電子發(fā)燒友網(wǎng)報道（文/黃山明）在AI大模型的加持下，AI玩具的最重要的功能便是語音交互，而要做到較好的語音交互，少不了語音前端處理芯片的加持。

因為玩具麥克風(fēng)拾到的聲音里混有喇叭回聲、環(huán)境噪聲、混響，而主控SoC的算力/功耗/實時性都扛不住這些7×24的AEC+NR+Beamforming+喚醒運(yùn)算；前端芯片把“干凈的人聲”先截出來，再送給主控或云端，才能保證打斷喚醒、低誤觸發(fā)、低功耗三樣同時成立。

因此，目前AI玩具中，一款好的語音前端處理芯片，帶來的用戶使用體驗的提升是非常明顯的。

以今年市場中已量產(chǎn)的AI玩具為例，如Haivivi BubblePal、字節(jié)“顯眼包”掛件，采用的是啟英泰倫CI1302/1303，這兩款都是針對智能語音交互場景設(shè)計的專用芯片，尤其適合AI玩具、智能家電等輕量化語音交互設(shè)備。

這兩款新品均采用220 MHz 32-bit CPU以及第三代BNPU（腦神經(jīng)網(wǎng)絡(luò)處理器），在語音交互上，內(nèi)置128ms頻域回聲消除，喇叭→MIC回采衰減≥45dB。與BNPU聯(lián)合做“DNN殘差降噪”，70dB環(huán)境噪聲下實測識別率仍≥85 %，喚醒率≥90%。

啟英泰倫還有一款CI1306用在兒童陪護(hù)機(jī)器人上，這是其第三代高性能神經(jīng)網(wǎng)絡(luò)智能語音芯片的旗艦型號，專為高復(fù)雜度離線語音交互場景設(shè)計，尤其適合對語音識別精度、抗噪能力、自然對話能力要求較高的產(chǎn)品。

相比CI1302/1303的單麥方案，CI1306則采用雙麥克風(fēng)深度語音增強(qiáng)，也是CI130X 系列中唯一明確支持完整雙麥算法棧的型號，因此擁有波束成形、聲源定位、深度人聲分離、AEC、混響抑制等功能。

湯姆貓AI童伴機(jī)器人采用的是全志R128-S3，采用RISC-V XuanTie C906與Arm M33 Star MCU雙核異構(gòu)架構(gòu)，搭配HiFi5 DSP。集成1個24位音頻編解碼器DAC通道，3個ADC通道，DAC播放路徑中的信噪比高達(dá)119dB，ADC記錄路徑期間的信噪比高達(dá)98dB，可提供高質(zhì)量的語音輸入輸出處理，確保語音信號的清晰和準(zhǔn)確。

簡單來說，全志的這款R128-S3，單芯片就可以讓200元以內(nèi)的AI玩具實現(xiàn)5米遠(yuǎn)場打斷喚醒、本地500命令詞、云端大模型連續(xù)對話，是目前市場上把性能-功耗-BOM平衡得極為出色的中端陪護(hù)機(jī)器人的語音SoC方案。

還有如使用在一些繪本機(jī)器人的炬芯ATS3703，這是一顆定位中端AI玩具+早教機(jī)器人的多媒體SoC，官方把語音交互做成硬加速模塊，而不是外掛DSP。參數(shù)上擁有雙路24-bit ADC，SNR 98 dB，可直接接2×差分模擬MIC或4×PDM數(shù)字麥，內(nèi)置128 ms硬件頻域AEC，回聲消除深度≥45 dB，芯片級DNN降噪加速單元（10 GOPS INT8），60 dB環(huán)境噪聲下喚醒率保持≥ 90%。

炬芯ATS3703單芯片即可讓200-400元的早教機(jī)器人實現(xiàn)3-5米遠(yuǎn)場打斷喚醒、本地自然說、視頻聊天、人臉識別，是目前中端陪護(hù)類AI玩具出貨量靠前的多媒體語音方案。

一些能夠看向人再進(jìn)行交互的AI玩具采用了泰芯TXW81x，這是一枚Wi-Fi+藍(lán)牙雙模、音視頻All-in-One的2.4 GHz SoC，官方把語音前端和聲學(xué)前處理做成硬加速IP，主打50–300元價位帶屏AI玩具。

參數(shù)上，Audio Codec采用雙路24-bit ADC，SNR 98 dB；DAC SNR 95 dB，采樣率8–48 kHz可配。PDM接口上內(nèi)置4× PDM 通道，可直接接4路數(shù)字MEMS麥。硬件AEC擁有128ms頻域回聲消除，回聲抑制≥45 dB，喇叭90dB播放時仍可打斷喚醒。還具有嘯叫抑制功能，片內(nèi)自適應(yīng)Howling-suppression，增益> 40 dB無自激，適合喇叭-麥克風(fēng)同腔玩具。

該芯片可以讓帶屏AI玩具實現(xiàn)5 米遠(yuǎn)場打斷、本地 500 命令詞、云端大模型連續(xù)對話、媽媽音色克隆，是目前中高端陪護(hù)類玩具出貨量增長最快的音視頻無線SoC方案。

小結(jié)

AI玩具的對話體驗不是由大模型單獨(dú)決定；一顆成本占比可能極低的語音前端處理芯片先把聲學(xué)環(huán)境打掃干凈，后面的云端/端側(cè)大模型才能聽得清、答得快、功耗低。