千萬銷量百億市場，人工智能語音芯片正崛起
隨著智能音箱的火熱以及背后語音交互生態(tài)的成熟，將會(huì)帶動(dòng)越來越多的設(shè)備語音化、智能化，使語音真正成為人機(jī)交互的一個(gè)界面。而在語音交互設(shè)備中，語音芯片憑借定制化、低功耗、高能效、端智能以及成本優(yōu)勢等地位越發(fā)重要，成為人與云端溝通的橋梁。
在智能語音市場，隨著亞馬遜、谷歌等互聯(lián)網(wǎng)巨頭公司的推動(dòng)，僅僅是智能音箱一個(gè)品類今年的全球銷量預(yù)期有望達(dá)到3000萬臺(tái)，并陸續(xù)涌現(xiàn)在各個(gè)國家，市場呈爆發(fā)之態(tài)。作為語音芯片市場最大的玩家聯(lián)發(fā)科以占據(jù)了70%的市場份額，2017年語音芯片出貨量預(yù)計(jì)達(dá)到2000萬片以上。
智東西通過調(diào)查梳理發(fā)現(xiàn)，隨著語音交互的涌現(xiàn)，誕生了一個(gè)新的語音芯片行業(yè)，數(shù)十家公司參與其中，語音芯片的發(fā)展呈現(xiàn)初期通用組合芯片語音芯片涌現(xiàn)語音AI芯片蓄勢待發(fā)的趨勢。通過語音芯片發(fā)展的三階段以及數(shù)十家芯片公司的介紹，智東西為你呈現(xiàn)語音芯片的崛起！
▲注以上為智東西不完全統(tǒng)計(jì)
綜述：語音芯片發(fā)展三階段
本文所講的語音芯片側(cè)重于智能語音設(shè)備興起后，專門為語音交互場景打造的SoC芯片（芯片級(jí)系統(tǒng)，SystemonChip），它兼具運(yùn)算力和低功耗，支持多通道麥克風(fēng)陣列接口，支持信號(hào)處理算法等。
在人機(jī)對(duì)話的語音交互中，語音識(shí)別、語義理解、語音合成、任務(wù)執(zhí)行等都是在云端進(jìn)行。而在終端側(cè)，語音芯片的作用是對(duì)智能語音設(shè)備拾取的多通道聲音進(jìn)行處理并傳輸?shù)皆贫耍⒎答伣Y(jié)果以語音的形式輸出。如果說云端是智能語音設(shè)備的大腦，那么語音芯片就是連接人與云腦的橋梁。
目前，智能音箱的迅速發(fā)展正成為語音芯片崛起的重要?jiǎng)恿Α＝Y(jié)合產(chǎn)業(yè)鏈各方消息，智東西此前預(yù)測智能音箱市場規(guī)模在今年年底有望達(dá)到3000萬臺(tái)。這意味著僅僅是智能音箱的發(fā)展，就推動(dòng)語音芯片市場達(dá)到3000萬量級(jí)，盡管與以億為計(jì)算單位的手機(jī)芯片無法相提并論，但作為一個(gè)新興品類，仍處于快速發(fā)展期。
在智能音箱這個(gè)市場中，庫卡機(jī)器人，聯(lián)發(fā)科、德州儀器、科勝訊、全志科技、杭州國芯、晶晨科技、成都啟英泰倫等芯片廠商都推出相關(guān)的語音芯片，且又以聯(lián)發(fā)科一家獨(dú)大，占據(jù)智能音箱約七成市場份額，粗略計(jì)算聯(lián)發(fā)科在2017年語音芯片銷量將達(dá)2000萬片以上。
通過對(duì)目前市面上語音芯片的觀察，我們發(fā)現(xiàn)語音芯片有以下特點(diǎn)：其一兼具運(yùn)算能力和低功耗的考量，采用最適合做語音處理的CPU（中央處理器）；其二是具備高度整合性的語音SoC，支持多通道的麥克風(fēng)陣列接口，集成Codec（多媒體數(shù)字信號(hào)編解碼器）模塊/DSP（數(shù)字信號(hào)處理）模塊，并且集成WiFi/藍(lán)牙模塊等；其三在語音算法上支持回聲消除、噪聲抑制、聲源定位、語音增強(qiáng)等技術(shù)，或具備良好的音值調(diào)節(jié)功能；其四端智能化，集成神經(jīng)網(wǎng)絡(luò)單元將部分云端訓(xùn)練好的智能本地化工作。
通過智東西近期對(duì)產(chǎn)業(yè)鏈的采訪以及梳理，根據(jù)語音交互的發(fā)展?fàn)顩r，將語音芯片的發(fā)展歸納為三個(gè)階段，第一個(gè)階段為語音芯片過渡期，采用通用芯片組合方案；第二個(gè)階段為崛起期，語音芯片興起；第三個(gè)階段為語音芯片進(jìn)化期，語音AI芯片涌現(xiàn)。
第一階段，大約2015年以前盡管智能語音設(shè)備，包括智能音箱、遠(yuǎn)場交互的智能電視等都已出現(xiàn)，但在市場尚未起量的情況下，語音設(shè)備采用的多是通用芯片+Codec芯片/DSP芯片等相結(jié)合的方式實(shí)現(xiàn)語音處理，如全志的R16芯片。
