智能电视的神来一笔：在遥控器上添加语音功能！

在物联网（Internetof Things，IoT）时代，可连接设备变得越来越智能。我们拥有智能手机、智能家居、智能汽车、智能电器，甚至智能电视。但是，无法回避的现实问题是：既然电视如此智能，那为何遥控器却如此平庸无奇？

大家都有使用遥控器遥控智能电视的经验，仅仅是想观看自己喜欢的节目也许就已经觉得很繁琐了。甚至设置互联网连接都更令人气馁。你可能还忘不了在浏览器中输入URL之难。有些电视允许用户使用键盘、甚至允许使用智能手机，但这些连接方法没有一种是简单方便的。

为了提高终端用户的体验，一些电视厂商正在遥控器上实现更先进的特性，比如添加语音识别能力。带有语音功能的遥控器，互动变得更加便捷和快速，因为用户只需简单地激活遥控器并说出命令，而该命令能够完全位于电视的菜单结构之外。例如，在观看节目时，用户可以按下遥控器上的激活按钮，并且说：“录制《生活大爆炸》”，就是如此简单即可操控电视机完成工作。而在旧有模式中，用户要实现这个简单的任务需要经过费时又费力的过程。

前不久，SiliconLabs推出了语音使能的ZigBee遥控器解决方案，该完整参考设计解决方案通过在单芯片无线SoC中实现高质量的软件音频编解码器，显著降低了语音使能遥控器通常所需的高成本外部硬件，并简化了整个设计过程。针对如何为遥控器添加语音功能，SILICON LABS公司的物联网MCU和无线产品经理Matt Maupin特地撰写了一篇技术文章——“智能电视的神来一笔：在遥控器上添加语音功能”。该文介绍了遥控器语音识别的优势和运行方式，为遥控器添加语音功能的必要性，以及语音遥控器的技术和成本因素，并通过语音遥控器的实例介绍了其实现方式。

图1：智能遥控器示意图

遥控器历史及什么使得它们更加“智能”

第一个无线电视遥控器可以追溯到20世纪50年代的超声波ZenithSpace Command。20世纪80年代，这些基于RF的遥控器逐步被红外技术所取代，并且直到现在，我们使用的基于红外线的遥控器与之前相比也几乎没有什么改变。

为了提高终端用户的体验，一些电视厂商正在遥控器上实现更先进的特性，例如双向RF通信、非视线限制和QWERTY键盘接口。然而，制造商还未能提高遥控器的特性以匹配电视性能。

遥控器语音识别的优势
在电视遥控器中添加语音识别能力，能够使终端用户获得更好的用户体验。没有语音识别时，大多数当前的遥控器在按键方面的表现无法令人满意，例如传输延迟问题，在拼写方面也是缺少进步，且用起来令人不便。

带有语音功能的遥控器，互动变得更加快速，因为用户只需简单的激活遥控器并说出命令，该命令能够完全位于电视的菜单结构之外。

例如，在观看节目时，用户可以按下遥控器上的激活按钮，并且说：“录制《生活大爆炸》”，就是如此简单。而在旧有模式中，用户要实现这个简单的任务需要经过费时又费力的过程。

语音识别如何运行

如何在手持设备上实现语音识别？它并不像我们想象的那样简单。执行语音识别所需要的处理能力和数据远超出了大多数遥控器、电视甚至智能手机的能力。事实上，当今智能手机上的语音识别是通过云计算完成的。

还记得过去的语音标签吗？就是指录制语音命令并链接到一个任务（例如拨打联系人列表中的号码）时。从理论上讲，你可以说“拨打Ken的电话”，如果运气好，手机会“拨打Ken的电话”，不过，多数情况下，它会告诉你“正在拨打Ben的电话”。

近年来语音识别已取得很大进步，语音识别的领先者包括Nuance、Microsoft、Google、Amazon和其他许多公司。当我们使用Siri、Google、Alexa进行语音控制时，这些应用首先数字化我们的声音，然后发送到互联网上的某个处理中心，最后返回一个响应。图2说明了这种交换的复杂性：

图2：从用户语音到云再到用户响应的全过程

通过永远在线的特性，从Google网页或者AndroidOS手机上简单地说“OKGoogle”就能够触发搜索，在搜索中，你的语音命令被数字化、云处理，然后转换成用于搜索命令的文本。在电视市场中实现语音命令的关键因素是：智能电视已经连接到互联网，并且能够充分利用这一重要的基础设备。

遥控器语音的需求

既然智能电视已经有了互联网连接，大家可能会问“为什么还需要遥控器呢？难道不可以直接对电视说话来控制电视吗？它现在已经连接到互联网了啊！”。答案是“可以”，但是这种解决方案带来几个问题。

首先，对于不通过遥控器而直接识别语音的电视来说，它需要持续的监听。当前一些电视能够这样做，事实上也是这样做的；然而，这个功能的意想不到的后果是来自于可能泄露隐私的负面压力。

