隨著智能音箱的火熱以及背后語音交互生態(tài)的成熟，將會帶動越來越多的設(shè)備語音化、智能化，使語音真正成為人機交互的一個界面。而在語音交互設(shè)備中，語音芯片憑借定制化、低功耗、高能效、智能化以及成本優(yōu)勢等地位越發(fā)重要，成為人與云端“溝通”的橋梁。

自從谷歌在今年5月初的I/O開發(fā)者大會上秀了一回語音助手Google Assistant，智能語音便再次成為熱議話題，與此同時，國內(nèi)的智能語音市場亦趁著這陣風(fēng)迅速升溫。

5月16日，云知聲在北京發(fā)布了首款面向物聯(lián)網(wǎng)領(lǐng)域的AI系列芯片UniOne以及第一代芯片“雨燕”；5月24日，出門問問在北京發(fā)布了旗下首款A(yù)I語音芯片模組問芯Mobvoi A1；6月26日，Rokid在杭州發(fā)布了旗下AI語音專用SoC芯片KAMINO18；同一天，思必馳宣布完成D輪5億融資，由元禾控股、中國民生投資集團領(lǐng)投，深創(chuàng)投、富士康、聯(lián)發(fā)科跟投。

如今伴隨大眾的廣泛認可和資本的涌入，似乎AI語音專用芯片的戰(zhàn)斗已然打響。

智能語音芯片戰(zhàn)爭背后的考量

隨著AI技術(shù)在終端的落地，終端芯片也成為賦予設(shè)備AI能力、提升用戶體驗的重要關(guān)鍵點。云知聲CEO黃偉曾表示，智能終端的破局點在于“芯”。他認為對于AI技術(shù)來說，場景的選擇最為重要，由AI芯片和場景就能形成一個完善的產(chǎn)業(yè)閉環(huán)，首先AI技術(shù)的落地需要找到具體場景，其次應(yīng)用場景也將定義AI芯片，而芯片反過來也將加速應(yīng)用的落地。

從目前智能語音交互行業(yè)整體格局來看，在實現(xiàn)商業(yè)化方面，可以往上下游延伸以創(chuàng)造價值。比如：上游把語音和搜索引擎結(jié)合起來，為垂直行業(yè)提供內(nèi)容和服務(wù)；下游則可把語音和硬件產(chǎn)品相結(jié)合。

AI開始“潤物細無聲”，融入各個場景。智能音箱之外，在家庭場景、辦公場景中更多的硬件設(shè)備也開始語音化、智能化，通過深耕垂直領(lǐng)域和細分賽道，這更加帶動了AI專用語音芯片的爆發(fā)。

智能語音芯片的優(yōu)勢

在智能語音設(shè)備的市場早期階段，由于芯片研發(fā)漫長的周期（一般需要18~24個月），高昂的研發(fā)投入，因此在市場規(guī)模尚不大的情況下，市場并沒有專門的語音芯片應(yīng)用到智能語音設(shè)備中。

隨著智能語音設(shè)備銷量不斷增長，2015年以后語音芯片就開始陸續(xù)興起，包括聯(lián)發(fā)科MT8516、科勝訊CX20924、晶晨半導(dǎo)體A113、瑞芯微RK3036、北京君正X1000等公司，如聯(lián)發(fā)科推出了MT8516應(yīng)用在了阿里天貓精靈上，晶晨A113應(yīng)用在了小米AI音箱。

而以本次Rokid發(fā)布的AI語音專用SoC芯片KAMINO18為例，據(jù)官方稱，KAMINO18的成本相較于市場主流通用芯片降低了30%以上，兼顧了芯片性能和商用性。將ARM、NPU、DSP、DDR、DAC等多個核心部件集成于KAMINO18中，最終產(chǎn)出與1元硬幣大小相當(dāng)?shù)男酒＝M。

同時，KAMINO18支持智能音箱和兒童故事機兩大產(chǎn)品領(lǐng)域，結(jié)合Rokid全新的相控陣技術(shù)、CTC模型、自定義喚醒詞、離線語音指令、低功耗喚醒等算法，搭載KAMINO18的產(chǎn)品整體功耗可降低30%至50%。

整體來說，這些語音芯片都是面向智能音箱以及智能家居場景打造的專用芯片，支持多通道麥克風(fēng)陣列接口，采用適合做語音處理的CPU；在語音算法上支持回聲消除、噪聲抑制、聲源定位、語音增強等技術(shù)，并兼具運算能力和低功耗的考量。

爆發(fā)之態(tài) 智能語音的“未來三步”

為什么2018年會成為智能語音芯片的爆發(fā)期？這和智能音箱近兩年的爆發(fā)不無關(guān)系。市場分析公司Canalys預(yù)測，2018年全球智能音箱出貨量將超過5600萬臺。思必馳CMO龍夢竹亦指出，隨著智能音箱的爆發(fā)，消費者對新型交互方式和新型智能硬件的認可、客戶對相關(guān)技術(shù)的認可都有一個很大的提升。

而除終端硬件的銷量增長之外，與場景的深度融合才是未來真正的考驗。聯(lián)發(fā)科副總經(jīng)理暨家庭娛樂產(chǎn)品事業(yè)群總經(jīng)理游人杰曾對智能語音的發(fā)展提出一個三階段論的觀點：他認為智能語音的第一階段是智能音箱的普及；第二階段是更多智能語音設(shè)備的出現(xiàn)，語音成為人機交互的界面；第三階段就是端側(cè)智能，通過語音AI芯片來實現(xiàn)更多本地計算，提供用戶更好的交互體驗。

不難看出，目前還處于第一階段，需要推動智能音箱的普及以及更多智能設(shè)備的出現(xiàn)，從而推動語音交互界面的到來。只有當(dāng)語音成為一種交互界面，才意味著整個智能語音市場的爆發(fā)，才會有更多的巨頭芯片廠商以及中小芯片商涌入其中，甚至誕生下一個芯片巨頭。