2015年到2017年之間，隨著智能語音設(shè)備市場規(guī)模進(jìn)一步發(fā)展，專門用于智能家居或智能音箱的語音芯片開始陸續(xù)亮相，包括聯(lián)發(fā)科推出的MT8516芯片、科勝訊的CX20924/CX20921、Amlogic的A113、瑞芯微的RK3036/RK3229等。
此外，隨著智能語音設(shè)備的迅速發(fā)展，對(duì)于端智能的需求也在顯現(xiàn)，語音AI芯片應(yīng)運(yùn)而生。端智能是近兩年來AI領(lǐng)域大火的概念之一，指的是數(shù)據(jù)的采集、計(jì)算、決策都在前端設(shè)備進(jìn)行，優(yōu)勢在于穩(wěn)定、時(shí)延小、同時(shí)能夠保護(hù)用戶隱私等。如杭州國芯推出的GX8010和啟英泰倫推出的CI1006都屬于語音AI芯片。
前期：通用芯片組合搭配
在智能語音設(shè)備的市場早期階段，由于芯片研發(fā)漫長的周期（一般需要18~24個(gè)月），高昂的研發(fā)投入，工業(yè)機(jī)器人維修，因此在市場規(guī)模尚不大的情況下，市場并沒有專門的語音芯片應(yīng)用到智能語音設(shè)備中。
2010年6月微軟推出的Kinect體感周邊設(shè)備、2012年三星推出的遠(yuǎn)講語音電視、2014年秋亞馬遜推出的智能音箱Echo以及2015年京東&科大訊飛推出的叮咚音箱等是智能語音設(shè)備的早期代表，它們采用的多是通用芯片（AP芯片/平板芯片等）+Codec芯片/DSP芯片等組合的方式，由Codec芯片進(jìn)行模擬信號(hào)的數(shù)字信號(hào)的抓換，DSP部分對(duì)數(shù)字信號(hào)進(jìn)行處理，包括回聲消除、噪聲抑制、語音降噪/增強(qiáng)等，使語音便于后端的語音識(shí)別，再由通用芯片進(jìn)行處理傳輸?shù)皆贫颂峁┱Z音處理的計(jì)算力支持。
以亞馬遜Echo為例，2014年秋天亞馬遜推出智能音箱Echo，最初使用的是TI（德州儀器）的DM3725數(shù)字媒體處理器，該芯片之前主要應(yīng)用在多媒體設(shè)備、視頻機(jī)頂盒、游戲終端等，在進(jìn)行語音傳輸處理時(shí)，仍需要搭配Codec芯片。在早期的Ehco中，亞馬遜使用TI的DM3725（數(shù)字媒體處理器）+TI的ADC（模數(shù)轉(zhuǎn)換器）來實(shí)現(xiàn)。
▲德州儀器DM3725芯片
后來或許是處于成本以及其他考慮，亞馬遜的一些產(chǎn)品開始使用聯(lián)發(fā)科MT8563芯片，這款芯片同樣不是語音專用芯片。直到今年Q2季度，聯(lián)發(fā)科推出了MT8516才算真正意義上的語音芯片。
另外一個(gè)例子是國內(nèi)早期智能音箱的代表叮咚音箱，最初國內(nèi)也沒有專用語音芯片，采用的是全志科技R16芯片+科勝訊Codec芯片的方式進(jìn)行語音處理，而全志R16之前則是用于平板的芯片。
在語音交互場景的早期，智能設(shè)備并無太多銷量，即使看到了這一潛在機(jī)會(huì)，研發(fā)一款專用芯片的時(shí)間成本、投資成本都決定了在最初一段時(shí)間，智能設(shè)備需要使用通用芯片或其他芯片作為過渡期。
中小語音芯片廠商涌現(xiàn)
隨著智能語音設(shè)備銷量不斷增長，典型的就是2016年以來，以亞馬遜Echo為代表的智能音箱市場規(guī)模的不斷擴(kuò)大，專用的語音芯片也開始出現(xiàn)，2016年又剛好是語音芯片興起最集中的一年。
其實(shí)早在2013年7月國內(nèi)首顆專用語音芯片就誕生了，它由四川長虹和中科院聲學(xué)所付強(qiáng)（現(xiàn)為先聲互聯(lián)創(chuàng)始人）團(tuán)隊(duì)共同研發(fā)。新研發(fā)出的長虹語音芯片的優(yōu)勢是在語音識(shí)別的基礎(chǔ)上，融合了多方面的語音增強(qiáng)功能，包括語音降噪、回聲消除、波束形成等，支持低功耗喚醒，能夠?qū)崿F(xiàn)遠(yuǎn)場語音采集。可能因?yàn)樗拇ㄩL虹的一些原因，這款芯片在研發(fā)出后并沒有投入生產(chǎn)，之后就不了了之。
2015年以后語音芯片就開始陸續(xù)興起，包括聯(lián)發(fā)科MT8516、科勝訊CX20924、晶晨半導(dǎo)體A113、瑞芯微RK3036、北京君正X1000等公司，如聯(lián)發(fā)科推出了MT8516應(yīng)用在了阿里天貓精靈上，晶晨A113應(yīng)用在了小米AI音箱上。
▲阿里天貓精靈主控板上使用的聯(lián)發(fā)科MT8516芯片