Menos oídos integrados, más dispositivos controlados por voz

Esa gente inteligente de XMOS acaba de acercarnos un paso más a incorporar "oídos" para el control por voz en casi todos los dispositivos con los que interactuamos.

Como recordatorio, XMOS es una empresa de semiconductores sin fábrica que desarrolla soluciones de voz, productos de audio y microcontroladores multinúcleo capaces de ejecutar simultáneamente tareas en tiempo real, procesamiento de señales digitales extremas (DSP) y control de flujo. Los microcontroladores XMOS se distinguen por su comportamiento determinista (predecible).

Comencemos con la tecnología de microcontrolador multinúcleo xCORE subyacente, que comprende múltiples "mosaicos de procesador" conectados por un conmutador de alta velocidad. Cada mosaico de procesador es un procesador RISC convencional que puede ejecutar hasta ocho tareas al mismo tiempo. Las tareas pueden comunicarse entre sí a través de canales (que pueden conectarse a tareas en el mosaico local o a tareas en mosaicos remotos) o mediante el uso de memoria (para tareas que se ejecutan en el mismo mosaico únicamente).

La arquitectura xCORE ofrece, en hardware, muchos de los elementos que normalmente se ven en un sistema operativo en tiempo real (RTOS). Esto incluye el programador de tareas, los temporizadores, las operaciones de E / S y la comunicación del canal. Al eliminar las fuentes de incertidumbre de sincronización (interrupciones, cachés, buses y otros recursos compartidos), los dispositivos xCORE pueden proporcionar un rendimiento determinista y predecible para muchas aplicaciones. Una tarea normalmente puede responder en nanosegundos a eventos como E / S externas o temporizadores. Esto hace posible programar dispositivos xCORE para realizar tareas difíciles en tiempo real que de otro modo requerirían hardware dedicado.

En 2017, XMOS adquirió Setem Technologies. Como escribí en mi columna “XMOS + Setem podría cambiar las reglas del juego para el habla incrustada”:“Los capitanes y capitanes de Setem son los pioneros de la tecnología avanzada de separación de señales de fuente ciega. Sus algoritmos patentados permiten que los dispositivos de consumo se centren en una voz o conversación específica dentro de un entorno de audio abarrotado para lograr una entrada optimizada en los sistemas de reconocimiento de voz ”.

Tengo dos dispositivos Amazon Echo / Dot en casa y uno en mi oficina (le pregunté a mi esposa, Gina the Gorgeous, por qué susurraba. "Escuché que la gente de Amazon podría estar escuchándonos", dijo. Me reí , Rió Gina, rió Alexa…). Creo que estos dispositivos son increíbles, pero requieren una matriz de siete micrófonos, lo que aumenta tanto el costo como el espacio físico de la solución general.

Tener varios micrófonos permite que el sistema detecte y elimine mejor el ruido, realice cosas como la cancelación de eco y determine la ubicación de las fuentes de sonido, como una persona que habla. Por supuesto, cuando lo piensas, nos las arreglamos para hacer todas estas cosas con solo dos orejas (no sé tú, pero no creo que tenga suficiente espacio en mi cabeza para acomodar siete orejas sin al menos uno de ellos se interpone en el camino).

Como era de esperar, la gente de XMOS también se dio cuenta de esto, por lo que acaban de presentar su nuevo procesador de voz XVF3510 de próxima generación que puede extraer una voz individual de un panorama de audio abarrotado con solo dos micrófonos.

XVF3510 montado en una PCB (Fuente:XMOS)

Los algoritmos que se ejecutan en el XVF3510 incluyen cancelación de interferencia (que anula las fuentes de ruido puntuales para cancelar el ruido de fondo no deseado), cancelación de eco acústico estéreo (que suprime el eco del altavoz no deseado y permite la intrusión) y estimación de retardo adaptativo (que ajusta dinámicamente la referencia de audio). latencia de la señal, lo que garantiza que los algoritmos de cancelación de eco brinden una experiencia fluida y en tiempo real).