Đối tượng độc giả: Bài viết này dành cho các kỹ sư firmware âm thanh và nhân viên mua hàng cần đánh giá hoặc đặc tả hành vi AGC của micro trên dòng bút đọc. Bài viết giả định bạn đã hiểu micro thu nhận gì và hiện cần một đặc tả AGC có cơ sở, hoạt động được trong cả môi trường yên tĩnh tại nhà, lớp học ồn ào và chế độ liên lạc nội bộ.
Một chiếc bút đọc nghe trẻ 3 tuổi thì thầm "con mèo" ở khoảng cách 5 cm và trẻ 10 tuổi đọc to ở 15 cm. Tiếng thì thầm đến micro ở mức −35 dBFS, tiếng đọc to ở −8 dBFS — một dải 27 dB mà cả engine ASR lẫn đường downlink liên lạc nội bộ đều không thể xử lý cùng lúc nếu không có hỗ trợ. Automatic Gain Control (AGC) là thuật toán chuẩn hóa mức micro để giọng nói nhỏ trở nên nghe được và giọng to không bị clip. Trên 11 model sản xuất (B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2, Y6), AGC nằm trong pipeline âm thanh sau AEC và trước DRC, và việc tinh chỉnh nó là một trong ba regression firmware được trích dẫn nhiều nhất mà chúng tôi sửa trong các bản cập nhật thực địa. Bài viết này giải thích cách AGC hoạt động trên bút đọc, cách nó được tinh chỉnh khác nhau theo từng nền tảng, và cách đặc tả nó trong hợp đồng mua hàng để bút hoạt động giống nhau trên bàn yên tĩnh và sân chơi ồn ào.
1. Tại sao AGC trên bút đọc khó hơn trên điện thoại
AGC trên bút đọc phải xử lý bốn tình huống mà AGC trên điện thoại không gặp. Thứ nhất, khoảng cách từ người nói đến micro thay đổi từ 1 cm (trẻ thì thầm vào đầu bút) đến 30 cm (bút nằm trên bàn ghi âm tìm kiếm bằng giọng nói xuyên phòng) — một dải 30 dB mà điện thoại không bao giờ thấy vì điện thoại luôn cách miệng 5–15 cm. Thứ hai, bút hoạt động ở chế độ liên lạc nội bộ, nơi micro thu không phải giọng trẻ mà là giọng phụ huynh từ phía bên kia phòng, một profile âm học khác. Thứ ba, bút hoạt động ở chế độ tìm kiếm bằng giọng nói, nơi người dùng nói một từ hoặc cụm từ ngắn rồi chờ phản hồi — AGC phải hội tụ trong một câu nói duy nhất thay vì xuyên suốt cuộc hội thoại liên tục. Thứ tư, bút hoạt động trong doubletalk của AEC khi loa đang phát và micro thu đồng thời, và AGC không được tăng gain trong các khoảng lặng giữa các đoạn tường thuật.
AGC trên điện thoại có hàng thập kỷ tinh chỉnh phía sau và một vùng vận hành tương đối hẹp. AGC trên bút đọc phải xử lý một vùng vận hành rộng hơn nhiều với ít lịch sử tinh chỉnh hơn nhiều. Đó là lý do firmware bút đọc trên mọi nền tảng đều mở các tham số AGC trong một tệp cấu hình có thể tinh chỉnh theo chương trình và theo ngôn ngữ — không có một thiết lập AGC đơn lẻ nào dùng được cho cả 11 model.
2. Bốn tham số AGC quan trọng
AGC có bốn tham số quyết định hành vi của nó. Mức mục tiêu là giá trị dBFS mà AGC cố kéo tín hiệu micro về — thường là −12 đến −18 dBFS cho ASR và −20 đến −26 dBFS cho liên lạc nội bộ. Thời gian tấn công là tốc độ AGC giảm gain khi đầu vào lớn hơn mức mục tiêu — thường 5–20 ms cho giọng nói để tránh clip các âm bật hơi. Thời gian nhả là tốc độ AGC tăng gain khi đầu vào nhỏ hơn mức mục tiêu — thường 200–800 ms để tránh bơm gain trên các khoảng dừng ngắn. Tỷ lệ nén phía trên mức mục tiêu quyết định AGC giới hạn tín hiệu lớn mạnh mẽ đến mức nào — thường 2:1 đến 4:1 cho ASR và 1.5:1 đến 2:1 cho liên lạc nội bộ.
