Prečo vás váš inteligentný reproduktor počuje v hlučnej kuchyni, ale hlasový asistent vášho auta zlyháva v tichej kabíne? Odpoveď spočíva vo výbere hardvéru. Musíte sledovať signálny reťazec – kľúčovú cestu od zvukovej vlny k digitálnemu povelu. Každá súčasť, od mikrofónu po procesor, formuje výkon. Čelíte kompromisnému trojuholníku: presnosť, rýchlosť a výkon. Zlepšenie jedného často škodí druhému. Rozpoznávanie hlasu si vyžaduje starostlivý výber, nielen predvolené nastavenia. Tento článok vás prevedie každým krokom návrhu, počnúc výberom mikrofónu a končiac nastavením spracovania. Uvidíte, ako tieto voľby rozhodujú o tom, či vaše zariadenie počuje jasne alebo má problémy s porozumením. Úspech rozpoznávania hlasu začína vašou hardvérovou základňou.
Kľúčové poznatky
Vyberte si mikrofón s odstupom signálu od šumu (SNR) aspoň 70 dB na rozpoznávanie hlasu zo vzdialenosti 3 – 5 metrov.
Na nahrávanie reči použite vzorkovaciu frekvenciu 16 kHz a 16-bitové rozlíšenie bez pridania dodatočnej záťaže pre procesor.
Nastavte zosilnenie tak, aby bežná reč zostala okolo -12 dBFS. Pomáha to predchádzať orezávaniu alebo problémom s šumom v pozadí.
Spracujte hlas priamo na zariadení, aby ste znížili oneskorenie a zachovali súkromie zvuku, alebo použite kombináciu detekcie aktivačných slov.
Pred zostavením vlastného hardvéru otestujte svoj systém pomocou vývojovej súpravy Raspberry Pi.
Požiadavky na systém rozpoznávania hlasu
Mikrofón, ktorý si vyberiete, určuje limit pre celý váš systém rozpoznávania hlasu. Mikrofón prijíma zvukovú vlnu, takže jeho kvalita určuje, čo môže váš procesor použiť. Nemôžete získať späť informácie, ktoré mikrofón nezachytil.
Výber a umiestnenie mikrofónu
Existujú dva hlavné typy mikrofónov: MEMS a elektretové kondenzátorové mikrofóny (ECM). Každý z nich má svoje silné stránky v oblasti rozpoznávania hlasu. Staršie MEMS mikrofóny poskytovali odstup signálu od šumu iba 58 – 60 dB, čo nebolo také dobré ako ECM. Novšie MEMS mikrofóny, ako napríklad ADMP504 a ADMP521, dosahujú odstup signálu od šumu 65 dBA so vstupným šumom 29 dBA. To zodpovedá podobnému ECM mikrofónu, ale MEMS mikrofón je oveľa menší. ECM mikrofóny s rovnakým odstupom signálu od šumu sú zvyčajne väčšie a ich odstup signálu od šumu sa s ich zmenšovaním zhoršuje.
Na rozpoznávanie hlasu vo vzdialenosti 3 – 5 metrov potrebujete mikrofón s odstupom signálu od šumu (SNR) aspoň 70 dB . Odstup signálu od šumu (SNR) 75 dB funguje lepšie, ale stojí viac. Použitie v blízkom poli, ako sú slúchadlá s mikrofónmi a vreckové zariadenia, funguje dobre s odstupom signálu od šumu 60 – 65 dB. Digitálne MEMS mikrofóny používajú 1-bitový PDM prevodník. To vytvára v priepustnom pásme viac kvantizačného šumu ako viacbitové prevodníky v analógových mikrofónoch. To sťažuje presné zachytenie zvuku v hlučných miestach. Preto sa väčšina digitálnych MEMS mikrofónov používa menej na použitie vo vzdialenom poli, ako je hlasové ovládanie, a viac na použitie v blízkom poli, ako sú smartfóny, slúchadlá s mikrofónmi a nositeľné zariadenia.
