Menos orelhas embutidas, mais dispositivos controlados por voz

Aquelas pessoas espertas do XMOS acabaram de nos trazer um passo mais perto de incorporar “ouvidos” para controle de voz em quase todos os dispositivos com os quais interagimos.

Como um lembrete, a XMOS é uma empresa de semicondutores sem fábrica que desenvolve soluções de voz, produtos de áudio e microcontroladores multicore capazes de executar simultaneamente tarefas em tempo real, processamento de sinal digital extremo (DSP) e fluxo de controle. Os microcontroladores XMOS são diferenciados por seu comportamento determinístico (previsível).

Vamos começar com a tecnologia de microcontrolador multicore subjacente xCORE, que compreende vários "blocos de processador" conectados por um switch de alta velocidade. Cada bloco de processador é um processador RISC convencional que pode executar até oito tarefas simultaneamente. As tarefas podem se comunicar entre si por meio de canais (que podem se conectar a tarefas no bloco local ou a tarefas em blocos remotos) ou usando a memória (para tarefas em execução no mesmo bloco apenas).

A arquitetura xCORE oferece, em hardware, muitos dos elementos que geralmente são vistos em um sistema operacional em tempo real (RTOS). Isso inclui o agendador de tarefas, temporizadores, operações de E / S e comunicação de canal. Ao eliminar fontes de incerteza de tempo (interrupções, caches, barramentos e outros recursos compartilhados), os dispositivos xCORE podem fornecer desempenho determinístico e previsível para muitos aplicativos. Normalmente, uma tarefa pode responder em nanossegundos a eventos como E / S externa ou temporizadores. Isso torna possível programar dispositivos xCORE para realizar tarefas difíceis em tempo real que, de outra forma, exigiriam hardware dedicado.

Em 2017, a XMOS adquiriu a Setem Technologies. Como escrevi em minha coluna “XMOS + Setem pode ser uma virada de jogo para a fala incorporada”:“Os chaps e capesses da Setem são os pioneiros da tecnologia de separação de sinal de fonte cega avançada. Seus algoritmos patenteados permitem que os dispositivos do consumidor se concentrem em uma voz ou conversa específica em um ambiente de áudio lotado para obter entrada otimizada em sistemas de reconhecimento de voz. ”

Tenho dois dispositivos Amazon Echo / Dot em casa e um no escritório (perguntei à minha esposa, Gina the Gorgeous, por que ela estava sussurrando. “Ouvi dizer que o pessoal da Amazon pode estar nos ouvindo”, disse ela. Eu ri , Gina riu, Alexa riu…). Acho que esses dispositivos são fantásticos, mas eles exigem um conjunto de sete microfones, o que aumenta o custo e a pegada física da solução geral.

Ter vários microfones permite que o sistema detecte e remova melhor o ruído, execute coisas como cancelamento de eco e determine a localização de fontes de som, como uma pessoa falando. Claro, quando você pensa sobre isso, nós conseguimos fazer tudo isso com apenas duas orelhas (eu não sei sobre você, mas eu não acho que tenho espaço suficiente na minha cabeça para acomodar sete orelhas sem pelo menos um deles atrapalhando).

Não surpreendentemente, o pessoal da XMOS também percebeu isso, e é por isso que eles acabaram de apresentar seu novo processador de voz XVF3510 de última geração, que pode extrair uma voz individual de um cenário de áudio lotado usando apenas dois microfones.


XVF3510 montado em um PCB (Fonte:XMOS)


Os algoritmos em execução no XVF3510 incluem cancelamento de interferência (que anula fontes de ruído para cancelar ruído de fundo indesejado), cancelamento de eco acústico estéreo (que suprime eco de alto-falante indesejado e permite a interrupção) e estimativa de atraso adaptável (que ajusta dinamicamente a referência de áudio latência do sinal, garantindo assim que os algoritmos de cancelamento de eco entreguem uma experiência suave e em tempo real).