智能中控屏与语音盒语音模糊识别方案

信息摘要

唯创知音 WT2606A-64L-5W6 是一颗高集成度双无线音频 SoC，把 2.4G WiFi、蓝牙 V5.4 双模、双通道 24bit 音频 Codec、内置 DSP 浮点运算单元、3W 单声道 D 类功放与本地音频存储收进一颗芯片。落到智能中控和语音盒这类产品上，AEC 全双工边说边听、KWS 离线唤醒、离在线双模式语音识别与 WiFi 联网四件事都在这颗芯片里完成，端到端还能兼容海内外主流 AI 大模型。

行业背景

做过智能中控或者语音盒的工程师都清楚，这类产品最怕的不是功能少，是用户说了它没听懂。

放在客厅或者卧室里，用户离设备两三米远，中间隔着电视声、洗碗机声、空调风声，语音传到麦克风已经衰减了一大截。房间混响又把尾音拖糊，说话人带点口音、语速快一点，唤醒词就掉。这是第一个坎，模糊条件下的拾音与唤醒。

第二个坎在播报上。智能中控做完一件事要回一句，语音盒放完一段内容要接下一段，设备自己在那儿说话的时候，麦克风还在收音，自己放出来的声音被自己拾回去，要么把设备自己误唤醒，要么把回放音当成指令再执行一遍。传统做法是靠软件层做半双工，播报时把麦克风关掉，用户想插话就得等它说完，体验割裂。

第三个坎是断网。云端大模型能听懂模糊语义，可网一断，设备就成了哑巴，连开灯关灯这种本地指令都做不了。第四个坎是方言和口音，家里老人说话带乡音，标准识别模型掉字严重。

传统方案要同时接住这四件事，BOM 表一般是这样堆的，主控 MCU 加音频 Codec，降噪不够再外挂 DSP，联网要 WiFi 模组和蓝牙模组，播报要 D 类功放，配小屏还要单独的显示驱动。料号五六颗，联调时 I2S、SPI、UART 来回抓波形，开发周期和成本都被吃掉一截。

WT2606A-64L-5W6 想回答的正是这个问题，智能中控和语音盒这条链路，能不能一颗芯片走完，而且断网也能用。

AEC 全双工，边说边听

先说最影响体验的那一条。

该芯片把回声消除放在端侧完成，芯片单独引出了 AEC 回声消除参考输出引脚（P104/AEC0），回放的参考信号在片内直接取用。AEC 把回放路径的声学回声消掉之后，麦克风拾到的就只剩本地人声，设备可以一边用内置功放播报、一边拾音识别，也就是边说边听。

对智能中控来说，这一条改变的是交互节奏。用户不用等提示音播完再说话，随时可以打断重新下指令，设备不会被自己刚才放出来的声音误触发，也不会把回放音当成新指令重复执行。语音盒在连续播放内容时，用户一句插入的指令就能被单独摘出来，播放流和指令流互不打架。

再叠加该芯片支持的 Opus 与 Speex 流式编解码，在 WiFi 干扰或者弱网环境下，双向语音交互依然保持流畅、清晰、完整。这两个编码本就是为低带宽、无线干扰环境下的流式传输设计的，能明显降低传输时延和带宽占用，规避音频卡顿、断连、失真、丢包。

KWS 离线唤醒，没网也能叫醒

唤醒这一环，该芯片支持 KWS 离线唤醒，关键词识别跑在端侧，不依赖网络。

这一点对智能中控是刚需。家里的网断掉、路由器重启、用户还没配网，设备依然能被关键词叫醒，本地播报和本地控制照常工作。唤醒前芯片可以运行在低功耗状态，深度休眠电流小于 10μA，做电池供电的语音盒或者带电池的便携中控，待机时长不用拿功耗去换。

唤醒之后要做本地响应，该芯片的 DSP 里还带着离线语音合成能力，提示音和固定话术可以在片内生成，不必每次回一趟云端。响应速度更快，语音数据也不用离开设备。

离在线双模式，模糊语义走云端

关键词之外的部分，该芯片是离在线双模式语音识别的设计。

常用指令词在本地识别，速度快、隐私好，开灯、关灯、播放、暂停这一类固定话术不必上云。复杂语义和开放对话走云端，该芯片端到端兼容海内外主流 AI 大模型，接上就能跑。用户说一句拐了几个弯的话，本地模型接不住，交给云端大模型去理解，中控回过来的是一个准确的意图。

这就是标题里那个模糊识别真正落地的位置。模糊的部分，也就是口音、语速、断句、上下文里的省略和多义，交给云端大模型消化，确定的、高频的部分留在端侧用低时延解决。两条腿走路，比全部压给云端稳，也比全部压在本地聪明。