Kam mikrofón umiestnite, záleží viac ako na jeho kvalite. Výložníkový mikrofón umiestnený 3 cm od vašich pier funguje lepšie ako drahý konferenčný mikrofón vzdialený 2 metre. Vzdialenosť od mikrofónu znižuje energiu priameho signálu a zvyšuje ozvenu, čím skryje to, čo hovoríte. Použitie dvoch alebo viacerých mikrofónov v poli so známymi polohami umožňuje tvarovanie lúča. To môže znížiť chybovosť slov o 3 až 6 percentuálnych bodov v pevných nastaveniach. Niekoľko všesmerových mikrofónov vám umožňuje zamerať sa na jeden smer a blokovať šum z ostatných. Prednastavenie smeru lúča poľa na základe známej polohy zdroja zvuku zlepšuje rozpoznávanie hlasu vo vzdialenom poli. Dynamické nastavenie pomocou radarovej spätnej väzby v reálnom čase neustále mení smer lúča na základe detekovaného zdroja zvuku, takže zostáva zaostrený na rečníka, aj keď sa pohybuje.
Kompromisy medzi rozlíšením ADC a vzorkovacou frekvenciou
Váš analógovo-digitálny prevodník musí spĺňať požiadavky vášho algoritmu rozpoznávania hlasu, nielen pravidlá kvality zvuku. Nyquistova veta hovorí, že na správne obnovenie signálu s frekvenciou F musí byť vzorkovacia frekvencia aspoň 2F. V prípade reči má ľudský hlas väčšinu energie pod 8 kHz a takmer žiadne užitočné informácie nad 16 kHz. Vzorkovanie pri 16 kHz teda zachytáva spoluhlásky, ktoré pomáhajú s presnosťou rozpoznávania. Telefonické hovory pri 8 kHz sú čisté, ale ploché, zatiaľ čo 48 kHz presahuje rozsah reči a pridáva ďalšie dáta.
metrický | 8 kHz | 16 kHz | 48 kHz |
|---|---|---|---|
Čas spracovania dopredu (na 1 sekundu zvuku, CPU) | ~18 ms | ~34 ms | ~102 ms |
SI-SDR (dB) | 14.70 | 14.74 | 14.92 |
STOI (%) | 92.60 | 93.11 | 86.36 |
THD (%) | 41.09 | 24.59 | 2.21 |
WARP-Q (%) | 38.40 | 58.38 | 77.94 |
Prejdite na 48 kHz a strojnásobíte záťaž . Väčšie vyrovnávacie pamäte spôsobujú väčšie chvenie a zvyšujú čas spracovania – často bez skutočného zlepšenia presnosti rozpoznávania hlasu. Pre zákaznícku podporu s umelou inteligenciou poskytuje 16 kHz potrebnú kvalitu bez dodatočnej práce.
Pre rozlíšenie ADC zvoľte prevodník, ktorý zodpovedá skutočnému výkonu vášho mikrofónu. Príliš vysoké rozlíšenie nemusí byť efektívne, ak je pomer signálu k šumu (SNR) mikrofónu obmedzený. Prispôsobte rozlíšenie vášho ADC skutočnému výkonu vášho mikrofónu. Algoritmy rozpoznávania reči potrebujú dostatočný dynamický rozsah na spracovanie tichej reči a hlasných príkazov bez orezávania.
Vaše voľby vzorkovacej frekvencie a rozlíšenia priamo ovplyvňujú záťaž spracovania. Rozpoznávanie hlasu na okrajových zariadeniach musí vyvážiť tieto nastavenia so spotrebou energie a oneskorením. Pre väčšinu použití zvoľte vzorkovaciu frekvenciu 16 kHz. Táto frekvencia zachytáva všetky frekvencie súvisiace s rečou bez dodatočnej výpočtovej záťaže spojenej s vyššími frekvenciami.
