語音識別芯片現(xiàn)在已經(jīng)成為了市場上的主流方案了，幾乎高級一點的產(chǎn)品都要帶上語音識別芯片，主要原因就是語音識別芯片可以做到識別人說話并轉(zhuǎn)化成指定去控制對應的功能。下面小編就帶大家一起去了解語音識別芯片的前世今生。
1952 年，埃德瓦爾德（Everett）和科爾特（Kleitman）發(fā)表了《計算機識別人類語音》的論文，開啟了語音識別技術的研究大門。當時的語音識別主要集中在小詞匯量、孤立詞、特定人語音識別方法上，采用簡單的模板匹配方法，如動態(tài)時間規(guī)整（DTW）、支持向量機（SVM）、矢量量化（VQ）等主流算法。這個時期的技術局限性較大，例如對同一個人，在其感冒等情況下聲音發(fā)生變化就可能無法識別，而且命令詞較多時識別效率很低。
概率統(tǒng)計型方法興起（1993 年 - 2009 年）：主流技術是高斯混合模型 - 隱馬爾可夫模型（GMM - HMM）。HMM 模型在將語音轉(zhuǎn)換為文本的過程中，增加了音素和狀態(tài)兩個轉(zhuǎn)換單位，GMM 則將狀態(tài)的特征分布用概率模型來表述，提升了語音幀到狀態(tài)的準確率。基于 GMM - HMM 框架，后續(xù)又提出了許多改進方法，如動態(tài)貝葉斯方法、區(qū)分性訓練方法、自適應訓練方法、HMM/NN 混合模型方法等。然而，GMM + HMM 模型在大詞匯量的語音識別情況下，識別準確率和效率均比較差。
語音識別芯片開始出現(xiàn)：早期的語音識別芯片配置等同于通用的低端 MCU，以臺灣新塘為代表的廠商推出了相關產(chǎn)品。例如，新塘 Nuvoton 在 2011 年推出了 ARM 架構(gòu)的 MCU 芯片 - ISD9160，之后結(jié)合臺灣賽維的語音算法，在 2016 年前后受到家電圈廣泛關注，但受限于技術不成熟，出現(xiàn)語音識別率較低、降噪效果差、誤識別率高等問題。
深度神經(jīng)網(wǎng)絡技術主導：2009 年至今，深度神經(jīng)網(wǎng)絡識別成為最主流的語音識別技術類型，包括深度神經(jīng)網(wǎng)絡 / 深信度網(wǎng)絡 - 隱馬爾可夫（DNN/DBN - HMM）、遞歸神經(jīng)網(wǎng)絡 RNN 及其改進版 LSTM&BLSTM、卷積神經(jīng)網(wǎng)絡 CNN 等。這些技術不再需要 HMM 來描述音素內(nèi)部狀態(tài)的變化，而是將語音識別的所有模塊統(tǒng)一成神經(jīng)網(wǎng)絡模型。國內(nèi)大廠也紛紛推出自己的技術，如科大訊飛的深度全序列卷積神經(jīng)網(wǎng)絡（DFCNN）、阿里的 LFR - DFSMN、百度的 SMLTA、Kaldi 。
以為唯創(chuàng)知音旗下的語音識別芯片系列WTK6900系列為例，這類型的語義識別芯片有多個擴展方案，同時還能實現(xiàn)本地指令+云端指令，幾乎可以覆蓋消費級和工業(yè)級的場景，廣泛應用于智能家居和智能工業(yè)設備。