當(dāng)前，生成式大模型正以顛覆性姿態(tài)重塑人機(jī)交互的邊界，并逐漸向終端場景滲透。然而，云端大模型在落地終端場景時面臨兩大挑戰(zhàn)：1. 在真實(shí)噪聲場景下容易聽不清、誤識別，影響交互準(zhǔn)確性；2. 云端處理冗余數(shù)據(jù)及大規(guī)模計(jì)算任務(wù)帶來的響應(yīng)延遲。其根本原因在于缺乏一顆強(qiáng)計(jì)算性能的端側(cè)語音處理芯片。

近日，啟英泰倫聯(lián)合啟明云端正式推出WT01C202-AI-S1高性能離在線語音大模型方案。該方案基于啟英泰倫CI130X系列神經(jīng)網(wǎng)絡(luò)語音芯片，可實(shí)現(xiàn)語音識別、語音端點(diǎn)檢測、深度學(xué)習(xí)降噪、回聲消除、聲源定位、音頻壓縮、流媒體播放等功能，同時可對接豆包、文心一言、ChatGPT、Deepseek等大模型，充分發(fā)揮大模型在語義理解與內(nèi)容生成方面的優(yōu)勢。通過端-云協(xié)同設(shè)計(jì)，將簡單任務(wù)（如喚醒、降噪）在本地完成，復(fù)雜任務(wù)（如自然語言理解）交由云端處理，實(shí)現(xiàn)低延遲、高準(zhǔn)確率的交互體驗(yàn)。

具體優(yōu)勢如下：

01

支持基于DNN的本地語音喚醒及識別

針對設(shè)備的各項(xiàng)功能控制，無需按鍵，無需聯(lián)網(wǎng)，通過該方案可直接進(jìn)行本地離線語音喚醒和識別。數(shù)據(jù)無需上傳云端進(jìn)行分析和決策，大大提升了響應(yīng)速度。

02

支持基于DNN的端點(diǎn)檢測

采用先進(jìn)的端點(diǎn)檢測（VAD）技術(shù)，通過深度學(xué)習(xí)與硬件加速的融合設(shè)計(jì)，在穩(wěn)態(tài)噪聲和非穩(wěn)態(tài)噪聲環(huán)境下均能精準(zhǔn)識別人聲起始點(diǎn)和終點(diǎn)。僅在檢測到人聲時進(jìn)行喚醒，其余時間保持低功耗休眠狀態(tài)，避免了云端一直監(jiān)聽環(huán)境聲音，將全部音頻上傳云端分析帶來的高帶寬和流量消耗。其響應(yīng)速度達(dá)到毫秒級，作為云端大模型的“智能哨兵”，為后續(xù)的語音處理流程提供了高效、精準(zhǔn)的支持。

03

支持基于DNN的語音降噪

采用基于DNN的深度學(xué)習(xí)語音降噪技術(shù)，使得該方案具備更強(qiáng)的自適應(yīng)性和泛化能力，能夠在不同的噪音環(huán)境中保持優(yōu)異的降噪效果，為云端大模型提供了更干凈的語音，極大提升了云端大模型的語音識別準(zhǔn)確率。

04

支持基于DNN的回聲消除打斷

基于自適應(yīng)線性濾波聯(lián)合基于深度學(xué)習(xí)的非線性濾波的回聲消除方案可有效抑制回聲，且能做到實(shí)時打斷，讓用戶無需漫長等待即可繼續(xù)進(jìn)行語音指令輸入，保障了用戶體驗(yàn)的流暢性與即時性。

05

支持基于DNN的聲源定位

基于麥克風(fēng)陣列與波束成形算法，實(shí)現(xiàn)多場景下的指向性交互，提升人機(jī)交互的自然性和人性化。例如，在機(jī)器人或智能玩具中，設(shè)備可根據(jù)聲源方向轉(zhuǎn)頭或移動，不僅增強(qiáng)了產(chǎn)品的可玩性與趣味性，還為用戶帶來更具沉浸感的交互體驗(yàn)。

06

支持多語種

啟英泰倫自主開發(fā)多個小語種模型，支持漢語、英語、日語等多種語言輸入，能夠滿足不同地區(qū)、不同語言背景用戶的多樣化需求，為產(chǎn)品的國際化推廣奠定了堅(jiān)實(shí)基礎(chǔ)。

方案應(yīng)用架構(gòu)該方案支持國內(nèi)外各大大模型平臺，包括豆包、文心一言、ChatGPT、Deepseek等，為企業(yè)或開發(fā)者提供高效便捷的多模型選擇。通過此方案，用戶能夠輕松實(shí)現(xiàn)一站式開發(fā)，無需繁雜切換，即可在不同大模型間無縫過渡與調(diào)用。

WT01C202-AI-S1模組方案憑借其卓越的性能和豐富多樣的功能，具備極為廣泛的應(yīng)用前景，可應(yīng)用于家電、玩具、文創(chuàng)、機(jī)器人等眾多產(chǎn)品領(lǐng)域，幫助企業(yè)在國際市場上實(shí)現(xiàn)語音交互等各類智能語音方案應(yīng)用。