桑亞超 李龍杰 袁傳青 霍慶磊 張 樂

（格力電器（合肥）有限公司 合肥 230088）

前言

隨著科學(xué)技術(shù)的不斷更新迭代，人們生活的方方面面不斷朝智能化方向發(fā)展，而人工智能在家居方面的應(yīng)用，各個地區(qū)已屢見不鮮并呈爆炸式的增長。目前智能家居的概念已經(jīng)深入廣大消費(fèi)者的心中，中國空調(diào)行業(yè)在該領(lǐng)域發(fā)展迅猛，已經(jīng)成為智能普及度相對較高的白色家電之一。本文通過介紹語音識別在空調(diào)上的應(yīng)用及測試方法等內(nèi)容闡述其應(yīng)用原理和判定要求和進(jìn)一步的優(yōu)化空間，為智能語音空調(diào)的發(fā)展提供借鑒。

1 語音識別的應(yīng)用途徑

智能語音在空調(diào)上實現(xiàn)應(yīng)用需要三個環(huán)節(jié)：首先是獲取——將人發(fā)出的語音信號轉(zhuǎn)化為可處理的數(shù)字信號；然后是預(yù)處理——對采集到的語音信號進(jìn)行識別過濾，降噪、消回聲、去混響等處理，形成可準(zhǔn)確判斷的有效音頻信號；最后是預(yù)設(shè)置的的語音識別引擎對過濾的的語音信號進(jìn)行識別和分析，從而實現(xiàn)智能反饋要求的規(guī)定動作。從算法層面分析，在完成識別引擎集中處理獲取的信號之前需要進(jìn)行不同方位及距離拾音，所以必須使用麥克風(fēng)陣列，加上語音預(yù)處理算法規(guī)則，才能實現(xiàn)人機(jī)交互且能正確反饋。信號獲取前端處理是至關(guān)重要的一環(huán)，高信噪比是解決復(fù)雜語音設(shè)計最大挑戰(zhàn)。目前智能手機(jī)上已經(jīng)相對成熟的智能語音應(yīng)用有Siri、Google Assistant，但目前最主要的智能語音應(yīng)用最大交互識別距離只有3～5 m，更遠(yuǎn)距離或者環(huán)境更嘈雜的遠(yuǎn)場智能語音信號處理急需解決，這就需要不同陣列的麥克風(fēng)組合，以解決多通道語音采集、低復(fù)雜度、高信噪比（SNR）以及不同語境方言的設(shè)計要求。在整個語音識別反饋流程中，前端語音獲取和預(yù)處理對語音識別的準(zhǔn)確率起到了決定性作用，所以語音ADC芯片的性能表現(xiàn)是關(guān)鍵因素。一般而言，信噪比SNR是決定ADC芯片性能強(qiáng)弱的一個重要參數(shù)，它代表了最大不失真聲音信號的可識別比例、即可被過濾的有用信號強(qiáng)度與過濾后的比率，信噪比SNR越大，噪音越小，代表芯片可處理效果及功能就越好。

2 語音識別的發(fā)展現(xiàn)狀

智能空調(diào)的第一階段以智能連接為主，目前這一技術(shù)已經(jīng)趨于成熟，全面加速向互聯(lián)網(wǎng)轉(zhuǎn)型已經(jīng)成為空調(diào)企業(yè)的一致選擇。隨著智能連接技術(shù)的進(jìn)一步普及，空調(diào)廠商的獲利空間被進(jìn)一步壓縮，而降低成本、投入更多資源研發(fā)更高段的智能化空調(diào)就成為大多數(shù)空調(diào)廠商的下一步選擇。白色家電中如空調(diào)，增加語音識別交互功能整體成本相對要增加5 %～10 %，相對成本占比及整體壓力還是非常之大，所以可通過量產(chǎn)集中式的定制方案不斷壓縮成本，以提高競爭力。目前關(guān)于語音識別功能制造的各個環(huán)節(jié)廠商都在加速融合及分工以達(dá)到最高的性價比。不同環(huán)節(jié)下語音信號可以通過升采樣率的方式，實現(xiàn)了標(biāo)準(zhǔn)的I2S支持多路音頻數(shù)據(jù)傳輸，從而在優(yōu)化方案中可以節(jié)省FPGA或MCU，同時也可以降低設(shè)計成本及產(chǎn)品復(fù)雜程度。

通過定制化和模塊化的優(yōu)化方案不僅能降低生產(chǎn)成本，還能加快新品語音空調(diào)的上市周期，這對于增加品牌擠占快速發(fā)展的消費(fèi)市場份額非常重要。無論是ADC還是SoC，都只是語音識別系統(tǒng)中的一環(huán)，整個語音識別系統(tǒng)的成熟發(fā)展至關(guān)重要。目前多維度組合的麥克風(fēng)陣列以及配套語音前處理算法、云端處理平臺等已經(jīng)相對發(fā)展成熟。急需處理的為快速提升語音識別效果及準(zhǔn)確率，這其中包括大量AI訓(xùn)練下的多語種、多方言、多環(huán)境支持，以達(dá)到可以快速量產(chǎn)環(huán)節(jié)等等。

3 語音識別的測試方法及驗收標(biāo)準(zhǔn)