Optimalizácia signálového reťazca pre jasnosť
Po výbere mikrofónu a prevodníka musíte signál predtým, ako sa dostane k rozpoznávaciemu systému, vyčistiť. Tento krok určuje, či vaše zariadenie rozumie jasnej reči alebo zlyháva v hlučných miestnostiach.
Odstránenie šumu a zosilnenie
Potrebujete voľnú cestu od mikrofónu k procesoru. Väčšina vstavaných systémov obmedzuje spracovanie hlasu na filtrovanie, reguláciu zisku a potlačenie šumu. Tieto obmedzenia zvážte už v počiatočnej fáze návrhu. Na malom mikrokontroléri nemôžete spúšťať zložité algoritmy bez toho, aby ste všetko spomalili.
Stupeň zosilnenia je dôležitejší, než väčšina inžinierov očakáva. Chcete, aby najtichšia reč zostala nad úrovňou šumu, zatiaľ čo hlasné povely by nemali byť orezávané. Nastavte zosilnenie tak, aby priemerná úroveň reči bola výrazne nad úrovňou šumu, ale pod úrovňou orezávania. Automatické ovládanie zosilnenia by malo rýchlo reagovať na zmeny, ale nemalo by počas bežnej konverzácie „pumpovať“ ani „dýchať“.
Pre zariadenia s nízkou spotrebou energie na okraji siete zvážte vlastné jednotky I2S s integrovanými modulmi pre prácu s oknami. Tieto skracujú čas predspracovania pri spoločnom návrhu hardvéru a softvéru pre rozpoznávanie hlasu TinyML. Znížite tak záťaž úloh práce s oknami z hlavného procesora, čím šetríte energiu a znižujete oneskorenie. Toto funguje dobre pre zariadenia napájané z batérie, ktoré potrebujú neustále počúvanie.
Konverzia vzorkovacej frekvencie a ukladanie do vyrovnávacej pamäte
Mali by ste zosúladiť vzorkovacie frekvencie zachytávania, prenosu a modelu od začiatku do konca. Akýkoľvek nesúlad vynúti prevzorkovanie, ktoré pridáva artefakty a oneskorenia. Nyquistova-Shannonova veta vyžaduje vzorkovanie aspoň dvojnásobkom najvyššej frekvencie. Ľudská reč dosahuje maximum okolo 8 kHz, takže 16 kHz spĺňa toto pravidlo a zároveň zachováva malé užitočné zaťaženie.
Potrebné dáta ukazujú, že 16 kHz mono PCM využíva približne 256 kb/s, zatiaľ čo 48 kHz využíva približne 768 kb/s. To strojnásobí záťaž a zvýši veľkosť vyrovnávacej pamäte a jitter. Používatelia si všimnú oneskorenie okolo 250 ms a hovory ukončia po 500 ms. Dodržanie tohto rozmedzia je dôležitejšie ako maximalizácia vernosti. Začnite na 16 kHz a upravujte iba vtedy, keď nájdete zjavné zisky.
Pre hardvérových asistentov použite 16 kHz pre reproduktory a 8 kHz ako záložnú možnosť pre slabé pripojenie. Po spustení sledujte stav siete. Strata paketov, chvenie a časy odozvy ovplyvňujú latenciu viac ako samotná vzorkovacia frekvencia. Vyskúšajte na skutočných zariadeniach, pretože optické siete môžu v sieťach 4G zlyhať. Vaša technológia rozpoznávania hlasu závisí od stabilného prenosu zvuku, nielen od surovej kvality. Tieto nástroje na spracovanie zvuku spolupracujú, aby udržali váš signál čistý a vašu odozvu rýchlu.
Hardvér na analýzu reči
Váš akustický model potrebuje miesto, kde bude fungovať. Toto miesto musí mať dostatok pamäte RAM a Flash na uloženie modelu a jeho spustenie bez oneskorenia. Túto úlohu zvládnu malé mikrokontroléry s nízkou spotrebou energie. Softvér na hlasovú komunikáciu od spoločnosti NXP ukazuje túto metódu. Funguje na jednoduchom hardvéri s nízkou spotrebou energie. Veľkosť pamäte musíte prispôsobiť veľkosti modelu. Malý model sa zmestí do obmedzeného množstva Flash pamäte. Väčší model potrebuje viac miesta. Pred výberom procesora si naplánujte rozpočet na pamäť.