当电视为获得命令而不断的监听和解码用户会话时，它就必须不断的发送这些谈话到互联网。终端用户一般不会注意到这个问题，如果他们注意到了，他们很可能会关闭这个功能，禁用语音控制。

其次，是有关设备能力的问题。设备是否能够从周围噪声中挑选出命令声音，或者从电视音频或者背景会话中区分出语音命令。

通过使用遥控器去启动和流化语音命令，用户可以大大减少对这些问题的担忧，因为用户是主动和有意识地与电视机遥控器进行交互，并且用户手持遥控器，这样设计是为了近距离接收声音，而不是接收整个房间的声音。

技术和成本
既然好处多多，那为什么语音遥控器没有普及呢？答案涉及三个方面：基础设备、技术和成本。

基础设备：即使家中的硬件支持语音识别，支持它的后台基础设施也必须到位。这意味着电视供应商必须开发语音识别引擎或者从第三方获得付费服务。好消息是，这种方法正变得更加主流，这是由于运营商正在试图差异化以及改善用户体验。

技术：众所周知，在把语音识别正确地转换为文本命令的过程中有许多困难，但这些困难和挑战正在通过云计算而快速得到解决。其他问题是，哪种无线技术能够把语音数据从遥控器传输到电视或者可用的互联网连接上，并且不会降低电池的使用寿命。

典型的语音识别系统需要具有16kSps采样率的16位分辨率的ADC，这产生256 kbps的数据传输率。这意味着除非无线技术拥有至少256 kbps的吞吐量，否则一些压缩是必需的。通过压缩满足吞吐量的要求，采用像ZigBee Remote Control这样的无线技术能够提供足够的数据传输率和卓越的电池使用寿命。

成本：归根结底是成本：基础设施成本、电视成本和遥控器本身的成本。

关于遥控器成本的更多信息

添加语音功能到遥控器能够轻易地使标准RF遥控器的物料清单（BOM）成本翻倍。支持语音的遥控器必须支持RF，添加麦克风和编解码器，并且包括相关的支持电路。下面的框图对比了IR、RF和RF+语音的架构。每一个遥控器还是要保留IR连接能力，以便支持仍然使用IR的传统设备。

图3显示了使用极低成本MCU或ASIC实现IR控制的典型的IR遥控器设计。在一些情况下，该设计将添加额外的非易失性存储器用于包含支持不同设备（例如电视和DVD播放器）所需的IR数据库编码。（试想“万能遥控器”）

图3：IR遥控器系统的示例

在图3中，IR示例中的微控制器（MCU）被RF片上系统（SoC）器件所代替，并且添加了天线。虽然RF SoC通常比IR MCU昂贵，但是增加的额外成本能够抵消，因为事实上不需要存储较大的IR数据库，因此可以省去非易失性存储器的成本。RF遥控器能够从电视或有线电视/卫星电视机顶盒，通过双向RF链路下载所需的IR控制编码。当设备被配置时这种编码可能还不被支持时，这种双向RF链路也支持用于更新设备的最新IR编码。

图4：RF遥控器系统示例

在图4中，通过嵌入硬件编解码器和麦克风，我们能够把语音能力添加到RF遥控器。这些器件显著增加了BOM成本。然而，随着当前无线SoC芯片处理能力的提高，我们可以找到硬件编解码器的替代方案。例如，许多ZigBeeSoC包含ARM Cortex-M处理器，有足够的处理能力来满足RF遥控器的需求，而且同时也能够作为音频编码/解码的软件编解码器。

图5：语音操作遥控器系统示例

语音使能的遥控器示例
让我们来看一个全功能的遥控器参考设计（如图6所示），它支持IR、RF和语音能力。

图6：ZigBee遥控器参考设计

对于语音音频，我们需要支持256 kbps的吞吐量。ZigBee具有256 kbps的数据传输速率，但是在点对点连接上实际吞吐量通常为100 kbps或更少。这意味着我们在发送语音到云端之前需要4:1的压缩。

参考设计示例支持软件编解码器，可以显著节省成本而没有缩减功能。软件编解码器基于直连数字脉冲密度调制（PDM）麦克风到这个SoC的SPI和GPIO引脚，如图7所示。

图7：连接PDM麦克风到Silicon Labs的EM341 ZigBeeSoC

SoC中的Cortex-M3内核控制PDM以完成脉冲编码调制（PCM）滤波/抽取、均衡和压缩过程。图7显示了从PDM输出到ZigBee发射的整个过程。

图8：从PDM到ZigBee包发送的过程概述

通过使用软件编解码功能，不仅性能满足了语音到文本引擎的需求，而且极大地降低了成本。表1显示了预估的BOM节省成果。

 
表1：硬件/软件编解码器比较

总结
手持电视遥控器中的语音控制显著提升了用户体验。添加语音控制的过程是具有挑战性的，但近些年来随着语音识别技术的进步已经变得更加容易。此外，使用于遥控器中的嵌入式无线SoC增加的集成度和性能也能够支持诸如软件编解码器等创新功能，这减少了BOM成本和制造复杂度，并且不会降低性能。