Audio Analytic公司的录音室。数以亿计的音频被录制和标记，用以训练AI模型。
不同类型的声音，如Doorbell, Alarm, Dog barking, windows breaking等被小心的录制用以训练世界级的声音识别AI模型。
这些模型可以赋予机器以“听”的能力，感知环境中所发生的不同的事件。不仅可以用于家庭安防产品，如烟雾报警，玻璃破碎或者是枪声，更可以用于消费类电子产品分析和感知所处的声音场景 (audio scene），从而做出恰当的反应。
决定不同AI模型精确识别的关键因素，是数据。正确的和高质量的数据，以及被正确标记的数据(label data properly）。
TimyML Model -
采用基于Arm Cortex-M0 平台的NXP Kinetis KL82，可以精准识别如孩童啼哭等声音现象。
NXP Kinetis支持128kB Flash和96kB的RAM，但并不包含任何DSP或特殊处理IP，功耗仅仅数十毫瓦。
Labelled Data －
对比语音识别，声音识别的难度更大，结构化的数据更为重要，比如儿童啼哭的中间，经常伴随着喘气的声音。
数据标记越是精确，模型训练效果也就更佳，所需的模型也就更小。
现实应用 －
嵌入声音识别的MCU打开了非常多的应用可能。比如运行于Ambiq Micro的玻璃破碎声音识别应用。该方案采用Ambiq Micro SPOT(Subthreshold power optimized technology)处理器，基于超低功耗的Coretex-M4内核，加上Vesper Piezoelectric MEMS microphone，在监听声音事件的时候几乎没有功耗。
在未来，比如如下的应用 - 电视在监听到孩子哭声后会自动降低音量，甚至启动画中画查看孩子状态。
Audio Analytic的ai3可以对不同的环境声加以分类和区隔，比如调整EQ设置，或者启动主动噪音消除 。
最终机器具备了听的能力，可以感知和判定声音事件从而变得更加的智能。
