖中的單點(diǎn)，以及線性跟蹤聲功率級的范圍。

在1 kHz時聲壓級（SPL）為90 dB的聲音，對于16位PCM信號，應(yīng)產(chǎn)生2500的RMS。這幾乎是16位有符號信號整體振幅范圍的10％。想要感覺一下SPL范圍的話，正常水平的電視機(jī)或典型的人類對話能在1米距離內(nèi)產(chǎn)生60 dB SPL。相比之下，柴油貨車在10米距離處產(chǎn)生90 dB SPL。

圖2. 聲壓級示例

當(dāng)然，我們不能期望用戶在隨時想使用語音命令的時候，都能把麥克風(fēng)放在精確的位置并以特定的音量水平說話。鑒于PCM振幅水平可以線性追蹤變化，語音識別引擎可以在一系列不同的聲壓級工作。要求至少30 dB的范圍。從90 dB SPL點(diǎn)開始，麥克風(fēng)應(yīng)至少從-18 dB至+12 dB進(jìn)行線性跟蹤; 因此在+72 dB SPL和+108 dB SPL之間。這相當(dāng)于將麥克風(fēng)放在離嘴0.8厘米至25厘米之間，并以正常強(qiáng)度說話。

圖3. PCM到SPL坐標(biāo)圖

語音識別引擎似乎對非線性行為比較敏感。對于麥克風(fēng)上90 dB SPL輸入電平的1 kHz正弦波，總諧波失真應(yīng)小于1％。降噪處理、自動增益控制（如果存在）必須禁用。

其他要求

過去曾使用過無線音頻協(xié)議的人，通常比較懷疑使用面向數(shù)據(jù)的協(xié)議來傳輸語音命令，例如藍(lán)牙低功耗。

傳輸語音命令與傳輸實(shí)時音頻或人聲（如電話交談）略有不同。由于用戶不必回聽他們的聲音或保持對話，所以延遲要求可以放寬，因?yàn)楣潭ǖ暮鸵欢ǚ秶鷥?nèi)的延遲是不可避免的。但是，數(shù)據(jù)丟失要求是很嚴(yán)格的，因?yàn)槿鄙僖纛l片段可能使語音識別引擎無法成功提取用戶的初始信息。當(dāng)然機(jī)器可以要求您重復(fù)這條信息，但這不是人們想要的體驗(yàn)。

構(gòu)建語音命令遙控器

現(xiàn)在我們看看語音命令遙控器的架構(gòu)，我們將按照通過系統(tǒng)的音頻信號的路徑來看。在這個過程中，我們將著眼于在實(shí)現(xiàn)經(jīng)濟(jì)有效、功率效率高的語音遙控器時經(jīng)常遇到的挑戰(zhàn)，以及可能的解決方法。

圖4. 典型的語音捕獲信號路徑

一切都從音頻捕獲子系統(tǒng)開始。這可以基于不貴的模擬麥克風(fēng)和編解碼電路，或數(shù)字麥克風(fēng)，將樣本數(shù)字化并根據(jù)已知的串行協(xié)議進(jìn)行傳輸。

對于電池供電的系統(tǒng)（如語音命令遙控器），將功耗降到最低至關(guān)重要。因此，強(qiáng)烈建議對麥克風(fēng)或外部編解碼器等外部元件的電源進(jìn)行功率門控。

音頻采樣率必須至少為8k Samples / s以滿足4 kHz音頻帶寬要求。但是，每個采樣至少16位的16k Samples / s是更常規(guī)的選擇。采用16位采樣可確保足夠的聲壓級范圍，從而捕獲的音頻信號將包含足夠的信息，以便語音到文字的識別工作正常進(jìn)行。

采樣音頻涉及中斷或某種形式的硬件 DMA，以獲取采樣并將其傳輸?shù)骄彌_區(qū)。該緩沖區(qū)需要將嚴(yán)格定時的音頻采樣與隨后的音頻處理解耦。對于低成本設(shè)備，音頻處理由服務(wù)應(yīng)用程序的相同處理器處理，在某些情況下由BLE協(xié)議棧處理。因此，緩沖區(qū)的大小將取決于音頻處理模塊接入CPU、處理音頻數(shù)據(jù)并將其移至下一步所需的最大預(yù)期時間。典型的時間在幾毫秒內(nèi)。對于16位16k Samples /s信號，每毫秒產(chǎn)生32個字節(jié)，160-200字節(jié)緩沖器一般足以允許5毫秒以內(nèi)的處理時間。

