离线语音识别芯片对比

语音识别技术（ASR自动语音识别），使智能设备能够理解人类的声音。语音识别的工作流程可以分为三个步骤。分别是前端语音处理、模型训练和后端识别处理。

前端处理

前端处理转换成机器可以读取的数字信号，并对信号进行优化。与前端处理相关的硬件：麦克风、PDM\I2S、音频处理能力（NPU或DSP）下面是前端处理流程的简化。该模型可以理解为一本字典。机器收到语音消息后，将其与模型进行比较，以找到相似的声音和单词。那么，模板是怎么来的呢？这需要提前收集大量的语音和语言信息（通常称为语料库收集），通过特定的算法跳出最典型的语音特征。这称为“模板训练”。编辑字典。语音识别系统的模型训练通常分为两套：

语言模型训练

语言模型是用于计算句子出现概率的概率模型。它是语音识别方面的字典。它需要整合三个层次的知识。它们是字典、语法、句法，让机器更好地理解人类的自然语言。

声学模型训练

声学模型是识别系统的底层模型，也是语音识别系统最关键的部分。该算法主要是通过大量的语音采集来优化这部分声学模型，并根据特定的算法规则得到特征值，以供后期识别和比较。互联网巨头拥有庞大的用户基础和语音采集渠道，比传统企业具有优势。

是指利用训练好的“声学模型”和“语言模型”对提取的特征向量进行识别，并输出识别结果。这一步与建模密切相关。有时，建模被归入后端识别过程，与前端处理相对应。识别精度和响应速度通常取决于主控的运算速度，以及前端处理和模型的综合性能。以下是详细的语音识别技术的原理和分支：

循环神经网络与上下文建模相结合。计算复杂度高于DNN。下一个是卷积神经网络CNN。图像识别的主流模型，优化了语音的多样性，减少了硬件资源的浪费。不再需要HMM来描述音素内部状态的变化。但语音识别的所有模块都被统一到一个神经网络模型中。国内大厂商的技术选择：科大讯飞-深度全序列卷积神经网络DFCNN）、阿里LFR-DFSMN。

识别距离——识别率是芯片的两个重要的主导指标，直接关系到消费者的使用体验，但由于每个厂商测试的前提条件不同，且与芯片的市场定位有关，所以并不是一个绝对的指标。处理器可分为MCU和AudioCore。前者偏重于芯片与周界配合的控制器，而后者则比前者更重要的是处理音频信号和运行识别算法。后者是直接决定芯片语音识别的响应速度和准确性的重要因素。下一个是存储。硬件存储决定了处理器可以调用的资源的大小，以及识别的条目的数量。语音算法有前端信号处理算法（降噪、波束成形、响应消除、VAD静音抑制、麦克风矩阵、远场识别等）和后端识别算法（声学模型算法/NPL自然语言等）。这是一个软参数。音频通道-外设接口是芯片与周边设备之间的通信桥梁。对于语音识别来说，音频的输入和输出比较重要，单独列出。音频输入分为模拟输入（ADC）和数字输入（PDM），音频输出通常为DAC。功耗不能直接比较，而是能耗比，即相同性能下的功耗比较。还有其他因素，如工作温度、封装等。以上参数，除了一般的硬件参数外，其他定义也略有不同，不能单独比较。算法模型主流是GMM+HMM，或者说模型匹配（语音标签）。而且，由于芯片配置简单，不具备降噪等功能，识别距离为25m，识别率通常在90%左右。条目数为510。