Intelligente Sprachdatenverarbeitung ermöglicht längere Batterielebensdauer für Always-On-Geräte

Always-On-Geräte – von Smart Speakern bis Wearables – haben den Alltag transformiert, doch ihre Batterieanforderungen bleiben eine drängende Herausforderung.

Obwohl Sprachassistenten wie ein fester Bestandteil modernen Lebens erscheinen, startete Amazon erst Ende 2014 seinen ersten Smart Speaker, den Echo. Heute lauschen hunderte Millionen stimmenbasierter Geräte – von Home Hubs bis Earbuds – permanent auf ein Wake Word. SAR Insight & Consulting prognostiziert, dass der installierte Base Always-On, stimmenfähiger Geräte bis 2023 auf fast eine Milliarde Einheiten anwachsen wird.

Im Kern dieser Systeme stehen ultraminiaturisierte MEMS-Mikrofone, die Umgebungsgeräusche erfassen. Zunächst schien Cloud-basierte Analyse ideal, doch das schiere Datenvolumen, das von IoT-Geräten generiert wird – 41,6 Milliarden Geräte, die bis 2025 79,4 Zettabytes Daten produzieren sollen (IDC) – hat Netzwerkbandbreite überfordert und Gerätebatterien entleert. Dieser Flaschenhals hat den Shift zu Edge Computing beschleunigt, das anspruchsvolle Verarbeitung näher an den Sensor bringt.

Edge Computing trifft TinyML

Moderne Edge-Lösungen nutzen Low-Power Digital Signal Prozessoren und Mikrocontroller mit eingebetteten Neural-Network-Kernen – TinyML Chips. Diese Chips können komplexe Wake-Word-Detektion lokal durchführen und Cloud-Abhängigkeit reduzieren. Sie erben jedoch noch die Legacy-Architektur, die jeden analogen Audiosample sofort in digital konvertiert, selbst wenn keine Sprache vorhanden ist. Folglich verschwenden OEMs 80–90 % der Batterielebensdauer auf Verarbeitung irrelevanter Daten, was Konsumenten zwingt, zwischen netzbetriebenen, nicht-portablen Assistenten und batteriebeschränkten, portablen zu wählen.

Die Kraft Analog-First Processing

Um diese Ineffizienz zu überwinden, wenden sich Designer einem Paradigma zu, inspiriert vom menschlichen Sinnessystem: Roh analoge Signale zuerst verarbeiten und digitale Engines nur bei Bedarf aktivieren. Analogschaltungen glänzen bei Low-Power, Echtzeit-Feature-Extraktion – z.B. Erkennen, ob ein Sound Sprache enthält – bevor irgendeine digitale Konvertierung erfolgt. Diese Strategie hält hochleistungsfähige digitale Prozessoren in Deep Sleep, bis ein echtes Wake Word detektiert wird, was Batterielebensdauer dramatisch verlängert.

Die Adoption einer Analog-First, bio-inspirierten Architektur erfordert nicht, dass jeder Chip ein Gehirn emuliert. Stattdessen re-imaginiert sie die Systemhierarchie: Ein Analog-Frontend agiert als Traffic Manager, filtert Rauschen und leitet nur relevante Daten an den TinyML-Kern weiter.

Bio-inspiriertes Edge Processing fokussiert digitale Leistung auf relevante Sensordaten. (Bild: Aspinity)

Konsumentenzentrierte Vorteile

Durch Minimierung der Datenkonvertierung und Nutzung analoger Vorverarbeitung können Hersteller Sprachassistenten liefern, die monatelang mit einem einzigen Batteriesatz laufen, wodurch ständige Netzanbindung entfällt. Das Resultat ist ein flexibleres, nutzerfreundlicheres Erlebnis – stellen Sie sich eine sprachaktivierte TV-Fernbedienung vor, die ein Jahr mit einer Ladung funktioniert.

Referenz

¹ International Data Corp. Worldwide Global DataSphere IoT Device and Data Forecast, 2019–2023. June 2019

>> Dieser Artikel wurde ursprünglich auf unserer Schwesterseite EE Times Europe veröffentlicht.