音頻處理模塊實(shí)現(xiàn)簡單的音頻處理，并對音頻數(shù)據(jù)進(jìn)行編碼以降低其總體速率。音頻處理包括非?；A(chǔ)的濾波，如直流偏移消除或帶通濾波，和固定增益以優(yōu)化音頻振幅。原始音頻數(shù)據(jù)為256 kbit / s，可以通過BLE進(jìn)行有余量地流數(shù)據(jù)傳輸。為了降低速率并更好地利用帶寬，使用已知的音頻壓縮算法對音頻進(jìn)行編碼。編碼器的選擇比較多樣，從簡單的固定速率有損編解碼器（如IMA-ADPCM），到復(fù)雜的處理密集型固定或可變速率算法（如OPUS）。簡單的編解碼器可以在MIPS容量較低的CPU上運(yùn)行，但在相同的輸出比特率下，生成的音頻流質(zhì)量較低。另一方面，復(fù)雜的算法可以提高編碼音頻流的質(zhì)量，但需要較貴且耗電較多的CPU。

編碼器的輸出包含需要通過無線傳輸?shù)淖罱K有效載荷，并且需要一個額外的緩沖器來幫助均衡即時RF數(shù)據(jù)速率與編碼器的平均輸出速率。編碼器的輸出速率等于采樣音頻速率除以實(shí)現(xiàn)的壓縮比率。下面的表格顯示了Dialog的語音遙控器（Voice RCU）參考設(shè)計(jì)支持的典型原始和編碼音頻速率。

表1. 原始的和 IMADPCM 編碼的音頻

BLE是一種基于數(shù)據(jù)包的協(xié)議，在特定時間點(diǎn)交換數(shù)據(jù)包，由定期連接間隔分隔開。如果干擾在會合點(diǎn)期間發(fā)生使數(shù)據(jù)包失真，則數(shù)據(jù)將在下一個數(shù)據(jù)包中重新傳輸。每個連接間隔都發(fā)生在不同的頻率通道中。通常，一個頻率范圍內(nèi)會經(jīng)常出現(xiàn)干擾信號，使多個連接事件失真并顯著降低帶寬。

BLE提供了一種叫做信道映射更新的機(jī)制來解決這個問題。主設(shè)備將檢測受影響的頻率范圍，并實(shí)施信道映射更新程序。在此之前，BLE連接可能會經(jīng)歷RF數(shù)據(jù)速率的顯著下降。編碼器輸出端的緩沖區(qū)的大小應(yīng)相應(yīng)調(diào)整，以便能承受此類事件。大小調(diào)整可以使用超安全方法，例如緩沖完整5秒鐘信息需要40k字節(jié)，或者以一半的速率進(jìn)行5秒鐘的緩沖，而不丟失任何數(shù)據(jù)，這需要20k字節(jié)的緩沖?？紤]市場上可用的設(shè)備，這是一個非常難以滿足的要求。大多數(shù)設(shè)備的整個協(xié)議棧和應(yīng)用程序都只有20 - 40 kbytes的總可用RAM。這個資源不能浪費(fèi)在單個緩沖區(qū)上。需要注意是，緩沖區(qū)的大小與編碼器輸出速率和確保數(shù)據(jù)不丟失的時間成正比。

市場上已經(jīng)提出了很多種技術(shù)，可以單獨(dú)使用或組合使用來解決這個問題，而無需很大的緩沖區(qū)。在流傳輸音頻樣本時增加RF輸出功率，以盡可能減少干擾；快速微調(diào)信道映射；使用更復(fù)雜的編碼器來降低所需的RF數(shù)據(jù)速率，或者甚至在檢測到明顯的RF帶寬下降時動態(tài)地降低質(zhì)量。每種技術(shù)都會以犧牲某些其他資源（如能耗、CPU占用或音頻質(zhì)量）的代價來處理問題，而不是使用更多的RAM。

根據(jù)所使用的編碼器算法，可以將數(shù)據(jù)存儲為連續(xù)流或預(yù)定義了長度的數(shù)據(jù)包列表。為了更好地利用BLE帶寬，最好將數(shù)據(jù)視為未經(jīng)編碼器分包的數(shù)據(jù)流。BLE傳輸?shù)臒o損性質(zhì)確保我們始終能夠在遙控器上重建我們的初始數(shù)據(jù)流。多個BLE連接參數(shù) -- 連接間隔、ATT_MTU大小、數(shù)據(jù)信道PDU大小和連接事件長度 -- 會影響B(tài)LE數(shù)據(jù)包的理論最佳大小的選擇。在運(yùn)行時，實(shí)際的錯誤率可能需要進(jìn)一步優(yōu)化數(shù)據(jù)包大小。由于消除了遙控器響應(yīng)和數(shù)據(jù)包之間間隙所需的時間，使用大一些的數(shù)據(jù)PDU可以有效地使有效數(shù)據(jù)速率加倍。另一方面，單個數(shù)據(jù)包的傳輸時間延長，增加了在傳輸數(shù)據(jù)包期間發(fā)生錯誤的可能性以及重傳成本。在嚴(yán)重?zé)o線污染的環(huán)境中，使用小一點(diǎn)的數(shù)據(jù)PDU可能會比使用已溝通的最大協(xié)議數(shù)據(jù)單元更有效。

