Control de voz con dos micrófonos: XMOS presenta XVF3510 para reducir huella del dispositivo

XMOS, una destacada empresa fabless de semiconductores, ha dado un paso decisivo hacia integrar control de voz en dispositivos cotidianos. Su nuevo procesador de voz XVF3510 demuestra cómo solo dos micrófonos pueden ofrecer reconocimiento de voz robusto en tiempo real, reduciendo drásticamente coste y tamaño.

Como contexto, XMOS se especializa en soluciones de voz, productos de audio y microcontroladores multicore que ejecutan tareas en tiempo real, realizan procesamiento intensivo de señal digital (DSP) y mantienen comportamiento determinista. Su arquitectura xCORE conecta múltiples tiles de procesador RISC vía un switch de alta velocidad, permitiendo a cada tile ejecutar hasta ocho tareas concurrentes. Las tareas se comunican a través de canales —sean locales o remotos— y, cuando es necesario, mediante memoria compartida.

El diseño xCORE incorpora características core de sistema operativo en tiempo real —planificación de tareas, timers, I/O y comunicación por canales— directamente en hardware. Eliminando incertidumbres de temporización como interrupciones, caches y buses compartidos, los dispositivos xCORE pueden responder a eventos externos en nanosegundos, permitiendo aplicaciones hard real-time sin hardware dedicado.

En 2017, XMOS adquirió Setem Technologies, pioneros en separación de fuentes ciega avanzada. Los algoritmos patentados de Setem permiten a dispositivos de consumo aislar una sola voz entre ruido de fondo, mejorando la precisión de reconocimiento de voz.

Asistentes de voz típicos, como Echo y Echo Dot de Amazon, dependen de arrays de siete micrófonos para filtrar ruido, cancelar eco y localizar al hablante. Aunque efectivo, este enfoque plantea preocupaciones de coste y espacio. El XVF3510 de XMOS aborda estos desafíos entregando rendimiento comparable con solo dos micrófonos.

XVF3510 montado en PCB (Fuente: XMOS)

El firmware del XVF3510 incorpora cancelación avanzada de interferencias para anular sonidos de fondo no deseados, cancelación de eco acústico estéreo para eliminar eco del altavoz y permitir barge-in, y estimación adaptativa de retardo para ajustar dinámicamente la latencia de señal de referencia. Juntas, estas características entregan una experiencia de audio suave en tiempo real.