Sự tương tác giữa bốn tham số này không hiển nhiên. Tấn công nhanh và nhả chậm là thiết lập giáo khoa cho giọng nói, nhưng trên bút đọc với các khoảng lặng ngắn giữa các đoạn tường thuật, thời gian nhả chậm khiến AGC bơm gain giữa các đoạn, sau đó clip ở phoneme đầu tiên của đoạn tiếp theo. Firmware trên L5, T2, Y6 sử dụng thời gian nhả "nhận biết sự có mặt của giọng nói" giữ gain ổn định khi tín hiệu tham chiếu AEC đang hoạt động, giúp loại bỏ hiện tượng bơm gain.
3. Baseline AGC theo từng model
Bảng dưới đây tóm tắt việc tinh chỉnh AGC trên 11 model sản xuất. "Mức mục tiêu" là dBFS mà AGC hướng tới khi thu ASR; "Tấn công" và "Nhả" là các hằng số thời gian tính bằng ms; "Tỷ lệ" là tỷ lệ nén phía trên mức mục tiêu; "Dải" là gain tối đa mà AGC sẽ áp dụng tính bằng dB.
| Model | Mức mục tiêu | Tấn công | Nhả | Tỷ lệ | Gain tối đa | Trường hợp sử dụng | Firmware |
|---|---|---|---|---|---|---|---|
| B1 | −16 dBFS | 12 ms | 400 ms | 3:1 | 24 dB | ASR | 2.4.7 |
| B2 | −16 dBFS | 12 ms | 400 ms | 3:1 | 24 dB | ASR | 2.4.7 |
| F8 | −14 dBFS | 15 ms | 350 ms | 2.5:1 | 20 dB | ASR | 3.1.2 |
| K7 | −18 dBFS | 10 ms | 300 ms | 3:1 | 30 dB | ASR + liên lạc nội bộ | 1.9.5 |
| KF1 | −18 dBFS | 10 ms | 300 ms | 3:1 | 30 dB | ASR + intercom | 1.9.5 |
| L5 | −16 dBFS | 8 ms | 250 ms | 3:1 | 36 dB | ASR + intercom + voice search | 4.2.0 |
| P2 | −14 dBFS | 15 ms | 350 ms | 2.5:1 | 20 dB | ASR | 2.0.3 |
| Q6 | −18 dBFS | 10 ms | 300 ms | 3:1 | 30 dB | ASR + intercom | 3.3.1 |
| Q8 | −18 dBFS | 10 ms | 300 ms | 3:1 | 30 dB | ASR + intercom | 3.3.1 |
| T2 | −16 dBFS | 8 ms | 200 ms | 3:1 | 36 dB | ASR + intercom + voice search | 2.6.4 |
| Y6 | −16 dBFS | 8 ms | 250 ms | 3:1 | 36 dB | ASR + intercom + voice search | 2.6.4 |
Quy luật đã rất rõ. Các nền tảng L5, T2, Y6 có cấu hình AGC tích cực nhất: tấn công nhanh nhất, nhả nhanh nhất, mức khuếch đại tối đa cao nhất (36 dB). Chúng cần điều đó vì hỗ trợ tìm kiếm bằng giọng nói (thu nhận từ đơn với tín hiệu rất nhỏ) và chế độ intercom (khoảng cách nói biến đổi). Các nền tảng K7, KF1, Q6, Q8 có cấu hình trung gian phù hợp cho ASR và intercom. Các nền tảng B1, B2, F8, P2 có cấu hình thận trọng nhất — chúng chỉ cần xử lý ASR ở khoảng cách tương đối ổn định 5–10 cm.
