音声インターフェースがインタラクションを民主化：トレンド、技術、市場成長

音声制御は、タイピングとポインティングを不要にする人間-機械インタラクションの画期的なブレークスルーと称されることが多いです。初期の取り組みはスマートスピーカーが音声コマンドの真の可能性を示すまで停滞していました。今日、認識精度、機能セット、アプリケーションの幅における急速な進歩により、音声インターフェースはスマートフォン、ヘッドセット、ヒアラブル、スマートホームデバイスへ広がっています。支配的なソリューションは依然として少数の主要プラットフォームプロバイダーに依存していますが、状況は変化しています。音声アクティベーションはデバイス全体に組み込まれるようになり、カスタマイズ、優れた耐ノイズ性、低消費電力、拡張範囲、業界リーダーと同等のパフォーマンスを提供しています。

FutureSourceによると、コンシューマーオーディオ市場は2008年から2012年にかけて、オーディオ体験が主にスマートフォンに移行したため縮小しました。2012年から2014年は成長が停滞しましたが、2015年から2018年にかけては音声アクティベーションによって主導され、15%のCAGRで回復しました。Yole Développementの予測では、2023年まで最低30%のCAGRが見込まれ、主に音声認識によって推進されます。この拡大の大部分はスマートフォンに集中し、次いでヘッドセット、ヒアラブル、パーソナルアシスタント、テレビやキッチン家電などのスマートホーム家電が続きます。レポートはまた、消費者がこのインタラクションモードに慣れるにつれて、音声制御がますます浸透する新しいスマートオーディオの時代を強調しています。

すべての導入において、目的は差別化です。スマートフォンのような電池駆動デバイスは、常時リスニングを可能にし、手動トリガーの必要性を排除することで明確な利点を得ます。これを達成するには、スタンバイ消費電力を最小限に抑えるためにハードウェアとソフトウェアを緊密に結合した超低消費電力トリガーワード検出が必要です。ブランドに合わせてカスタマイズ可能で複数言語に対応したトリガーワードは、地域浸透とグローバルリーチを向上させます。一部のシステムは後続のコマンドを主流の音声認識サービスに転送しますが、必要な語彙が限られている場合は完全にデバイス内エンジンに依存することもできます。

第二の重要な要件は、音響的に困難な環境での堅牢な認識—そして多くの場合認証—です。音声認識は物体認識とは異なる独自のハードルに直面します。リビングルームや車内などの環境には、会話、テレビ、音楽、ラジオ、環境ノイズ、表面からの反射など、多数の同時音源が存在します。コマンドを効果的に分離し、エコーを抑制し、バックグラウンドノイズを減衰させるには、複数マイク、ビームフォーミング、エコーキャンセレーション、ノイズ抑制を活用した高度なソリューションが必要です。

これらの課題は、CEVAのような既存ソリューションで対応されています。新しく発表されたCEVA WhisPro™フレーズ認識エンジンは、CEVA DSP上のニューラルネットワークソフトウェアによって駆動され、すでに「Alexa」と「OK Google」をトリガーフレーズとしてサポートし、任意のカスタムトリガーに対応できるよう再トレーニング可能です。多言語対応、複数トリガーの同時サポート、多様なノイズ環境でのトレーニング済み。その結果、WhisProはクラウド検証なしで95%以上の認識精度と時間あたり1回未満の誤受け率を達成します。

CEVA ClearVox™専用ボイスピックアップモジュールと組み合わせると、開発者はマルチマイクサポート、遠距離収音のためのビームフォーミング、高度なエコーキャンセレーションとノイズリダクションを獲得します。WhisPro + ClearVox™の統合により、騒音環境下でも最大7メートルの距離で競争力のあるトリガー認識を実現します。

Youval Nachum氏はCEVAのオーディオおよびボイス製品ラインのシニアプロダクトマーケティングマネージャーを務めます。マーケティング、システムアーキテクチャ、ASIC、ソフトウェア領域で20年以上の学際的経験を持ち、大手テクノロジー企業で活躍。長期トレンドの予測と技術プログラムの成功への導入に情熱を注ぎます。市場要求、製品定義、業界標準、設計イノベーションを画期的な製品に融合することに高い熟練度を持ちます。Technion（イスラエル工科大学）で電気工学のB.Sc.とM.Sc.を取得。