Pamäť a výpočtový výkon pre akustické modely
Technológia rozpoznávania reči vyžaduje určité pamäťové zdroje. Váš akustický model ukladá vzory zvukov a slov. Tieto vzory riadia rozpoznávací engine. Na spúšťanie úloh potrebujete dostatok pamäte RAM a dostatok pamäte Flash na ukladanie údajov. Nízkoenergetické mikrokontroléry s hardvérovými pomocníkmi zlepšujú výkon modelu. Tieto pomocníky vykonávajú veľa operácií naraz, ako je násobenie matíc a konvolúcia. Zvyšujú rýchlosť pri nízkej spotrebe energie. Zlepšujú tiež prístup k pamäti. To znižuje záťaž pri prenose dát. Váš hlavný procesor potom môže častejšie prechádzať do režimov nízkej spotreby. Výsledkom je lepší výkon, nižšia spotreba energie a kratšie oneskorenia.
Zrýchlenie DSP pre extrakciu prvkov
Váš procesor musí rýchlo extrahovať prvky zo surového zvuku. Digitálne signálové procesory (DSP) alebo MCU s hardvérovými pomocníkmi túto úlohu zvládajú dobre. Algoritmy extrakcie prvkov, ako sú MFCC a LPC, premieňajú surový zvuk na malé zvukové reprezentácie. Tieto reprezentácie idú priamo do vašich rozpoznávacích modelov. Optimalizácia DSP v reálnom čase využíva matematické výpočty s pevnou rádovou čiarkou a hardvérovú pomoc. To umožňuje udržiavať krok so živým hlasovým vstupom. Vyhnete sa preťaženiu hlavného procesora týmito úlohami.
Adaptívne spracovanie DSP mení nastavenia na základe prostredia. Automatické ovládanie zisku a adaptívne filtrovanie udržiavajú stabilnú kvalitu prvkov. Viackanálový DSP s tvarovaním lúča rozlišuje zvuky reči z rôznych smerov. Tým sa blokuje šum pred začatím extrakcie prvkov. Výsledkom je čistejší signál pre váš rozpoznávací systém.
Detekcia aktivačných slov je bežné používanie. Vaše zariadenie spustí akcie, keď sa objaví kľúčové slovo. Túto metódu používajú inteligentné reproduktory a bezpečnostné kamery. Generátor zvukových prvkov spustí mikrofón v režime streamovania. Vytvára funkcie pre modely TensorFlow Lite. Tieto systémy bežia neustále a spotrebujú veľmi málo energie. Pokročilá technológia rozpoznávania reči sa spolieha na tieto efektívne hardvérové cesty. Technológia rozpoznávania hlasu sa zlepší, keď presuniete extrakciu prvkov na špeciálny hardvér. Váš systém rozpoznávania hlasu zostáva rýchly a energeticky úsporný. Technológia rozpoznávania hlasu v okrajových zariadeniach závisí od týchto možností. Vaše hlasové príkazy sa stanú spoľahlivými akciami. Vaša reč sa stane jasnými dátami. Váš zvukový kanál beží hladko z mikrofónu do modelu.
Spracovanie na zariadení vs. cloudové spracovanie
Vašou ďalšou veľkou voľbou je, kde spustiť rozpoznávací engine. Všetko môžete spravovať na zariadení alebo odosielať zvuk na cloudový server. Každá možnosť mení vašu latenciu, rozpočet na energiu, náklady a profil ochrany osobných údajov. Mnohé produkčné systémy rozpoznávania hlasu používajú hybridný prístup. Na zariadení beží odľahčený model prebudenia slovami. Plná technológia rozpoznávania reči sa aktivuje v cloude až po detekcii.