3.1 語音測試方法

測試方法主要用于指導(dǎo)測試語音系統(tǒng)的喚醒識別、指令識別。下面介紹使用Dirc軟件、噪音分貝儀等設(shè)備在選擇底噪、面積小的房間測試空調(diào)的語音功能。

3.1.1 房間選擇需要注意3個條件：混響、噪音、距離。

3.1.2 底噪測試方法：將被測語音空調(diào)放到測試房間中要測試的位置，把分貝儀的開關(guān)打開，放在被測語音空調(diào)的MIC處，讀取分貝儀上的數(shù)值，即為房間底噪，底噪建議不能大于40 dB

3.1.3 SNR測試方法：將播放語料的高保真音箱放在要測試的位置，電腦連接高保真音箱播放語料，把分貝儀的開關(guān)打開，放在被測語音空調(diào)的MIC處，讀取分貝儀上的數(shù)據(jù)，即為人聲的分貝；停止播放語料，用另一臺電腦接另一個音箱播放生活噪音（電視或者音樂等），把分貝儀再次放在被測語音空調(diào)的MIC處，讀取分貝儀上的數(shù)據(jù)，即為噪音的分貝，噪音分貝不能高于60 dB。將人聲的分貝減去噪音的分貝即為當(dāng)前的SNR，SNR不能低于15 dB。

3.2 語音測試場景

主要有如下測試場景：

3.2.1 喚醒識別：

①安靜、典型混響、3 m、喚醒

②安靜、典型混響、5 m、喚醒

③噪音、典型混響、1 m、喚醒

④噪音、典型混響、3 m、喚醒

⑤噪音、典型混響、5 m、喚醒

3.2.2 指令識別：

①安靜、典型混響、1 m、識別

②安靜、典型混響、3 m、識別

③安靜、典型混響、5 m、識別

④噪音、典型混響、1 m、識別

⑤噪音、典型混響、3 m、識別

⑥噪音、典型混響、5 m、識別

4 性能詳細(xì)測試步驟舉例

由于測試場景較多，選擇兩個場景舉例

4.1 安靜、典型混響、3 m、喚醒

操作步驟：

1）在選定的典型混響、底噪不超過40 dB，長度大于6 m的房間中，放入被測語音空調(diào)、兩臺電腦、兩個音箱（有一個必須是高保真音箱，用來播放語料）；

2）用其中一臺電腦連接高保真音箱，高保真音箱放在距離被測語音空調(diào)3 m正對面；

3）電腦播放喚醒語料，用分貝儀在被測語音空調(diào)MIC處測量播放的分貝值，用該分貝值減去底噪音，即為SNR，SNR必須大于15 dB；

4）確定播放的分貝值后，給語音空調(diào)上電，等播報“歡迎使用格力空調(diào)”的提示；

5）用電腦播放喚醒語料，并且記錄喚醒率。

4.2 噪音、典型混響、5 m、識別

操作步驟：

表1 語音喚醒測試擬定的條件與判斷依據(jù)

1）在選定的典型混響、底噪不超過40 dB，長度大于6 m的房間中，放入被測語音空調(diào)、兩臺電腦、兩個音箱（有一個必須是高保真音箱，用來播放語料）；

2）用其中一臺電腦A連接其中一個音箱，音箱放在房間的任意位置；

3）電腦A播放生活噪音，用分貝儀在被測語音空調(diào)MIC處測量噪音的分貝值，記為X，X不能大于60 dB；

4）停止播放生活噪音；

5）另一臺電腦B連接高保真音箱，音箱放在被測試語音空調(diào)5 m正對面處；

6）電腦B播放識別語料，用分貝儀在被測語音空調(diào)MIC處測量人聲的分貝值，記為Y；

表2 語音識別測試擬定的條件與判斷依據(jù)

7）用Y減去X，即為SNR，SNR必須大于15 dB；

8）確定播放的分貝值后，給語音空調(diào)上電，等播報“歡迎使用”的提示

9）先播放生活噪音，再喚醒語音空調(diào)，然后再播放指令識別語料，并且記錄識別率；

5 語音驗收標(biāo)準(zhǔn)

5.1 表1為語音喚醒測試擬定的條件與判斷依據(jù)

5.2 表2為語音識別測試擬定的條件與判斷依據(jù)

5.3 語音識別功能在空調(diào)上模擬測試

圖1為模擬測試而進(jìn)行的語言準(zhǔn)備功能測試模擬圖（如圖1），設(shè)備準(zhǔn)備調(diào)試完成之后進(jìn)行測試。從以下結(jié)果中（如表3）可以看出環(huán)境、角度以及距離等差異對語音識別合格率差異較大。

圖1 空調(diào)語言功能模擬

表3 空調(diào)語言功能模擬結(jié)果

6 結(jié)論

1）語音識別功能在空調(diào)上進(jìn)行應(yīng)用需經(jīng)過三個環(huán)節(jié)：拾取、處理和反饋；

2）語音識別功能在實際模擬過程中需不斷進(jìn)行標(biāo)準(zhǔn)制定和優(yōu)化以適應(yīng)不同開發(fā)機(jī)型的功能的應(yīng)用，同時不同命令詞識別、喚醒時在不同工況下差異較大；

3）語音識別功能在混合環(huán)境下功能體驗性較差，而信噪比是決定語音功能實際應(yīng)用和優(yōu)化的一個重要參數(shù)。