一种基于语音交互应用的全时AI电视系统设计方案

以人为中心的身体、姿态、动作、表情、语音识别技术的自然人机交互已开始应用于智能电视[1]。声音可最自然和直接地访问信息和交换信息，语音信息输入、识别和实现，可以大大降低用户的通信成本，丰富人机交互[2]。语音识别技术是通过对语音信号特征的提取，使用不同的模式对其进行匹配，最终将语音信号转化成为文本内容或者命令的技术[3]。

语音交互作为最符合人机交互的方式之一，逐步成为电视等智能硬件的“标配”，并使语音搜索成为了主流的AI（artificial intelligence，AI）技术[4]。AI 语音技术在智能电视上应用，需要24 h 全时段支持交互功能，不管是开机状态还是待机状态，都要能够接收和处理语音、实现交互，为人们提供高品质和便捷的交互服务。

本文提出一种基于语音交互应用的全时AI 电视系统设计方案，阐述了系统工作原理及AI 语音交互、AI待机交互、线性阵列麦克风模块和防反射收音管道设计工艺关键技术；系统在开机和AI 待机状态时均可进行AI 语音交互、实现不间断全时语音交互，同时AI 待机时的交互功率低，采用线性阵列麦克风和防反射收音管道设计实现良好的收音效果，系统语音交互的准确性和识别率高。该方案已用于创维全时AI 电视产品，得到了良好应用。

1   系统原理

基于语音交互应用的全时AI 电视系统由全时和分时工作模块组成，框图如图1 所示。全时工作模块包括阵列麦克风、语音DSP、互联网功能、语音处理部分及电源管理模块；分时工作模块包括显示处理、视频处理、音频处理及其他电视处理模块。

图1 系统组成

全时AI 电视系统有三种状态：开机、AI 待机和深度待机。开机时，全时工作模块和分时工作模块处于工作状态，电视可以进行语音交互、音视频播放等；AI待机时，全时工作模块处于工作状态，而分时工作模块处于关闭状态，此时仅语音交互相关的模块处于工作状态，其他模块基本不消耗电能，在保持正常语音交互的情况下实现了低功耗；深度待机时，全时工作模块和分时工作模块都处于关闭状态，此时功耗极低，但无法进行语音交互。

全时AI 电视系统的待机流程如图2 所示。电视在开机状态时，可以进行AI 语音交互、音视频播放等，接收遥控器、按键、语音或手机等设备发出的待机指令，如果此时系统设置为AI 待机且网络连通，将先关闭分时工作模块，然后进入AI 待机状态；否则依次关闭分时和全时工作模块，然后进入深度待机状态。在AI 待机时，可以进行AI 语音交互、响应语音指令，打开分时工作模块的部分功能，进行语音响应播报声音；可以通过语音唤醒电视或传统遥控方式快速唤醒电视，使电视系统不需要重启而迅速进入开机状态；还可设定特定条件（如长时间未进行AI 语音交互时）自动切换至深度待机状态，以节省能耗。在深度待机时，不响应AI语音交互，且必须通过传统的遥控或按键开机指令使系统重启后进入开机状态。

图2 系统待机实现流程

2   关键技术

1）AI 语音交互技术

AI 语音交互技术原理框图由全时AI 电视系统、网络、服务器系统组成，如图3 所示。其中，全时AI 电视系统包括声音采集、声音提取及增强、人声识别与语音检测等模块；服务器系统包括语音识别、逻辑转换等模块。

图3 AI语音交互原理框图

全时AI 电视系统通过声音采集模块采集声音（包括环境噪声、人声、及电视喇叭声音等），进行降噪等预处理后得到声音信号，然后对声音信号进行回音消除、去混响、声音提取和增强等处理，以及进行人声识别及人声端点语音检测，获取人声语音信息，然后将语音编码、调制后通过网络传送给服务器系统；服务器系统接收语音后，进行语音识别和逻辑处理等，向全时AI 电视系统反馈语音代表的语义等信息；全时AI 电视系统接收到反馈信息后，进行解码处理并生成电视系统的执行指令，控制电视系统的模块工作，完成AI 语音交互。

