Loading [MathJax]/jax/output/HTML-CSS/config.js

1

0
1

文字

分享

1
0
1

聲音總是慢一拍?無線耳機的致命傷「藍牙延遲」是怎麼回事?

鳥苷三磷酸 (PanSci Promo)_96
・2020/09/18 ・3365字 ・閱讀時間約 7 分鐘 ・SR值 515 ・六年級

本文由 量子音樂 委託,泛科學企劃執行

  • 文/YC WANG

「玩射擊遊戲先看到火光,才聽到槍聲,還沒來得及反應就死了!」、「玩太鼓達人聲音和畫面不同步,玩得好痛苦!」你也曾有過類似的經驗嗎?

常使用藍牙耳機的人,可能會遇到「藍牙延遲」影音不同步的情況。圖/Pexels

習慣使用藍牙耳機的人,對於「藍牙延遲」大約都不陌生。到底為什麼藍牙耳機會有聲音延遲的問題?隨著技術的進步,又有什麼新的方法能減少這個潛在惱人的困擾?挑選耳機,怎樣才能符合自己的需求?

泛科學這次訪問量子音樂創辦人蔡明耀(Hikari),請專家來一一解釋什麼是藍牙延遲,並對於不同屬性的用戶挑選最適合自己的藍牙耳機,提出一些建議。

-----廣告,請繼續往下閱讀-----

聲音延遲……為什麼專業音樂人無法忍受?

「延遲會遇到的狀況其中一項是回音,你在錄 podcast 時,會聽到,Hi Hikari,然後馬上又再有回音 Hi Hikari。」量子音樂的 Hikari 也是一名混音師,他每天工作的日常除了音樂製作、聲音系統還有人工智慧的研發。

他表示,在工作上對於聲音的傳輸,需要嚴苛要求「低延遲」,尤其是在錄音室中,錄音要求延遲在 30 毫秒以下。目前大多錄音室都採用數位設備,數位設備較有機會造成延遲回聲等效果,無論是歌手錄音或 podcast 製作上,均難以接受明顯的聲音延遲。不過,除非經過特殊訓練,否則一般人耳僅能辨別出 60 毫秒以上的延遲。

相較於數位設備,類比器材的速度較快也不會造成延遲,但目前在聲音的編輯處理上,時常需要轉數位化,這也就是造成延遲的開始。

為何類比較不會有延遲的問題?類比音訊的輸出與輸入是透過線來傳輸,不需要經過類比、數位的轉換。但類比雖然速度快,在聲音調控上就完全要靠類比電路,操作不易,目前為了聲音編輯,大部分的聲音處理也主要採數位化,缺點就是有延遲的可能。

-----廣告,請繼續往下閱讀-----

藍牙耳機延遲問題究竟可以如何改善?

其實除了 Hikari 提到在音樂製作上專業上不容出現的聲音延遲,在玩遊戲或看電影的時候,「看到火光之後慢半拍才聽到『砰!』」應該是選用藍牙耳機或喇叭的人都有過的經驗。

為什麼使用藍牙的音響系統,會有這種延遲問題呢?藍牙延遲簡單來說就是:「當藍牙訊號開始傳輸,到接收端收到訊號的時間差」。

藍牙是無線傳輸,聲音源透過「藍牙立體聲音訊傳輸協議」(Advanced Audio Distribution Profile, A2DP)來傳輸訊號,並只能在有限的頻寬下,透過編碼壓縮的方式傳遞音樂訊號,而藍牙接收端(耳機、喇叭裝置)接收訊號後,便會解壓縮藍牙訊號、轉成數位音訊,最後再輸出給裝置上的DAC(數位類比轉換器),然後聲音就會傳到我們的耳朵裡了。

這段音訊訊號傳輸的過程所產生的時間差,便是所謂的藍牙延遲。

-----廣告,請繼續往下閱讀-----
圖/泛科學製

藍牙透過 A2DP 協議來傳輸訊號,一開始是以「能聽到不斷續聲音」而設計。為了避免遭到干擾,藍牙預備了一個的緩衝區(buffer),一個傳出一個接收,如果中間有斷音、不連續,就可以用緩衝丟出音訊,也因此而有延遲。但隨著藍牙耳機用途越來越廣泛,不再像過去只用在通話上時,藍牙延遲問題就需要被改善。這也是藍牙耳機難以應用於製作音樂、錄音、電競產業的主要原因。

藍牙耳機不再像過去只用在通話上,藍牙延遲問題需要被改善才能被廣泛運用。圖/Pexels

其實,像是 Netflix或 YouTube 串流影片有調整延遲的協定,也就是設計當聲音變慢了,畫面也一起變慢,藉由「一起延遲」來解決影音不同步問題。然而,這樣的設計無法應用於電玩,因為遊戲的影像是即時生成,聲音馬上就出來了,因此延遲的問題就較為棘手。