4. Sự tương tác AGC–ASR
Mức mục tiêu của AGC có ảnh hưởng trực tiếp đến độ chính xác ASR. Bộ ASR trên L5 được huấn luyện với giọng nói ở −16 dBFS ± 4 dB; tín hiệu nằm ngoài dải đó sẽ giảm độ chính xác vì mô hình âm học giả định một phân bố năng lượng cụ thể. Nếu AGC đẩy tín hiệu về −20 dBFS, bộ ASR sẽ thấy tín hiệu yếu hơn dự kiến và tỷ lệ lỗi từ tăng 8–12 phần trăm. Nếu AGC đẩy tín hiệu lên −12 dBFS, bộ ASR sẽ gặp hiện tượng clipping trên các âm bật và tỷ lệ lỗi từ tăng 5–8 phần trăm.
Trên toàn bộ danh mục sản phẩm, mức tăng độ chính xác ASR nhờ AGC được tinh chỉnh đúng so với không có AGC là khoảng 6–9 điểm phần trăm đối với giọng trẻ em ở khoảng cách biến đổi. Về bản chất, AGC cung cấp cho bộ ASR một mức tín hiệu đầu vào ổn định để nó có thể thực hiện nhiệm vụ của mình.
Một lỗi phổ biến trong firmware thời kỳ đầu là đặt mục tiêu AGC ở 0 dBFS (full-scale kỹ thuật số) vì cho rằng "càng to càng tốt cho ASR". Điều này sai — nó khiến AGC đẩy mọi thứ lên mức khuếch đại tối đa, các tín hiệu nhỏ trở nên nhiễu, và độ chính xác ASR giảm 12–18 điểm phần trăm. Firmware hiện tại nhắm mục tiêu −16 đến −18 dBFS, cho phép dư 4–6 dB để xử lý các âm bật và đỉnh bất ngờ.
5. AGC ở Chế độ Liên lạc nội bộ
Chế độ liên lạc nội bộ là kịch bản AGC khó nhất vì giọng nói của phụ huynh có thể đến từ bất kỳ đâu trong phòng. Phụ huynh có thể cách 50 cm và nói ở mức hội thoại (−25 dBFS tại mic), hoặc cách 2 m và nói to (−15 dBFS tại mic), hoặc cách 5 m và gọi với theo (−35 dBFS tại mic). AGC phải theo kịp cả ba kịch bản mà không bị bơm tín hiệu, không bị cắt đỉnh và không làm giọng phụ huynh nghe thiếu tự nhiên ở đường xuống.
Firmware của K7, KF1, Q6, Q8 sử dụng AGC có dải tăng âm tối đa 30 dB và thời gian nhả 300 ms, phù hợp cho khoảng cách từ 50 cm đến 2 m. Firmware của L5, T2, Y6 mở rộng lên dải tăng âm tối đa 36 dB với thời gian nhả 200–250 ms, đáp ứng khoảng cách từ 50 cm đến 5 m. Firmware của B1, B2, F8, P2 không hỗ trợ chế độ liên lạc nội bộ vì dải AGC quá hẹp.
Một lỗi liên lạc nội bộ phổ biến trong firmware ODM của bên thứ ba là dùng cùng tham số AGC như chế độ ASR. Cách này chạy được ở 50 cm nhưng thất bại rõ rệt ở 3 m, nơi giọng phụ huynh ở −35 dBFS và mức tăng âm tối đa của AGC là 24 dB không thể nâng tín hiệu lên mức mục tiêu. Kết quả là đường xuống liên lạc nội bộ gần như không nghe được. Firmware bút đọc trên K7 trở lên sử dụng các bộ tham số AGC khác nhau cho ASR và liên lạc nội bộ, được chuyển đổi tự động dựa trên chế độ âm thanh đang hoạt động.
6. Hiện tượng bơm tín hiệu và cách tránh
Hiện tượng AGC phổ biến nhất trên bút đọc là "bơm tín hiệu" — độ tăng âm tăng dần trong khoảng lặng, sau đó âm thanh lớn tiếp theo bị cắt đỉnh, rồi độ tăng âm giảm, rồi khoảng lặng tiếp theo lại tăng. Trẻ nghe giọng mình hoặc phần tường thuật phập phồng.