Latencia a spotreba energie v dizajnoch na okraji siete
Cloudové spracovanie pridáva oneskorenia, ktorým sa nedá vyhnúť. Každý krok vyžaduje sieťovú komunikáciu. Samotné sieťové spätné prepojenie výrazne zvyšuje čas odozvy. Odstránenie tohto spätného prepojenia môže výrazne skrátiť čas odozvy. Používatelia si všimnú oneskorenie okolo 250 milisekúnd a často sa vzdajú po 500 milisekundách. Tento rozdiel určuje, či sa vaše hlasové rozhranie zdá prirodzené alebo pomalé.
Spotreba energie sa vyvíja podobným spôsobom. Spracovanie v cloude zahŕňa spoluprácu mnohých zariadení. Vaše zariadenie zachytáva zvuk, odosiela ho cez Wi-Fi, čaká na odpoveď servera a reaguje na výsledok. Tento proces plytvá energiou, keď chcete len rozsvietiť svetlo. Spracovanie v zariadení úplne eliminuje tieto energetické režijné náklady súvisiace so sieťou . Batéria vášho mobilného zariadenia vydrží dlhšie, keď spracovanie prebieha v zariadení.
Dôležitá je aj architektúra vášho procesora. Štandardný procesor (CPU) spracováva zložité hlasové modely s vyššou latenciou. Trvalá inferencia na CPU rýchlo vybíja batériu. Grafický procesor (GPU) ponúka nižšiu latenciu pre paralelné pracovné zaťaženia, ale jeho vysoká spotreba energie ho robí nevhodným pre mobilné zariadenia napájané z batérie. Neurónová procesorová jednotka (NPU) poskytuje veľmi nízku latenciu s extrémnou energetickou účinnosťou . Vďaka tomu je NPU preferovanou voľbou pre neustále zapnuté počúvanie a detekciu aktivačných slov v zariadeniach s obmedzeným prístupom. Z tohto dôvodu je teraz mnoho mobilných telefónov vybavených špecializovanými NPU.
Pre prototypovanie si vyberte Raspberry Pi namiesto dosky Arduino. Pi ponúka dostatočný výpočtový výkon pre technológiu rozpoznávania hlasu. Tradičné dosky Arduino, ako napríklad Uno, nemajú dostatočný výkon. Svoje algoritmy si môžete otestovať na Pi predtým, ako prejdete na vlastný hardvér.
Dôsledky odľahčenia cloudu pre náklady a súkromie
Cloudové spracovanie presúva vaše náklady na hardvér do opakujúceho sa účtu za služby. Platíte za čas servera, šírku pásma a volania API. Spracovanie na zariadení vyžaduje väčšiu počiatočnú investíciu do hardvéru, ale eliminuje priebežné poplatky za cloud. Správna voľba závisí od vášho objemu a cieľovej marže.
Obavy o súkromie často prevažujú v prospech spracovania na zariadení. Keď spracovávate zvuk v cloude, váš systém odosiela hlasové dáta na externé servery. Zvuk sa prenáša cez sieť, kde ho môžu zachytiť hackeri. Cloudové servery dočasne ukladajú nahrávky a tretie strany môžu získať prístup k vašim údajom. Žiadosti vlády môžu poskytovateľov prinútiť zdieľať nahrávky. Tieto riziká miznú so spracovaním na zariadení . Zvuk nikdy neopúšťa váš hardvér . Neexistujú žiadne údaje, ktoré by sa dali zachytiť, uniknúť alebo predvolať . Vaši mobilní používatelia túto ochranu oceňujú.
Súlad s predpismi tiež uprednostňuje spracovanie na zariadení. Zdravotnícki pracovníci dodržiavajú pravidlá HIPAA . Právne tímy chránia dôvernosť vzťahu medzi advokátom a klientom. Finančné firmy dodržiavajú SOX a GDPR. Spracovanie na zariadení eliminuje riziká súvisiace s dodržiavaním predpisov, pretože zo zariadenia sa neprenáša žiadny zvuk. Vaša technológia rozpoznávania hlasu sa stáva dôveryhodnejšou, keď používatelia vedia, že ich hlas zostáva súkromný. Vaše produkty profitujú z jednoduchších bezpečnostných auditov.
