Slimmere spraak-dataverwerking levert langere batterijlevensduur voor always-on apparaten

Always-on apparaten – van slimme speakers tot wearables – hebben het alledaagse leven getransformeerd, maar hun batterij-eisen blijven een dringende uitdaging.

Hoewel spraakassistenten voelen als een vaste onderdeel van modern leven, lanceerde Amazon pas in late 2014 zijn eerste slimme speaker, de Echo. Vandaag zijn honderden miljoenen voice-first apparaten, van home-hubs tot oordopjes, permanent aan het luisteren naar een wakewoord. SAR Insight & Consulting projecteert dat de geïnstalleerde basis van always-on, voice-enabled apparaten bij 2023 benadering zal maken tot bijna een miljard eenheden.

In het hart van deze systemen zitten ultra-miniatuur MEMS-microfoons die omgevingsgeluid vastleggen. Initieel leek cloud-gebaseerde analyse ideaal, maar het schiere volume aan data gegenereerd door IoT-apparaten – 41,6 miljard apparaten geprojecteerd om 79,4 zettabytes data te produceren in 2025 (International Data Corp.) – heeft netwerkbandbreedte overweldigd en apparatenbatterijen leeggehaald. Deze bottleneck heeft de shift naar edge-computing versneld, wat geavanceerde verwerking dichter bij de sensor brengt.

Edge Computing Ontmoet TinyML

Moderne edge-oplossingen benutten low-power digitale signal-processors en microcontrollers uitgerust met ingebouwde neurale-netwerk-kernen – TinyML-chips. Deze chips kunnen complexe wakewoord-detectie lokaal uitvoeren, wat afhankelijkheid van cloud-bronnen vermindert. Echter, ze erven nog steeds de legacy-architectuur die elke analoog-audio-sample dwingt om direct omgezet te worden naar digitaal, zelfs als geen stem aanwezig is. Gevolgd verspillen OEM's 80-90% van batterijlevensduur op het verwerken van irrelevante data, wat consumenten dwingt te kiezen tussen wand-aangedreven, niet-draagbare assistenten en batterij-beperkte, draagbare.

De Kracht van Analog-First Verwerking

Om deze inefficiëntie te overwinnen, keren ontwerpers zich toe aan een paradigma geïspireerd op het menselijke zintuigstelsel: verwerk ruwe analoge signalen eerst, en roep digitale engines enkel op wanneer nodig. Analog circuitry uitblinkt in low-power, realtime feature-extractie – bijvoorbeeld detecteren of een geluid stem bevat – vóór enige digitale conversie plaatsvindt. Deze strategie houdt hoge-vermogen digitale processors in diepe slaap tot een echt wakewoord gedetecteerd wordt, wat batterijlevensduur dramatisch verlengt.

Het adopteren van een analog-first, bio-geïspireerde architectuur vereist niet dat elke chip een hersen nabootst. In plaats daarvan herbeeldt het de systeemhiërarchie: een analoge front-end fungeert als verkeersmanager, filtert ruis en stuurt alleen relevante data door naar de TinyML-kern.

Bio-geïspireerde edge-verwerking focust digitaal vermogen op de meest relevante sensorische data. (Afbeelding: Aspinity)

Consument-gerichte Voordelen

Door dataconversie te minimaliseren en analoge pre-processing te benutten, kunnen fabrikanten spraakassistenten leveren die maanden draaien op een enkele batterijset, wat de noodzaak voor constant wandstroom elimineert. Het resultaat is een flexibeler, gebruiksvriendelijker ervaring – stel je een voice-geactiveerde TV-afstandsbediening voor die een jaar op één lading werkt.

Referentie

¹ International Data Corp. Worldwide Global DataSphere IoT Device and Data Forecast, 2019–2023. Juni 2019

>> Dit artikel werd oorspronkelijk gepubliceerd op onze zuster-site, EE Times Europe.