所有這些要求決定了智能模塊的出現(xiàn)，智能模塊將數(shù)據(jù)從編碼流中提取出來，根據(jù)連接特性打包數(shù)據(jù)，并將其推入BLE協(xié)議棧，同時監(jiān)測實(shí)際BLE數(shù)據(jù)速率和錯誤率。打包器還應(yīng)具有某種形式的仲裁和流量控制，以避免過多數(shù)據(jù)涌入BLE協(xié)議棧，并為其他應(yīng)用保留足夠的帶寬，以便在音頻傳輸過程中使用BLE進(jìn)行數(shù)據(jù)交換，以確保設(shè)備不會無響應(yīng)。

Dialog先進(jìn)語音遙控解決方案

為了讓設(shè)計(jì)人員能夠評估功能完整的語音命令遙控器的性能，Dialog提供了基于單個DA14585 藍(lán)牙低功耗（BLE）SoC的先進(jìn)語音遙控參考設(shè)計(jì)。該設(shè)計(jì)不僅支持語音，還支持一系列附加功能，如無線鼠標(biāo)、觸摸板、紅外線以及按鍵，這些功能都存在于現(xiàn)代遙控器設(shè)計(jì)中，為用戶提供更自然的方式與終端設(shè)備進(jìn)行交互并瀏覽菜單和結(jié)果。

圖5. Dialog 語音遙控器開發(fā)套件

第二代參考設(shè)計(jì)包括整個軟件架構(gòu)的重要變化，更加模塊化、更易于適應(yīng)最終產(chǎn)品要求。所有的功能都被組織成模塊，具有平臺相關(guān)和獨(dú)立的部分。這些模塊連接到驅(qū)動程序，用于DA14585內(nèi)部外設(shè)或?yàn)镈ialog先進(jìn)語音遙控開發(fā)板選擇的外部元件。

音頻路徑是根據(jù)前面介紹的原則構(gòu)建的。

圖6. Dialog語音遙控解決方案的系統(tǒng)架構(gòu)

為了提高音頻質(zhì)量，該設(shè)計(jì)采用了數(shù)字麥克風(fēng)。對于成本敏感型應(yīng)用，PDM麥克風(fēng)比I2S / PCM會更適合。DA14585的集成PDM-PCM轉(zhuǎn)換器將高頻PDM信號轉(zhuǎn)換為24位音頻PCM采樣，并通過專用DMA信道將其傳送至存儲器緩沖區(qū)。

M0 CPU執(zhí)行音頻處理和流傳輸模塊。從主循環(huán)中，調(diào)用一個預(yù)處理模塊來應(yīng)用直流阻斷和24位至16位的轉(zhuǎn)換。如果需要，下采樣單元可以將音頻采樣率從16k Samples / s減少到8k Samples / s。音頻預(yù)處理單元的結(jié)果被饋送到IMA ADPCM編碼器。根據(jù)配置的不同，編碼器會為每個16位音頻采樣生成一個4位或3位采樣。

圖7. Dialog語音遙控解決方案音頻路徑

作為設(shè)計(jì)選擇，該參考設(shè)計(jì)支持自適應(yīng)音頻速率機(jī)制，以防止可能的緩沖區(qū)欠載。音頻采樣的采樣率和/或IMA ADPCM編碼器的配置可隨時更改，從而可以在不同的輸出速率之間切換。為了支持這種機(jī)制，已經(jīng)開發(fā)了帶內(nèi)信令機(jī)制。編碼器的輸出和帶內(nèi)信令共享同一個的數(shù)據(jù)流緩沖區(qū)。

打包器模塊收集來自數(shù)據(jù)流緩沖區(qū)的數(shù)據(jù)，并高效地將它們推入?yún)f(xié)議棧，同時盡量不溢出。除了考慮連接參數(shù)外，打包器還密切監(jiān)測錯誤率和瞬時可用帶寬。這有助于其在自適應(yīng)音頻速率機(jī)制啟用時，做出是否降低或提高音頻質(zhì)量的決定。

所有策略，如使用固定或自適應(yīng)音頻速率，音頻開始和停止的方式，均由用戶或遠(yuǎn)程設(shè)備控制。單獨(dú)的緩沖區(qū)大小都是配置選項(xiàng)，因?yàn)楦鶕?jù)最終應(yīng)用的不同，可能適合不同的用戶體驗(yàn)。

結(jié)論

將設(shè)備連接到互聯(lián)網(wǎng)的能力，與現(xiàn)代基于云的語音識別服務(wù)相結(jié)合，實(shí)現(xiàn)了強(qiáng)大的新用戶界面 - 語音命令。智能手機(jī)、智能電視和機(jī)頂盒已經(jīng)在使用語音命令。通過將低成本的麥克風(fēng)集成到BLE連接的外圍設(shè)備中，用戶的語音識別體驗(yàn)可以大大增強(qiáng)。從遙控器、智能手表和可穿戴設(shè)備收集的命令，通過智能設(shè)備傳輸?shù)皆浦械恼Z音識別引擎，可以控制智能設(shè)備本身以及與智能設(shè)備相連的外圍設(shè)備或由語音助理控制的其他設(shè)備。