Hybridný prístup vám ponúka to najlepšie z oboch svetov. Zariadenie spracováva detekciu aktivačných slov lokálne s nízkou spotrebou energie a nulovou latenciou. Zvuk odosiela do cloudu až po aktivácii. To vyvažuje latenciu, spotrebu energie, náklady a súkromie pre väčšinu systémov rozpoznávania hlasu.
Najlepšie postupy implementácie
Prototypovanie s vývojovými súpravami
Začnite pracovať s hardvérom pre rozpoznávanie hlasu s testovanými vývojovými súpravami. Tieto súpravy vám umožňujú vyskúšať si algoritmy ešte predtým, ako si vytvoríte vlastné dosky. Možnosti siahajú od jednoduchých dosiek založených na mikrokontroléroch až po výkonnejšie systémy založené na Linuxe.
Musíte si vybrať súpravu, ktorá vyhovuje vášmu hardvéru. Jednoduchá doska s mikrokontrolérom je vhodná na jednoduchú detekciu aktivačných slov. Doska založená na Linuxe zvládne plné rozpoznávanie hlasu s väčšími modelmi.
Na testovanie si namiesto dosky Arduino vyberte Raspberry Pi. Pi beží na plnohodnotnom systéme Linux s dostatočným výpočtovým výkonom na rozpoznávanie hlasu. Typickým doskám Arduino chýbajú potrebné funkcie. Pi dokáže spracovať viacero úloh naraz, čo rozpoznávanie hlasu potrebuje.
Úvahy o hardvéri pre hlasové vyberanie
Hlasové vychystávanie mení spôsob fungovania skladov. Pracovníci nosia slúchadlá a pri prechádzaní uličkami vyslovujú príkazy. Tento spôsob bez použitia rúk zvyšuje presnosť a rýchlosť. Váš hardvér na hlasové vychystávanie musí zvládnuť náročné podmienky.
Odolné zariadenia znesú veľmi vysoké alebo nízke teploty, opotrebovanie a výrobné nastavenia. Chladiarne a priestory s nebezpečnými materiálmi potrebujú pevné diely. Pracovníci často nosia ochranné pomôcky, takže s vašimi hardvérom musia pracovať rukavice a ochranné štíty na tvár.
Slúchadlá s potlačením hluku a inteligentné ladenie zvuku udržiavajú systém v hlučných skladoch správny. Nové rozpoznávanie reči odlišuje odpovede pracovníkov od hluku v pozadí . Pokročilé mikrofónové polia s tvarovaním lúča a potlačením hluku dokážu zachytiť hlas z diaľky a zlepšiť čistotu. Tieto funkcie sú skvelé pre automatizáciu skladov a roboty.
Váš hlasový systém vychystávania sa musí prepojiť so systémami riadenia skladu. Hlasové systémy a systémy WMS spolupracujú na okamžitom sledovaní položiek. Zamestnanci povedia, že si položku vyzdvihli, a systém okamžite aktualizuje stav zásob. Toto prepojenie znižuje počet chýb a zrýchľuje prácu.
Otestujte si svoje hlasom ovládané skladové aplikácie v skutočne hlučných miestach. Tiché laboratórium nedokáže napodobniť zvuky vysokozdvižných vozíkov, dopravných pásov a ozveny kovových políc. Rozpoznávanie reči v továrňach si vyžaduje ladenie pre hlasný hluk v pozadí. Vaše mobilné zariadenia musia udržiavať čistý zvuk aj pri pohybe a trasení.
Systémy hlasového vyberania musia byť tiež ľahko premiestniteľné. Pracovníci sa neustále pohybujú, takže váš hardvér musí byť ľahký a pohodlný. Výdrž batérie je dôležitá počas celých zmien. Vaše riešenie hlasového vyberania musí pracovníkom umožniť pracovať s voľnými rukami celý deň.
