Weniger eingebettete Ohren, mehr sprachgesteuerte Geräte

Diese schlauen Leute von XMOS haben uns gerade der Einbettung von „Ohren“ für die Sprachsteuerung in fast jedes Gerät, mit dem wir interagieren, einen Schritt näher gebracht.

Zur Erinnerung:XMOS ist ein Fabless-Halbleiterunternehmen, das Sprachlösungen, Audioprodukte und Multicore-Mikrocontroller entwickelt, die gleichzeitig Echtzeitaufgaben, extreme digitale Signalverarbeitung (DSP) und Kontrollfluss ausführen können. XMOS-Mikrocontroller zeichnen sich durch ihr deterministisches (vorhersagbares) Verhalten aus.

Beginnen wir mit der zugrunde liegenden xCORE-Multicore-Mikrocontroller-Technologie, die aus mehreren „Prozessorkacheln“ besteht, die über einen Hochgeschwindigkeitsschalter verbunden sind. Jede Prozessorkachel ist ein herkömmlicher RISC-Prozessor, der bis zu acht Aufgaben gleichzeitig ausführen kann. Tasks können über Kanäle (die sich mit Tasks auf der lokalen Kachel oder mit Tasks auf entfernten Kacheln verbinden können) oder über den Speicher (nur für Tasks, die in derselben Kachel ausgeführt werden) miteinander kommunizieren.

Die xCORE-Architektur liefert in Hardware viele der Elemente, die normalerweise in einem Echtzeitbetriebssystem (RTOS) verwendet werden. Dazu gehören der Taskplaner, Zeitgeber, E/A-Operationen und die Kanalkommunikation. Durch Eliminieren von Quellen von Timing-Unsicherheit (Interrupts, Caches, Busse und andere gemeinsam genutzte Ressourcen) können xCORE-Geräte für viele Anwendungen eine deterministische und vorhersehbare Leistung bieten. Ein Task kann normalerweise in Nanosekunden auf Ereignisse wie externe E/A oder Timer reagieren. Dadurch ist es möglich, xCORE-Geräte so zu programmieren, dass sie harte Echtzeitaufgaben ausführen, die ansonsten dedizierte Hardware erfordern würden.

2017 erwarb XMOS Setem Technologies. Wie ich in meiner Kolumne „XMOS + Setem könnte ein Game-Changer für Embedded Speech sein“ schrieb:„Die Chaps und Chapesses bei Setem sind die Pioniere der Advanced Blind Source Signal Separation-Technologie. Ihre patentierten Algorithmen ermöglichen es Verbrauchergeräten, sich in einer überfüllten Audioumgebung auf eine bestimmte Stimme oder Konversation zu konzentrieren, um eine optimierte Eingabe in Spracherkennungssysteme zu erzielen.“

Ich habe zwei Amazon Echo/Dot-Geräte zu Hause und eines in meinem Büro (ich fragte meine Frau Gina the Gorgeous, warum sie flüsterte. „Ich habe gehört, dass die Leute bei Amazon uns vielleicht zuhören“, sagte sie. Ich lachte , Gina lachte, Alexa lachte…). Ich denke, dass diese Geräte großartig sind, aber sie erfordern eine Anordnung von sieben Mikrofonen, was sowohl die Kosten als auch den physischen Platzbedarf der Gesamtlösung erhöht.

Mit mehreren Mikrofonen kann das System Geräusche besser erkennen und entfernen, Dinge wie Echokompensation durchführen und den Standort von Schallquellen wie einer sprechenden Person bestimmen. Wenn man darüber nachdenkt, schaffen wir das alles natürlich mit nur zwei Ohren (ich weiß nicht wie es bei dir geht, aber ich glaube nicht, dass ich genug Platz auf meinem Kopf habe, um mindestens sieben Ohren ohne unterzubringen .) einer von ihnen im Weg).

Es überrascht nicht, dass dies auch den Leuten von XMOS aufgefallen ist, weshalb sie gerade ihren neuen XVF3510-Sprachprozessor der nächsten Generation vorgestellt haben, der mit nur zwei Mikrofonen eine einzelne Stimme aus einer überfüllten Audiolandschaft herausholen kann.

XVF3510 montiert auf einer Leiterplatte (Quelle:XMOS)

Die auf dem XVF3510 ausgeführten Algorithmen umfassen eine Interferenzunterdrückung (die Punktrauschquellen auf Null setzt, um unerwünschte Hintergrundgeräusche auszulöschen), eine Stereoakustik-Echounterdrückung (die unerwünschtes Lautsprecherecho unterdrückt und das Eingreifen ermöglicht) und eine adaptive Verzögerungsschätzung (die die Audioreferenz dynamisch anpasst) Signallatenz, wodurch sichergestellt wird, dass die Echounterdrückungsalgorithmen ein reibungsloses Echtzeiterlebnis bieten).