2）AI 待机交互技术

由系统原理阐述可知，在AI 待机时分时工作模块进入关闭状态。而在AI 待机过程中，为满足良好人机交互需要、同时要兼顾低功率消耗，根据AI 交互不同的指令，在交互时需要合理启动分时工作模块的部分功能进入工作状态。AI 交互指令及处理功能工作状态如图4 所示。

图4 AI待机时指令及处理功能工作状态

AI 待机交互技术设计原理为：①当AI 语音为音频指令时，需合理开启音频处理功能；如语音输入“今天天气怎么样”，电视系统收到服务器系统的反馈信息并生成及执行指令，立即开启音频播放功能进行天气播报；如语音输入“播放音乐”，电视系统收到服务器系统的反馈信息并生成及执行指令，立即开启音乐播放器和音频播放功能播放音乐。②当AI 语音为视频指令时，需合理开启视频和显示处理及音频处理功能；如语音输入“播放中央一套”，电视系统收到服务器系统的反馈信息并生成及执行指令，立即开启视频播放功能和打开电视屏幕显示及开启音频播放功能，进行央视一套节目播放。③当接收到遥控或按键指令时，需合理开启显示或音频处理功能；如指令为待机，需要立即开启显示功能；如为音量加减，则仅开启音频处理的音量调节功能而不开启显示功能。在特定或设定场景下，如果未检测到AI 语音交互或遥控等指令，系统可以由AI 待机状态进入深度待机状态。

3）线性阵列麦克风模块及工艺

麦克风设计是影响全时AI 电视系统语音交互准确性和精度的重要因素之一，系统采用线性阵列麦克风模块及防反射收音管道设计工艺。

线性阵列麦克风示意图如图5 所示， 采用4 个指向MEMS 麦克风排列成线型，各麦克风之间间距D ≥ 3 cm、麦克风拾音孔深度和直径N≤ 4∶1，具有良好的拾音范围和语音定向增强，能够有效消除回音。

图5 线性阵列麦克风布示意图

防反射收音管道设计示意图如图6 所示，由导音管、密封圈、吸音膜及麦克风组成。防反射收音管道的导音管开孔大于麦克风收音孔20% 以上、保证收音范围较广；密封圈采用硅胶材质，与导音管下表面精密配合，为防止声音反射，采用吸音膜来吸收未进入麦克风收音孔的声音，吸音膜吸收音频频率范围大于人声的频率范围，即大于20 Hz ～ 20 kHz，确保每个频段的声音都能很好衰减；防反射收音管道能够有效防止声音反射问题，同时确保收音范围广，获取高质量音频。

图6 防反射收音管道设计示意图

3   系统应用

全时AI 电视系统设计方案已经在多个电视产品中应用，涵盖43 ～ 86 英寸（注：1 英寸=2.54 cm），包括创维电视Q40、Q51、S81、S9A 等产品系列。产品内置线性阵列麦克风，支持良好的全时AI 语音交互体验，市场销售规模超过百万台。

以65 英寸电视产品为例，AI 待机时功率约16 W，从AI 待机状态进入开机状态的时间约2 s，支持远距离语音交互：3 m 内唤醒率99%、识别率95%，8 m 唤醒率95%、识别率93%。

4   结束语

文章提出一种基于语音交互应用的全时AI 电视系统设计方案，阐述了系统工作原理及AI 语音交互、AI待机交互、线性阵列麦克风模块和防反射收音管道设计工艺关键技术；系统在开机和AI 待机状态时均可进行AI 语音交互，并实现不间断全时语音交互；同时AI 待机时的语音交互功率低，并采用线性阵列麦克风和防反射收音管道设计实现良好的收音效果，系统语音交互的准确性和识别率高。该方案已应用于创维全时AI 电视产品，效果良好，产生了良好经济社会效益。

参考文献：

[1]任飞.智能电视软件平台关键技术研究[D].成都:电子科技大学,2013.

[2]汪文弈.智能电视语音交互系统的研究与设计[D].成都:电子科技大学，2017.

[3]王景山.基于语音交互的电视节目点播系统[D].兰州:兰州大学,2016.

[4]章金水.AI客厅语音入口探索与实践[J].数字通信世界，2020,44(3):24-26.