Pamätajte, že úspech hlasového vyberania závisí od celého reťazca. Kvalita mikrofónu, potlačenie hluku a pripojenie systému sú všetko dôležité. Hlasovo riadené skladové aplikácie fungujú dobre, keď veľa testujete a vyberáte náročné diely. Vaša práca v sklade sa zrýchli, keď hlasové vyberanie funguje dobre.
Vaše dizajnové rozhodnutia určujú úspech. Výber mikrofónu, špecifikácie ADC a optimalizácia signálového reťazca formujú váš systém rozpoznávania hlasu. Rozhodnutie o použití na zariadení verzus cloud ovplyvňuje latenciu, výkon a súkromie. Žiadne jediné riešenie nie je vhodné pre každý prípad použitia. Musíte uprednostniť svoje potreby – napríklad výdrž batérie verzus presnosť. Otestujte včas pomocou vývojových súprav. Predtým, ako sa rozhodnete pre vlastný hardvér, iterujte v signálovom reťazci. Technológia rozpoznávania reči sa neustále vyvíja. Akcelerátory neurónových sietí sa teraz objavujú v okrajových zariadeniach. Spoločný návrh hardvéru a softvéru nadobúda v technológii rozpoznávania hlasu čoraz väčší význam. Vaše systémy budú z týchto trendov profitovať. Začnite jednoducho, merajte výsledky a zdokonaľujte svoj prístup. Vaše hlasové príkazy sa stanú spoľahlivými akciami, keď urobíte inteligentné rozhodnutia o hardvéri. Váš hlas zostane čistý, keď sa váš hardvér zhoduje s vaším prostredím.
Často kladené otázky
Aký mikrofón si mám vybrať na rozpoznávanie hlasu na diaľku?
Pre vzdialenosti 3 – 5 metrov si vyberte MEMS mikrofón s odstupom signálu od šumu (SNR) aspoň 70 dB. Digitálne MEMS mikrofóny sú lepšie na použitie v blízkom poli, ako sú napríklad náhlavné súpravy. Vami zvolený mikrofón určuje limit výkonu celého vášho systému rozpoznávania hlasu.
Prečo je vzorkovacia frekvencia 16 kHz dôležitejšia ako 48 kHz?
Váš systém rozpoznávania hlasu potrebuje na jasné počutie reči 16 kHz. Vyššie frekvencie spotrebúvajú trikrát viac energie, ale nezlepšujú presnosť. Pridané dáta vytvárajú väčšie vyrovnávacie pamäte a zvyšujú oneskorenie. Používatelia si všimnú oneskorenie pri 250 milisekundách, preto si systém zachovajte jednoduchosť.
Mám spracovávať hlas na zariadení alebo v cloude?
Spracovanie na zariadení odstraňuje oneskorenia siete a chráni vaše súkromie. Cloudové spracovanie presúva náklady na mesačné účty za služby. Mnohé systémy používajú hybridný prístup: detekcia aktivačných slov sa spúšťa na zariadení a potom sa celé spracovanie presunie do cloudu. Vaša voľba závisí od vášho rozpočtu na energiu a potrieb ochrany súkromia.
Môžem vytvoriť prototyp rozpoznávania hlasu pomocou dosky Arduino?
Bežné dosky Arduino ako Uno nemajú dostatočný výpočtový výkon. Namiesto toho si vyberte Raspberry Pi. Beží na ňom plnohodnotný systém Linux s dostatočným výpočtovým výkonom. Pred prechodom na vlastný hardvér si môžete otestovať svoje algoritmy.
Ako zvládnuť šum v priemyselných hlasových snímacích systémoch?
Na potlačenie hluku používajte odolné mikrofónové sústavy. Otestujte si systémy v skutočných skladoch, nie v tichých laboratóriách. Vysokozdvižné vozíky a dopravné pásy spôsobujú zvukové problémy, ktoré je potrebné doladiť kvôli hlasnému hluku v pozadí.