那要怎麼讓藍牙延遲不要這麼嚴重呢?改善的做法之一,在於改進通訊設計。過去藍牙的兩個耳機是兩個藍牙裝置,由裝置傳到 A耳機(主要耳機),再傳到 B耳機(副耳機)會造成二段延遲。

為了解決二段延遲問題,先是將雙邊耳機都設計成可以跟系統溝通的主要耳機,再用 Sniff(監聽)到通訊協定的作法,緩衝就不用設計的那麼長,能降低延遲、縮短傳輸的時間。

-----廣告,請繼續往下閱讀-----
一般藍牙耳機傳送訊號方式是,由主要耳機接收訊號,再傳遞給另一個耳機;目前也有技術是將藍牙左右耳機都設為主要耳機,耳機可以視情況選擇左耳或右耳當主要耳機。除了以此增加效率,還可以加入「監聽」(Sniff,虛線部分)功能,讓另一支耳機能攔截訊號,使訊號不需要繞過頭部來傳輸,降低延遲。圖/泛科學製

優化後就不一樣!藍牙低延遲排行公開

除了優化通訊設計,要改善藍牙延遲的問題,可以調整的細節很多,包括優化傳輸編碼以及天線、晶片優化等各項調整,就有機會維持可接受的音質,並有效改善延遲情況。

挑選藍牙耳機時,最常出現的討論當然還包括傳輸編碼的選擇。

藍牙傳輸的編碼,主要可分為四種常見規格:SBC、AAC、aptX、LDAC。在數據的封包傳輸量上,一般來說,SBC<AAC<aptX<LDAC。越後者理論上封包越大,越有機會延遲。

但除了考慮到延遲,實際應用還有支援度與音質的問題。

-----廣告,請繼續往下閱讀-----

首先,討論支援度的部分。SBC、AAC 是普遍手機、電腦都具有的編碼規格,而 aptX則是高通所開發的一系列編碼(包括 aptX、aptX HD、aptX LL、aptX Adaptive)。目前 Android 手機普遍支援apt X、aptX HD規格,但 iPhone 就沒有支援aptX系列,僅支援SBC與AAC;另外,aptX LL雖然很快,但目前沒有任何手機支援。而 LDAC 則是 Sony 獨家的技術,目前僅有少數高階藍牙耳罩耳機有支援此項傳輸協定,音質好但延遲問題明顯。

前面描述的規格僅限於一般的規範,實際上還要看耳機的優化狀況。有些討論中常誤解認為 AAC 技術在傳輸速度必定輸給 aptX LL,但實際上考量到支援度,已經有開發團隊以優化 AAC 的方式來改善延遲問題。最知名的例子就是,在Apple生態系之下,iOS系統連接蘋果的藍牙耳機 AirPods Pro,經過優化的結果,就要比一般藍牙耳機透過 AAC 連接 iOS 延遲還要低上許多。因此加入「優化AAC」選項後,藍牙傳輸速度排名:優化AAC > aptX LL>AAC>aptX。

圖/Pexels

再來,討論音質的部分。影響音質的因素很多,耳機的整體配置都會有所影響,包括耳機共鳴體、驅動單體、組件搭配……等,再加上考慮到使用情境,若大多聽 KKBOX、Spotify、YouTube 等串流音樂,「優化 AAC」在音質與降低延遲取得平衡可以有很不錯的成效,提供使用者最佳的體驗。

怎麼選擇藍牙耳機?便利性、環繞音、低延遲

討論到最後,我們問到混音師 Hikari 對於藍牙耳機音質的評價,他坦率表示曾實際測試多款耳機。現有的藍牙耳機對專業混音師來說,完全難以達到工作所需要的音質,但他個人並不排斥在生活中使用。在通勤等生活情境中,藍牙耳機的「方便性」是他最在意的優點之一。

-----廣告,請繼續往下閱讀-----

對一般消費者來說,選擇耳機主要要考量喜歡聽哪種頻率的音樂,例如中頻很好的耳機,拿來聽蔡琴的聲音很理想,但拿來打遊戲可能就聽不到敵方腳步聲的聲音。

對Hikari來說,選擇合適的耳機,跟使用情境與慣聽的音樂屬性有很大的關聯,對想一邊舒適地聽音樂、又可以通話,甚至想要輕鬆玩遊戲的人來說,無線藍牙耳機肯定是最好的選擇啦。

以下是他的推薦名單,如果你也有各種心頭好,也不妨推薦給我們吧!

Hikari推薦耳機名單

  • 注重隔音、主動降噪(ANC),想隔絕外部噪音:
    Airpods Pro、Sony WH-1000XM4
  • 注重中低頻響應,適合電音、Dubstep聆聽且具備情境切換功能:
    jlab jbuds air executive
  • 低價但擁有不錯音質的超高CP值耳機:
    pamu scroll plus
  • 錄音與音樂製作,或是想要發燒耳機品質:
    Sony MDR-900ST、BEYERDYNAMIC DT1770 pro (所有藍牙耳機都不適合,請乖乖用類比耳機)
-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 1
鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。