WiFi 联网，云端与本地两条路

云端交互要靠无线，这一环该芯片是双模设计。

WiFi 支持 IEEE 802.11b/g/n，1×1 天线、20MHz 通道，STA 与 SoftAP 两种模式之外还支持 SoftAP 加 STA 并发，发射功率最高 +19dBm，接收灵敏度 -99dBm。并发模式对中控产品很实用，设备一边连着家里的路由器跟云端交互，一边自己开热点供手机直连做配网和本地调试，一台设备两条路，不用在配网和联网之间来回切。

蓝牙这边符合 V5.4 规范，BR 或 EDR 与 BLE 齐备，支持 LE audio 的 BIS 或 CIS 功能，A2DP、AVRCP、HFP、SPP 等全套协议都在。落到产品上，常见做法是让 BLE 负责配网和状态推送，A2DP 负责把音频推到蓝牙音箱，WiFi 负责云端数据，三条通道各司其职。

播报与屏显，交互的另一半

智能中控交互做得好不好，还看它回话和显示的水平。

该芯片内置双通道 24bit DAC，信噪比达到 104dB，支持差分 Cap-less 输出，后面直接接 3W 单声道 D 类功放，免外接 LC 滤波器。5V 供电 4Ω 负载下输出 3W（THD+N=10%），放提示音、播报状态、放背景音乐都够用。

显示这块，该芯片的 SPI 或 QSPI 屏驱动带 2D 图形加速，支持裁剪、缩放和旋转，配一块小屏显示对话内容、设备状态和网络状态没有压力。按键交互用的是 AD 按键输入，一个引脚就能实现多个按键，中控面板上省下来的引脚可以留给传感器。两路 UART 随时对接外部主控，30 多个通用 GPIO 留给扩展。

★ 核心特性一览

· 端侧 AEC 回声消除，AEC 参考输出引脚 P104/AEC0 在片内取参考信号，边说边听不误触发

· KWS 离线唤醒，关键词识别跑在端侧，断网、未配网状态下依然能被叫醒

· 离在线双模式语音识别，端到端兼容海内外主流 AI 大模型，模糊语义交云端

· 深度休眠电流小于 10μA，电池供电的语音盒与便携中控待机不吃亏

· 双无线集成，WiFi IEEE 802.11b/g/n 支持 SoftAP 加 STA 并发，蓝牙 V5.4 双模同芯

· 双通道 24bit ADC，信噪比不低于 95dB，采样率 8kHz 到 48kHz

· 104dB DAC 加 3W D 类功放，免 LC 滤波器直驱喇叭

· SPI 或 QSPI 屏驱动带 2D 图形加速，AD 按键单引脚多键，30 多个 GPIO 可扩展

智能中控专项设计要点

供电，主电源 VDD42 范围 2.2V 到 4.2V，3.7V 锂电池可以直接供。如果用 5V 输入，务必先降压到 4.2V 以下再接芯片，这是最容易踩的坑。功放电源 VDD50 是独立电源域（3.0 到 5.5V），瞬时峰值电流可达 1.36A，供电余量要留够。芯片内部自带 LDO 输出 3.3V，可以给 Flash 和 TF 卡供电，IO 电平是 3.3V 域。

拾音前端，麦克风走差分输入（MIC1+/MIC1-），偏置电压由内置 MICLDO 直接输出，外部不需要额外的偏置电路。差分走线等长对称并包地，模拟地与数字地分区单点接地，别让功放的开关噪声窜进拾音前端。ADC 95dB 以上的信噪比指标要靠布线来兑现。

AEC 与结构，喇叭和麦克风的相对位置对回声消除效果影响很大，结构设计阶段就要把两者的间距、朝向和腔体隔离开。AEC 参考信号走片内，但外放音量拉满时腔体共振会引入非线性失真，这部分要靠结构抑制。

天线与 USB，WiFi 天线的匹配元件按实际天线结构现场调试，不能照抄参考设计的默认值。蓝牙 2.4G 天线走线按 50Ω 阻抗控制，远离高速信号线和电源平面。USB 的 DM 或 DP 数据线必须加 TVS 防护，结电容选 0.45pF 以下，否则会伤眼图。

调试，双 UART 都能用于烧写和通讯，建议在板上引出测试点，ICE 调试口复用 USB 引脚预留好即可。

具体设备落地

该芯片把 Codec、降噪 DSP、WiFi 模组、蓝牙模组、功放与存储管理收到一颗，中控和语音盒这类产品的 BOM 与联调周期都能压下来。落到具体品类，智能中控面板、桌面语音助手、WiFi 语音盒、蓝牙语音盒、带屏语音音箱、家电语音交互模块这些方向都能直接承接。