Controle de Voz com Dois Microfones: XMOS Revela XVF3510 para Reduzir Footprint do Dispositivo

A XMOS, uma empresa líder de semicondutores fabless, deu um passo decisivo rumo a embutir controle de voz em dispositivos do dia a dia. Seu novo processador de voz XVF3510 demonstra como apenas dois microfones podem entregar reconhecimento de fala robusto em tempo real, reduzindo drasticamente custo e tamanho.

Para contexto, a XMOS se especializa em soluções de voz, produtos de áudio e microcontroladores multicore que executam tarefas em tempo real, realizam processamento intensivo de sinal digital (DSP) e mantêm comportamento determinístico. Sua arquitetura xCORE conecta múltiplos tiles de processador RISC via um switch de alta velocidade, permitindo que cada tile execute até oito tarefas concorrentemente. Tarefas se comunicam através de canais — sejam locais ou remotos — e, quando necessário, através de memória compartilhada.

O design xCORE embute recursos centrais de sistema operacional de tempo real — escalonamento de tarefas, timers, I/O e comunicação de canais — diretamente em hardware. Removendo incertezas de tempo como interrupções, caches e barramentos compartilhados, dispositivos xCORE podem responder a eventos externos em nanossegundos, habilitando aplicações hard real-time sem hardware dedicado.

Em 2017, a XMOS adquiriu a Setem Technologies, pioneiros em separação de fonte cega avançada. Os algoritmos patenteados da Setem capacitam dispositivos de consumo a isolar uma única voz em meio a ruído de fundo, aprimorando a precisão de reconhecimento de fala.

Assistentes de voz típicos, como Echo e Echo Dot da Amazon, dependem de arrays de sete microfones para filtrar ruído, cancelar eco e localizar o falante. Embora eficaz, esta abordagem levanta preocupações de custo e espaço. O XVF3510 da XMOS aborda esses desafios entregando desempenho comparável com apenas dois microfones.

XVF3510 montado em PCB (Fonte: XMOS)

O firmware do XVF3510 incorpora cancelamento avançado de interferência para anular sons de fundo indesejados, cancelamento de eco acústico estéreo para eliminar eco do falante e permitir barge-in, e estimativa adaptativa de atraso para ajustar dinamicamente a latência do sinal de referência. Juntos, esses recursos entregam uma experiência de áudio suave em tempo real.