更智能的语音数据处理为常开设备带来更长续航
常开设备——从智能音箱到可穿戴——改变日常生活，却面临严峻电池挑战。
虽语音助手似成现代生活必需，但 Amazon 首款智能音箱 Echo 才于 2014 年底推出。如今数亿语音优先设备（从家庭中枢到耳机）持续监听唤醒词。SAR Insight & Consulting 预测，2023 年常开语音设备装机量将逼近十亿。
这些系统核心是超微型 MEMS 麦克风捕获环境声音。最初云端分析似乎理想，但物联网设备产生的海量数据——IDC 预测 2025 年 416 亿设备产生 79.4 ZB 数据——淹没网络带宽并耗尽电池。这一瓶颈加速向边缘计算转移，将复杂处理贴近传感器。
边缘计算遇见 TinyML
现代边缘方案利用低功耗数字信号处理器和配备嵌入式神经网络核心的微控制器——TinyML 芯片。这些芯片可在本地执行复杂唤醒词检测，减少对云资源依赖。但它们仍继承传统架构：强制每个模拟音频样本立即数字化，即使无人声时也如此。结果，OEM 在处理无关数据上浪费 80-90% 电池寿命，迫使消费者在插电非便携助手和电池受限便携助手间二选一。
模拟优先处理的威力
为克服此低效，设计师转向受人类感官系统启发的范式：先处理原始模拟信号，仅在必要时调用数字引擎。模拟电路擅长低功耗实时特征提取——如检测声音是否含人声——在任何数字转换前完成。此策略让高功耗数字处理器保持深度睡眠，直到检测到真实唤醒词，大幅延长电池寿命。
采用模拟优先、仿生架构不要求每颗芯片模拟大脑。而是重构系统层级：模拟前端充当交通管制员，过滤噪声仅将显著数据转发给 TinyML 核心。
仿生边缘处理将数字算力聚焦最相关感官数据。（图源：Aspinity）
以消费者为中心的收益
通过最小化数据转换和利用模拟预处理，厂商可交付单组电池续航数月的语音助手，免除持续插电之累。结果是更灵活、用户友好的体验——想象一款语音遥控器，一次充电运行一年。
参考
1 International Data Corp. Worldwide Global DataSphere IoT Device and Data Forecast, 2019–2023. June 2019
>> 本文最初发表于姊妹站点 EE Times Europe。
传感器