Un traitement vocal plus intelligent offre une plus longue durée de vie de batterie pour les appareils toujours allumés

Les appareils toujours allumés — des enceintes intelligentes aux wearables — ont transformé la vie quotidienne, pourtant leurs exigences en batterie restent un défi pressant.

Bien que les assistants vocaux semblent être un pilier de la vie moderne, Amazon n'a lancé sa première enceinte intelligente, l'Echo, qu'à la fin 2014. Aujourd'hui, des centaines de millions de dispositifs voice-first, des hubs domestiques aux écouteurs, écoutent en permanence un mot de réveil. SAR Insight & Consulting projette qu'en 2023 la base installée d'appareils toujours allumés, activés par la voix, approchera le milliard d'unités.

Au cœur de ces systèmes se trouvent des microphones MEMS ultra-miniatures qui captent le son environnemental. Initialement, l'analyse basée sur le cloud semblait idéale, mais le volume de données généré par les dispositifs IoT — 41,6 milliards de dispositifs projetés pour produire 79,4 zettaoctets de données d'ici 2025 (International Data Corp.) — a saturé la bande passante réseau et vidé les batteries des appareils. Ce goulot d'étranglement a accéléré le virage vers l'edge computing, rapprochant le traitement sophistiqué du capteur.

L'edge computing rencontre TinyML

Les solutions edge modernes exploitent des processeurs de signal numérique basse consommation et des microcontrôleurs équipés de cœurs de réseaux neuronaux embarqués — puces TinyML. Ces puces peuvent effectuer une détection de mot de réveil complexe localement, réduisant la dépendance aux ressources cloud. Cependant, elles héritent encore de l'architecture legacy qui force chaque échantillon audio analogique à être converti en numérique immédiatement, même quand aucune voix n'est présente. Par conséquent, les OEM gaspillent 80–90 % de la durée de vie de la batterie à traiter des données non pertinentes, forçant les consommateurs à choisir entre assistants non portables alimentés sur secteur et assistants portables contraints par la batterie.

La puissance du traitement analogique d'abord

Pour surmonter cette inefficacité, les concepteurs se tournent vers un paradigme inspiré du système sensoriel humain : traiter d'abord les signaux analogiques bruts, et n'invoquer les moteurs numériques que lorsque nécessaire. La circuitique analogique excelle dans l'extraction de caractéristiques en temps réel à basse consommation — détecter si un son contient de la voix, par exemple — avant toute conversion numérique. Cette stratégie maintient les processeurs numériques haute consommation en sommeil profond jusqu'à ce qu'un véritable mot de réveil soit détecté, prolongeant dramatiquement la durée de vie de la batterie.

Adopter une architecture analogique d'abord, bio-inspirée, ne nécessite pas que chaque puce émule un cerveau. Au lieu de cela, elle réimagine la hiérarchie du système : un front-end analogique agit comme un gestionnaire de trafic, filtrant le bruit et ne transmettant que les données saillantes au cœur TinyML.

Le traitement edge bio-inspiré concentre la puissance numérique sur les données sensorielles les plus pertinentes. (Image : Aspinity)

Avantages centrés consommateur

En minimisant la conversion de données et en exploitant le pré-traitement analogique, les fabricants peuvent fournir des assistants vocaux qui fonctionnent des mois sur une seule charge de batterie, éliminant le besoin d'alimentation secteur constante. Le résultat est une expérience plus flexible, conviviale — imaginez une télécommande TV activée par la voix qui fonctionne un an sur une charge.

Référence

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

>> Cet article a été publié à l'origine sur notre site sœur, EE Times Europe.