AI 玩具的待机时间，被哪一级电路吃掉

离线语音芯片把两级唤醒做到 34.7 微瓦，规格书上这个数字比上一代低了一个数量级，AI 玩具的待机却仍按月算。因为常开的那一级不是芯片，是麦克风：模拟麦克风加偏置要吃 250 微安，是唤醒芯片的 24 倍。把芯片功耗降到零，2000 mAh 的电池也只多撑 9 天。

一句话答案 常开语音的待机由麦克风偏置、电池自放电和芯片三份电流决定，芯片只占 3%，先做麦克风门控才有意义。

常开的那一级不在算力上

两级唤醒是指用一个极低功耗的声音检测级常开，检出语音后再唤醒关键词识别级，两级串联把平均功耗压下来。声音检测级只看有没有能量，不看说了什么，功耗在微瓦级；关键词识别级要跑卷积网络，功耗在几百微瓦到毫瓦级，只在有声音时开机。

这个结构把算力问题变成了占空比问题。识别级跑 3 ms、吃 300 微安，一秒触发一次的平均电流是 0.9 微安，触发十次是 9 微安。整机待机电流的大头因此不在识别，而在那个必须一直开着的拾音前端。

一级的声音检测不能省，因为它决定了设备能不能在你说第一句话时就醒。省掉它，识别级就得常开，功耗从微瓦直接跳到毫瓦。

图 1　两级唤醒链路的电流分配（依据原文第 2 节架构绘制）

34.7 微瓦摊到整机是 10.5 微安

2023 年发表在 Electronics 上的一颗芯片给出了这条路的当下水平。0.11 微米工艺，面积 0.58 平方毫米，时钟压到 24 kHz，两级结构合计 34.7 微瓦，10 dB 信噪比下 F1 分数 0.89。特征提取用快速离散余弦变换替代对数谱与倒谱，省掉两级运算。

34.7 微瓦 在 3.3 V 下是 10.5 微安。这个数字放进整机里是什么比例，要看旁边站着谁。一颗模拟 MEMS 麦克风加偏置电阻要 250 微安，LDO 静态 1.5 微安，主控深睡加漏电 2 微安。芯片占 14 微安 里的 75%，占整机 264 微安 里的 4%。

还有一项容易漏算。声音检测级每 20 ms 醒一次，LDO 从 1.5 微安 的静态切到 300 微安 的负载，恢复时间 40 微秒，每次多耗 0.012 微库仑，一秒五十次是 0.6 微安，占芯片电流的 6%。

再加上电池自放电。2000 mAh 的锂电按每月 2% 自放电折算，相当于 55 微安 的常驻电流。整机等效 319 微安，待机 6270 小时，261 天。

自放电不是常数。25 摄氏度下每月 2%，45 摄氏度下翻倍到 4%，折算的等效电流从 55 微安 涨到 110 微安。玩具放在暖气边或夏天车内，待机时间掉三成，这一段任何芯片优化都补不回来。

芯片减半只买回五天

把芯片功耗砍一半，从 34.7 微瓦 到 17 微瓦，等效电流从 319 微安 降到 314 微安，待机从 261 天变成 266 天。砍到零，270 天。省下的 5 天和 9 天，落在两个月的误差里，用户感知不到。

表注：3.7 V、2000 mAh、自放电按每月 2% 折 55 微安 计入，芯片 34.7 微瓦 折 10.5 微安，LDO 与主控合计 3.5 微安。

表里最扎眼的一行是数字麦克风。PDM 接口省掉了外部偏置和模拟走线，抗干扰更好，代价是 350 微安，比模拟方案多 100 微安，待机从 261 天掉到 199 天。这个代价在插电设备上不算什么，在纽扣电池上就是生死线。数字麦克风还会把时钟串进音频带内，1.2 MHz 的 PDM 时钟在 3.3 V 电源上产生 20 mV 的纹波，要靠一颗 10 微F 的电容压住。

图 2　五种拾音方案的待机天数（依据原文第 2 节功耗数据测算）

250 微安是偏置电阻定的

按公开参数测算一遍。模拟 MEMS 麦克风的等效供电电流由三部分构成：麦克风本体 180 微安，内部缓冲器 40 微安，外部偏置与上拉 30 微安。本体电流由厂商的灵敏度与信噪比折中决定，缓冲器电流由输出摆幅决定，外部那 30 微安 可以优化掉一半。

把偏置改成门控，占空比 10%，麦克风的平均电流从 250 微安 降到 25 微安。这一刀省下 225 微安，是芯片省下的 5 微安 的四十五倍。

门控电路不复杂。一只 P 沟道 MOSFET 串在偏置电阻上，栅极由声音检测级的中断控制，导通 20 ms、关断 180 ms。MOSFET 的导通电阻 50 毫欧，对 250 微安 的压降是 0.0125 毫伏，可以忽略。

