エッジAI

音声エッジAIが
必要である理由

エッジ音声AIが必要である理由は、大きく分けて以下の３つがあります

• 1. 通信量を最適化するため

  音声のみの通信量は、1ch音声（モノラル音声）であれば256kbps～768kbps程度となり、可逆圧縮を行うとその半分程度、非可逆圧縮形式を利用すると1/10程度まで落とすことができます。
  
  モノラル音声の場合、この程度の通信量であれば実質的に問題はありませんが、弊社のマイクアレイ開発キットや、THINKLET®︎のように、複数のマイクを備えたデバイスではこの通信量が無視できない量となります。例えば、マイクが8個備えられているとすると、通信量は約3Mbpsとなり全く無視できません。多チャンネル音声を使って雑音を除去する処理を行う場合、基本的には非可逆圧縮形式を利用することができないため、圧縮によってデータ量を削減することができません。
  
  特にモバイル回線を利用した通信を行う場合には、音声のみでこのような通信量を使うことは許容されません。このため、下図のように多チャンネル音声信号に対してデバイス上でフロントエンド処理を行ってモノラル音声にしたのち、サーバーに送り出すということが有効となります。通信容量が無制限の高速有線LAN環境等においては、多チャンネル音声信号をそのままサーバーに送り処理させるということも可能ですが、その場合であっても高々4ch程度で処理される場合が一般的です。
  
  

  

• 2. クラウドに与える負荷を削減するため・プライバシー保護のため

  デバイス上の計算資源を一切使わずに全部サーバーに処理させるというのは単に無駄です。AWS クラウド等のパブリッククラウドを利用しているとき、クラウドAIに与える負荷はそのままクラウド費用につながるため、クラウド費用削減のためにも、原則として「デバイス上でできることはデバイス上で」やってもらうべきです。
  
  フロントエンド処理の場合、リアルタイムにデバイス上で処理することができればそれでOKであり、わざわざクラウドを利用する必要はありません。リアルタイム性が出ないときには部分的にデバイス上で実行させ、残りをクラウドに分担させるという方法も取ることができます。
  
  組み込み音声認識器の場合、例えば電話帳の登録名などが音声認識対象となっているとすると、ひとりひとりのユーザーによって異なる認識辞書があるということになります。これを全て個別にクラウドで管理しようとすると、その管理システムや音声認識器のクラウド上での展開の形式などが煩雑になる上、プライバシー保護の観点からも好ましいとは言えません。もちろんクラウド側で管理することが好ましい場合もあるのですが、この点でも「デバイス上でできることはデバイス上で」という原則が当てはまります。
  
  キーワード認識器をボイスウェイクアップに利用する場合、クラウドを利用しようとすると、音声データを常にクラウドに送信し続ける必要があります。仮にその音声を一切保存せずに常時破棄するシステムであったとしても、プライバシー保護の観点を持ち出すまでもなく、それがユーザーにとって気持ち悪いものであるということは、過去にいくつもの事例が示しています。
  
  「デバイス上でできることはデバイス上で」という原則は、クラウド費用を削減し、プライバシー保護の観点からも好ましい仕組みを構築する上で、有効な原則であると言うことができます。

• 3. バッテリー消費量を最適化するため

  スマートフォンやウェアラブルデバイスではバッテリー消費量を削減することは最も重要な課題の一つです。発生する「熱」を削減する上でも効果があります。
  
  電力を大きく消費するコンポーネントとして通信コンポーネントがあり、通信量を削減するということは、すなわちバッテリー消費量を削減するということです。エッジ音声AIによりCPU使用率は増えるけれども、それによって増大する消費電力よりも、通信量を削減することで減少する消費電力の方が大きくなる場合が大半でしょう。特に最近のスマートフォン用CPUでは低消費電力化がますます進んでおり、通信量を削減するために計算資源を用いることはますます合理的になってきています。
  
  ただし、デバイス上でのエッジAIの実装が非効率的で無駄が多過ぎると、CPUを占有し過ぎてしまい、バッテリー消費量の節約効果も小さいうえ、他のプロセスのスムーズな動作を妨害してしまうなどの問題も生じます。また、効率的な無駄のない実装だったとしても、そもそもデバイスの計算資源が貧弱であると狙った効果が得られない場合もあり、バッテリー消費量の最適化は、入念な調整と高い知識が必要とされる部分となります。