瑞薩電子面向語音AI，基于VK-RA8M1開發(fā)套件，集成多種智能語音處理功能，實(shí)現(xiàn)了無需云端的高性能語音控制的應(yīng)用。

功能介紹

目前語音控制技術(shù)已廣泛應(yīng)用于家電、車載、智能家居等領(lǐng)域，但仍面臨兩個(gè)核心問題：

環(huán)境噪聲干擾。當(dāng)嘈雜環(huán)境或多人講話時(shí)，語音識(shí)別準(zhǔn)確率會(huì)大幅下降。

對(duì)云連接的依賴。離線狀態(tài)下，通常只能識(shí)別少量、固定順序的關(guān)鍵詞，實(shí)現(xiàn)功能有限。

瑞薩推出的集成式語音應(yīng)用場(chǎng)景，將多種語音控制功能集成一體，以應(yīng)對(duì)這些問題。

基于RA8M1的語音應(yīng)用包括如下功能：

APF（Audio Processing Front）。音頻處理前端，可將語音與背景噪音分離，提高語音識(shí)別準(zhǔn)確率。

NLU（Natural Language Understanding）。自然語言理解，允許用戶用自然口語發(fā)出指令，系統(tǒng)自動(dòng)提取關(guān)鍵詞識(shí)別命令。

CNSV（Cyberon Speaker Verification ）。Cyberon語音驗(yàn)證，將關(guān)鍵詞檢測(cè)提升到更高層次，將語音識(shí)別升級(jí)為語音身份驗(yàn)證。

VAS（Voice Anti-Spoofing）。語音防偽技術(shù)，使系統(tǒng)能夠區(qū)分真人語音和錄音。

圖1 RA8M1語音應(yīng)用場(chǎng)景

功能演示

APF噪聲抑制演示

A8M1開發(fā)板已預(yù)先加載語音組合程序，通過USB 連接電腦，作為立體聲麥克風(fēng)使用。

通常，我們會(huì)在理想安靜的環(huán)境中錄制視頻，但為了演示降噪的功能，在演示用例中，刻意引入了環(huán)境噪音。如圖2所示。

圖2 左/右聲道波形對(duì)比

在演示用例中，采用立體聲軌來直觀呈現(xiàn)APF的處理效果。其中，左聲道顯示的是未處理音頻，右聲道顯示的是經(jīng)過APF處理后的音頻。如圖3所示。

圖3 聲譜圖對(duì)比

從圖3中可以看到：

上方的左聲道展現(xiàn)了未經(jīng)過APF處理的原始音頻波形。噪音和語音混雜，語音信號(hào)不明顯。

下方的右聲道展現(xiàn)了經(jīng)過APF處理后的音頻波形。背景噪音被明顯抑制，語音信號(hào)更加清晰。

NLU、CNSV、VAS綜合演示

在演示用例中，可以同時(shí)實(shí)現(xiàn)識(shí)別關(guān)鍵詞、語音身份認(rèn)證、真人語音識(shí)別的功能，通過下述操作，可逐個(gè)演示功能：

1注冊(cè)說話人的語音信息。根據(jù)系統(tǒng)提示，重復(fù)說三遍“Hi Renesas”，用于創(chuàng)建準(zhǔn)確的聲紋識(shí)別模型。注冊(cè)時(shí)的顯示信息如圖4所示。

圖4 注冊(cè)說話人的語音信息

2使用說話人的聲音發(fā)出“Hi Renesas”的指令。系統(tǒng)顯示“Accepted”，表明成功識(shí)別說話人聲音。如圖5所示。

圖5 系統(tǒng)成功識(shí)別說話人的聲音

3用手機(jī)錄制“Hi Renesas”的指令，如圖6所示。

圖6 錄制聲音

4用錄音發(fā)出“Hi Renesas”的指令讓系統(tǒng)識(shí)別。系統(tǒng)顯示“Dropped”，表明識(shí)別失敗并拒絕執(zhí)行，成功區(qū)分真人語音和錄音。如圖7所示。

圖7 用錄音發(fā)出指令，系統(tǒng)識(shí)別失敗

總結(jié)

實(shí)現(xiàn)這些實(shí)時(shí)語音的AI功能，對(duì)MCU的性能要求非常高，而RA8M1搭載的Cortex-M85內(nèi)核支持Helium DSP加速技術(shù)，能夠大幅提升語音算法的本地運(yùn)行性能，從而在無需接入云端的情況下完成這些處理。