门控的代价在捕获时间上。麦克风从断电到稳定输出要 12 ms，语音起始的辅音能量集中在头 60 ms，门控窗口错过了这 60 ms，唤醒率会掉。用 200 ms 的预录环形缓冲把这段补回来，缓冲本身要 3.2 kB 的 RAM 和 1.2 元的物料。

失效场景出在声音检测的阈值上。阈值调低省电，误触发变多；调高省误触发，漏唤醒变多。按识别级单次 3 ms、300 微安 算，声音检测每秒误触发十次就是 9 微安，等于把芯片功耗翻了一倍。阈值要按误触发不超过每秒两次整定，这个数对应 55 dBA 背景噪声下的 0.4 倍均方根能量判据。

这个判据在不同房间里要重标。厨房的抽油烟机把 100 Hz 到 1 kHz 的能量抬高 12 dB，同样的阈值会一直触发，识别级被反复唤醒，平均电流从 10.5 微安 涨到 40 微安。

选型判据：如果待机目标超过 6 个月且电池小于 2000 mAh，就先做麦克风门控，代价是 12 ms 的捕获延迟和 1.2 元的缓冲成本；如果设备插电或每周充电，就保持常开，把 250 微安 换成更好的抗噪和更低的漏唤醒。

一个判断：推理不是瓶颈，拾音前端才是

通行说法把端侧语音的功耗瓶颈放在推理上，讨论 NPU 的能效比、模型的参数量、算子的量化位宽。在常开架构里这套说法只解释了 3% 的功耗。34.7 微瓦 的芯片已经把推理压到接近极限，剩下的 78% 在麦克风偏置和电池自放电上。

这条判断的失效点很清楚。一旦把麦克风门控做到 10% 以下，瓶颈立刻转移：此时电路电流 39 微安，自放电 55 微安 已经超过电路本身，再优化任何器件都是在优化一个次要项。再往下走，决定待机的是电池的搁置寿命和门控带来的漏唤醒率。

把这三项按贡献排序，芯片排第三。34.7 微瓦 已经是这类电路的下限，再往下压要动工艺，从 0.11 微米走到 40 纳米，流片成本摊到十万颗上是每颗 3 元，换回来 5 天待机。

所以端侧语音的优化顺序应该是：先把拾音前端的占空比做下来，再看电源静态电流，再往下才轮到推理芯片。倒过来做，投入产出比会差一个数量级。

按 AI 玩具走一遍选型

按以下约束走一遍选型：3.7 V、2000 mAh 锂电，待机目标 12 个月，1 米距离唤醒率不低于 95%，55 dBA 噪声环境，BOM 成本上限 12 元，外壳厚度 18 毫米。

候选三个。A 档是常开模拟麦加 34.7 微瓦 芯片，物料 8.6 元，待机 261 天。B 档是常开数字 PDM 麦加同款芯片，物料 9.2 元，待机 199 天。C 档是模拟麦 10% 门控加同款芯片加 200 ms 缓冲，物料 9.8 元，待机 886 天。

逐项对比。待机上 C 是 A 的 3.4 倍，A 与 B 都不达 12 个月。唤醒率上 A 最高，因为没有捕获延迟；C 掉 3 个百分点，卡在 95% 的线上；B 因为数字麦的信噪比高 2 dB，反而比 A 好一点。成本上 A 最低，C 多 1.2 元，仍在 12 元内。物料体积上 B 最省，数字麦不需要偏置电路。

选定 C 档。理由是 12 个月的待机是硬指标，A 和 B 差 100 天以上；886 天留出了电池老化的余量，18 个月内不用换电池；1.2 元的增量买回来 625 天，用户感知得到。

物料账还能再拆。1.2 元的增量里，MOSFET 与滤波占 0.3 元，200 ms 缓冲占用的 RAM 折算 0.4 元，重新认证与产线调试摊 0.5 元。后两项是一次性投入，量产一万台之后单价降到 0.7 元。

代价与风险有三条。3% 的唤醒率损失需要靠预录缓冲的时长补，缓冲从 200 ms 加到 300 ms 能补回 1.5 个百分点，但要再吃 1.6 kB 的 RAM；门控电路的开关噪声会耦合进麦克风偏置，实测在 1 kHz 附近有 4 dB 的抬底，需要用 π 型滤波压下去；886 天超过电池的搁置寿命，量产时要按 18 个月做容量保持率抽检。

一句话：待机时间是三份电流里最小的那一份决定的，不是最贵的那个器件决定的。

文献依据：开放获取期刊论文（CC BY 4.0）

文献标题：A 34.7 微瓦 Speech Keyword Spotting IC Based on Subband Energy Feature Extraction

作者：Gexuan Wu, Jianlong Wei, Shuai Wang, Guangshun Wei

期刊卷期：Electronics, 2023, 12(15), 3287

DOI 或链接： https://doi.org/10.3390/electronics12153287

配图说明：自行绘制，图 1 为原理示意，图 2 为据公开参数测算的数据图，非原文原图复制

改动声明：基于开放获取文献的独立解读，标题、结构、行文、表格、案例与配图为原创

来源：21ic电子网