Hiện tượng bơm tín hiệu do thời gian nhả AGC quá nhanh so với đặc tính động của tín hiệu đầu vào. Trên firmware B1/B2 trước 2.4.7, thời gian nhả là 200 ms, quá nhanh và tạo ra hiện tượng bơm nghe được khi trẻ dừng giữa các từ trong kiểm tra phát âm. Firmware 2.4.7 đã tăng thời gian nhả lên 400 ms và bổ sung bộ phát hiện sự hiện diện giọng nói giữ độ tăng âm ổn định khi tín hiệu tham chiếu AEC đang hoạt động. Hiện tượng này đã biến mất.
Trên firmware L5, AGC có một "chế độ thoải mái" riêng dùng khi phát lại phần tường thuật, giữ độ tăng âm ở mức đơn vị (0 dB) bất kể tín hiệu micrô, ngăn chặn mọi hiện tượng bơm trong tường thuật đơn thoại. Chế độ thoải mái sẽ tự động tắt khi người dùng bắt đầu nói.
Đối với bộ phận mua hàng, bài kiểm tra rất đơn giản: phát một đoạn tường thuật 30 giây qua loa của bút trong khi micrô đang mở ở phòng yên tĩnh, và nghe tín hiệu micrô được ghi lại. Nếu bạn nghe thấy tín hiệu tường thuật phập phồng trong bản ghi, thời gian nhả AGC quá nhanh.
7. AGC và điểm tin cậy ASR
Bộ ASR báo cáo điểm tin cậy cùng với mỗi kết quả nhận dạng. AGC ảnh hưởng gián tiếp đến điểm này — tín hiệu được AGC đúng cách ở −16 dBFS cho kết quả ASR độ tin cậy cao, tín hiệu AGC quá mức hoặc thiếu AGC cho kết quả độ tin cậy thấp hơn. Trên firmware L5, bộ ASR báo cáo mức tín hiệu đầu vào ngược về pipeline âm thanh, và AGC điều chỉnh mức mục tiêu nếu điểm tin cậy ASR trung bình đang giảm.
Vòng phản hồi này chính là điều khiến firmware L5 "cảm thấy thông minh hơn" so với firmware cũ — nó thích ứng AGC theo âm lượng nói điển hình của người dùng theo thời gian. Người dùng lớp học yên tĩnh được mức mục tiêu cao hơn; người dùng sân chơi ồn ào được mức mục tiêu thấp hơn. Việc thích ứng diễn ra trong 10–20 phút sử dụng và được lưu lại trong hồ sơ theo người dùng của firmware.
Đối với bộ phận mua hàng, bài kiểm tra là: cho một nhóm 12 trẻ sử dụng bút trong 30 phút mỗi em trong môi trường điển hình của các em, sau đó đo độ chính xác ASR theo tứ phân vị của mức đầu vào. Nếu tứ phân vị dưới cùng (người nói yên nhất) kém hơn tứ phân vị trên cùng quá 5 điểm phần trăm, AGC không thích ứng với đầu vào mức thấp.
8. AGC và thời lượng pin
AGC có một chi phí nhỏ nhưng thực sự đối với thời lượng pin. Thuật toán AGC trên L5 chạy ở 4 MIPS, không đáng kể so với RNNoise ở 38 MIPS hoặc beamforming ở 8 MIPS, nhưng nó vẫn giữ codec micrô hoạt động trong chế độ chỉ phát nếu không được kiểm soát đúng cách. Firmware L5 4.2.0 triển khai chế độ "AGC chờ" vô hiệu hóa các cập nhật độ tăng âm khi tín hiệu micrô dưới −50 dBFS quá 500 ms, tiết kiệm khoảng 1,2 mA trên đường ray 5 V trong các đoạn yên tĩnh.
Trên toàn bộ danh mục, chế độ AGC chờ chỉ được triển khai trên L5, T2, Y6. K7, KF1, Q6, Q8 vẫn để AGC chạy liên tục. Đây là khác biệt thời gian chạy 4–6 phút trong phiên đọc 6 giờ — nhỏ, nhưng có thật.
