Convertendo Voz em Texto com Circuitos Eletrônicos
Reconhecimento de fala moderno é pesado em software, mas o pipeline hardware front-end é pura eletrônica. Aqui está a cadeia de sinal:
1. Front-End Acústico
- Microfone MEMS — saída tensão analógica (PDM ou I²S digital).
- Pré-amplificador + Filtro Anti-Aliasing — banda 20-20 kHz.
2. Conversão Analógico-Digital (ADC)
- ADC Sigma-Delta (ex.: 24-bit, 48/96/192 kHz).
- Saída stream PCM ou PDM para DSP/SoC.
3. Processador Sinal Digital (DSP) / NPU
- Blocos de Janela: 20-30 ms frames, 10 ms overlap.
- Windowing: Hamming/Hann.
- Extração Features: MFCC (Coeficientes Cepstrais Frequência Mel) — 13-40 coefs/frame. Ou Filter Banks, PLP, Espectrogramas (para NN end-to-end).
- VAD (Detecção Atividade Voz): Energia + fluxo spectral → gate frames.
4. Modelo Acústico (Rede Neural)
- Entrada: Vetores features (MFCC / log-mel).
- Arquitetura: TDNN, LSTM, Transformer, Conformer, QuartzNet.
- Saída: Posteriores Senone / Fonema / Grafema (probabilidades por passo temporal).
- Hardware: CPU (ARM Cortex-A), DSP (Hexagon, Cadence), NPU / Acelerador IA (Google Edge TPU, Apple Neural Engine, NVIDIA DLA).
5. Modelo Linguístico
- N-gram (WFST) ou LM Neural (Transformer decoder).
- Restringe saída acústica a palavras/sequências válidas.
- Pode ser on-device (pequeno) ou cloud (grande).
6. Decoder (Busca)
- Viterbi / Beam Search sobre grafo HMM / WFST.
- Produz sequência palavras best-path + scores confiança.
7. Pós-Processamento
- Normalização inversa texto (números, datas, pontuação).
- Diarização falante, filtro profanidade, boost vocabulário custom.
Chips Integrados (Exemplos)
| Chip | Interface Mic | Núcleo IA | Caso Uso |
|---|
| Knowles IA61x | PDM | DSP + NN minúsculo | Sempre-ligado keyword spot |
| Synaptics SYN43711 | I²S/PDM | NPU 1 TOPS | Smart speaker, controle TV |
| Google Edge TPU | — | 4 TOPS INT8 | Coral dev board, ASR on-device |
| Apple Neural Engine | — | >15 TOPS | iPhone Siri, ditado |
Resumo
Circuitos eletrônicos lidam com aquisição → ADC → extração features. O trabalho pesado (modelos acústico + linguístico + decoding) roda em processadores programáveis / NPUs — não lógica fixa. "Circuito" moderno = SoC + firmware + pesos modelo.
