Edge Sound 融资 200 万美元，为物理 AI 构建音频感知基础设施

Edge Sound Research Inc. 今日宣布已筹集 200 万美元新资金，用于构建音频基础设施，该基础设施可分离有用的声音，并将其与其他传感器数据相结合，帮助物理 AI 系统实时理解正在发生的事情。

Stormbreaker Ventures 领投了本轮融资，使该公司的融资总额达到 900 万美元。

当公司最初着手解决这个问题时，它把目光投向了体育领域。当篮球击中球场时，看台上的球迷在跺脚，低音通过场馆的扬声器轰鸣——所有这些声音同时通过麦克风传来。对于试图分离出运球声的人工智能系统来说，这些重叠的声音会让这件事变得困难。

这一挑战正是 Edge Sound Research 机器感知方法的核心：将音频与追踪和视觉数据连接起来，以确定哪个声音属于哪个物体。

“音频的问题在于它不是面向对象的；它是面向声道的，”联合创始人兼首席执行官 Valtteri Salomaki 在接受 SiliconANGLE 采访时表示。

对于转播方来说，建立这种关联意味着要在拥挤的场馆中追踪某位球员的声音。Edge 押注同样的方法可以帮助机器人和其他物理 AI 系统解读周围的世界——包括其摄像头尚无法看到的活动。

人类之所以能自动做到这一点，是因为我们生活在一个多模态世界中：视觉、声音和身体感觉同时涌入。在物理 AI 领域，声音一直被视为视觉的次要角色，因为摄像头已经无处不在，在日常生活中被用于一切。对人类而言，声音是到处导航的基础。

Salomaki 解释说，音频以声道形式传入。它连接到麦克风，麦克风被布置在空间周围或物体上，并在特定位置收听。这些麦克风产生识别声音的信号——它们不会直接与任何事物关联，直到其他东西将它们转化为易于识别的信息。

“它分为两层，”Salomaki 说。“一是如何为所有传感器创建数字孪生。另一个是如何创建 AI 机器学习模型来分离声音元素。”

在体育场馆演示中，系统利用麦克风位置、拾音模式和球员追踪来选取有用的音频。然后它将位置关联起来；视觉和音频配对以识别物体——例如球员、球，甚至教练或吹哨的裁判。

该公司表示，用户可以导入带有坐标的 3D 空间或 2D 布局，并在该表示中放置传感器。这样可以生成环境及其传感器的空间地图；这本质上就是 Salomaki 所说的“数字孪生”。

其他用例可能涉及自动驾驶汽车，可以赋予它们数字耳朵，以听到是否有警笛正在接近。人类能够识别声音和方向，是因为我们的耳朵位于头部两侧。如果声音来自左侧，那么左侧的声音会更响，即使我们在那里看不到物体。

任何听过警笛接近或远去的人也体验过多普勒效应，即音高会根据其接近或远离的速度而升高或降低。更高的音高可以立即警告自动驾驶汽车有紧急车辆正从盲角驶来（以及其驶来的方向），即使摄像头上看不到灯光。

构建音频感知模型

Edge 有一个通用模型，会根据客户需求进行开发和微调。这些模型在实时活动中面临不同的延迟目标要求。Salomaki 提到体育转播的容忍度为低于 33 毫秒，并表示其他环境可能容忍 100 或 200 毫秒。

对大多数应用而言，有用的感知需要按时到达，因为听到发生的事情需要与看到相配对。

该公司正通过其数字孪生软件和 AI 模型朝着硬件无关的方向发展，使 Edge 能够围绕核心技术组装新的应用。这样一来，它将成为音频基础设施，与客户现有的麦克风和摄像头协同工作，用于其当前的物理 AI 机器人、媒体和其他系统。

Salomaki 表示，借助这笔资金，Edge 将完成与现有企业客户的集成，并使平台的组件在 A 轮融资之前能够跨行业迁移。

随着 Edge 开发和验证其感知技术，现场体育赛事已经为其提供了商业市场，并利用这一点来帮助训练和构建其模型。其 Virtual Sound Engine 能够自动捕获并分离复杂环境中的声音，已在行业内实现商业部署。客户和合作伙伴包括美国音频设备制造商 Shure Inc.、美国国家篮球协会、Fox Sports Media Group 和美国网球协会。

“为了实现大家在物理 AI 中都想要的结果，计算机需要变得更像人一点，”Salomaki 说。

图片：Edge Sound Research