9. Cách chỉ định AGC trong hợp đồng mua hàng
Ngôn ngữ RFQ cho AGC bút đọc nên nêu rõ lớp thuật toán, mức mục tiêu và các hằng số thời gian: "AGC micrô phải nhắm tới −16 dBFS ± 2 dB cho chế độ ASR và −22 dBFS ± 2 dB cho chế độ liên lạc nội bộ, với thời gian tấn công 5–15 ms, thời gian nhả 200–400 ms, tỷ lệ nén 2:1 đến 4:1 trên mức mục tiêu, và độ tăng âm tối đa 30 dB cho nền tảng có liên lạc nội bộ và 36 dB cho nền tảng có tìm kiếm giọng nói. AGC phải bao gồm nhả nhận biết sự hiện diện giọng nói để tránh bơm tín hiệu trong đối thoại AEC, và phải bao gồm chế độ thoải mái trong phát lại tường thuật đơn thoại giữ độ tăng âm ở mức đơn vị."
Ba chi tiết quan trọng. Thứ nhất, mức mục tiêu phải được chỉ định theo từng chế độ — ASR, liên lạc nội bộ, tìm kiếm giọng nói và chỉ phát đều cần mức mục tiêu khác nhau. Thứ hai, kiểm tra hiện tượng bơm tín hiệu phải được chỉ định — quy trình QA nên phát bản tường thuật 30 giây trong khi ghi micrô, và tín hiệu ghi được không được thể hiện bơm độ tăng âm quá 3 dB đỉnh-đỉnh trong các đoạn tường thuật. Thứ ba, độ chính xác ASR ở đầu vào thấp phải được chỉ định — độ chính xác ASR trên giọng nói ở đầu vào −35 dBFS phải trong vòng 5 điểm phần trăm so với độ chính xác trên giọng nói ở đầu vào −15 dBFS.
Mẹo cho người mua: Hãy kiểm tra AGC bằng cách ghi 10 phút âm thanh lớp học qua bút và đo dải âm lượng của tín hiệu ghi được. AGC được chỉnh tốt cho bản ghi có dải âm lượng dưới 12 dB; AGC chỉnh kém cho bản ghi có dải âm lượng trên 20 dB.
9b. Phân bố mức đầu ra AGC giữa các trường hợp sử dụng
Mức mục tiêu AGC khác nhau theo trường hợp sử dụng vì bên tiêu thụ âm thanh phía dưới khác nhau. ASR muốn −16 dBFS để khớp mô hình âm học tốt nhất; liên lạc nội bộ muốn −22 dBFS để chừa headroom cho codec đường xuống; tìm kiếm giọng nói muốn −16 dBFS để tin cậy cho cụm từ ngắn. Biểu đồ dưới đây cho thấy cùng một AGC xử lý từng kịch bản như thế nào.
10. Ma trận quyết định và khuyến nghị
Đối với chương trình bút đọc hoàn toàn mới bắt đầu từ 2026, khuyến nghị là AGC đa mục tiêu với nhả nhận biết sự hiện diện giọng nói trên L5, T2, Y6 (mục tiêu ASR −16 dBFS, mục tiêu liên lạc nội bộ −22 dBFS, chế độ thoải mái trong tường thuật), và AGC đơn mục tiêu trên K7, KF1, Q6, Q8 (mục tiêu ASR −18 dBFS, mục tiêu liên lạc nội bộ −22 dBFS). Đối với các nền tảng kế thừa B1, B2, F8, P2, AGC đơn mục tiêu hiện có ở −14 đến −16 dBFS là chấp nhận được cho các chương trình chỉ ASR.
Đối với nhân viên mua hàng đang viết đặc tả AGC, dòng kết thúc hợp đồng như sau: "AGC micrô phải nhắm tới −16 dBFS ± 2 dB cho chế độ ASR, với thời gian tấn công ≤ 15 ms, thời gian nhả 200–400 ms, tỷ lệ 2:1–4:1, độ tăng âm tối đa ≥ 30 dB cho nền tảng liên lạc nội bộ; AGC phải bao gồm nhả nhận biết sự hiện diện giọng nói để tránh bơm tín hiệu trong đối thoại AEC; kiểm tra bơm độ tăng âm QA phải thể hiện biến thiên đỉnh-đỉnh ≤ 3 dB trên tín hiệu micrô ghi được trong phát lại tường thuật 30 giây."