我們日常生活中會接觸到很多便攜式音頻設備，包括藍牙音箱、TWS耳機、智能手表等等，隨著AI技術的發(fā)展，越來越多的便攜式音頻設備中也開始加入相關的功能，包括AI降噪、語音喚醒、關鍵詞識別、聲紋識別等等，這些功能一般都是在本地實現(xiàn)。由于AI算法的復雜度高，計算量相較于傳統(tǒng)方法大得多，這就給相關企業(yè)和研發(fā)人員帶來不小的壓力。

一、算法預研

通過軟件工具實現(xiàn)算法，傳統(tǒng)方法一般用MATLAB比較方便，不過MATLAB比較貴，一般企業(yè)不會買或者買幾個共享號，用起來比較麻煩，如果只寫腳本不用Simulink，可以用Octave（免費）進行替代。

AI算法一般用Python來實現(xiàn)，常用搭配為Pycharm+Anaconda，Pycharm用來寫腳本，Anaconda用來搭建環(huán)境。如果是在Linux系統(tǒng)上工作的話用Anaconda搭建環(huán)境，然后直接運行腳本就好了。

二、算法復現(xiàn)

對于企業(yè)來說，僅僅實現(xiàn)AI算法是沒用的，還要能夠落地，能在板子上跑起來。有一些比較好的芯片，像高通、英偉達之類的，這些芯片擁有神經網(wǎng)絡推理引擎，把模型加載進去就可以運行起來。但是音頻芯片一般都是低功耗MCU，這類芯片都沒有推理引擎，所以要用C語言復現(xiàn)算法過程，其中的難點毫無疑問就是神經網(wǎng)絡的計算過程。

三、算法優(yōu)化

一般神經網(wǎng)絡計算都是浮點計算，這在板子上跑會很慢，根本跑不起來，所以需要做定點化，而且芯片上的內存一般都很緊張，需要對神經網(wǎng)絡參數(shù)做量化處理。神經網(wǎng)絡的量化分為后量化和感知量化，感知量化是指訓練過程中進行量化，后量化是指訓練完成后對參數(shù)進行量化，最新版本的TensorFlow支持感知量化和后量化，不過我一般是在訓練完成后手動對參數(shù)進行量化。

除此之外，一些MCU平臺，比如ARM、HIFI等都有各自的內聯(lián)函數(shù)和匯編，主要是通過并行運算來實現(xiàn)速度上的優(yōu)化，我沒做過基于匯編的優(yōu)化，但是用過ARM和HIFI的內聯(lián)函數(shù)進行優(yōu)化。ARM主要有SIMD和NEON兩類指令集，其中SIMD可以做兩個和四個的并行計算，NEON能做更多的并行計算，但是NEON不是所有版本的ARM芯片都能用。HIFI平臺有多個版本，越新的版本優(yōu)化空間越大，像HIFI2可以做兩個和四個的并行計算，HIFI5可以做四個和八個的并行計算，優(yōu)化效果也更明顯。