所以从我爱音频网拆解的HUAWEI华为 FreeBuds2 pro 板上证实确实有运放，并且还加了个 DA14195 来处理各种算法及 A/D 的接口，这款产品使用唤醒词的感度大约 76db(在 OVVP 感度规格区间内)。
而唤醒词误唤醒处理可以达到19db~22db(在 OVVP 的语音强隔离护罩规格区间内)也是挺不错的，使用加速度骨传导传感器感测声带振动与只使用麦克风感测用户说话声音的差异是，在说唤醒词或语音命令时肯定，声量要大一些(差约 7db 左右)，这大厂设计出来的产品还是很有代表性。
另外这个产品也有几条本地语音命令，科技感十足外还充分发挥了 vpu 的优势，跟苹果不同的是用户说话要稍微“大声一点”，但误唤醒处理又比苹果强很多，且没有声源方向限制，任何方向都可以。
但使用 vpu来感测用户说话声音，辅助完成安全度需求较高的支付功能，不知道无“清音”的语音声谱结构缺陷是不是比较严重的影响了用户体验。
使用骨传导传感器，未做清音补偿状况下会让，Recode 听成 code，Strange 听成 change，HUAWEI 听成 AWEI,，河听成了鹅,，福听成了无，钱听成了言。
声结构的改变会让人工智能语音识别产生严重错误，知乎上看到很多关于这方面的投诉，用户很刻意的大声说都没办法完成支付或声纹学习，似乎感觉这个问题解决的并不好，当然也可能 Freebuds2 pro 内的字词识别引擎处理的不好或某种不良所导致。
从产业角度看 HUAWEI 起了个好头领先苹果超过数月，将 TWS 耳机智能化脚步推快了几步，并在耳机产品数十年关注音质好坏，噪声水平之外，注入了智能语音应用的亮点与活水，教育了群众，活络了产业，让产业有了再扩张及引动新浪潮的可能。
2-3、使用 MEMS 加速度计骨传导传感器(上行降噪)
Apple Airpods，使用多重手段（LPSD、BF、骨导降噪）在背了“不改变用户使用习惯”的大锅条件下，唤醒词误唤醒处里约有 7db~9db 的效果（用户背后 0.5 米环境噪声 45db 与仅做 BF及 NS 处里的唤醒词开发板对比）。
AirPods支持唤醒词(本地,云端或本地 手机)，所有的语音命令都在云端，在云端的优点是词汇的弹性无限，只要语义近似全都能用，识别精度更高，抗噪能力较强，占用本地芯片的资源较少，缺点是无法联网或联网品质不好时使用体验急速劣化甚至无法使用，响应速度较慢。
市场上能用于上行降噪的加速度传感器除了使用压电材料的 vpu（模拟输出）外，ST 意法半导体使用 MEMS 技术的LIS25BA（TDM 接口）是市场上唯一的产品，LIS25BA 是一个全数字产品，内含 A/D 及 TDM 接口，相关信息可以向 ST意法半导体索取。
虽然市场上有传感器可用，但受限于权利保护覆盖面强大严谨的苹果专利及担负改变上行声音数据声结构所造成风险的技术难度，眼下市场上还没有可流通的专用降噪算法，DSPC，Sensory，高通这些知名算法大拿都还没有明显动静，但一些国内 MEMS麦克风的厂家及一些国内算法公司已隐隐传出动静。
下面将对骨传导上行降噪算法的难度提出一些看法，因技术能力与知识范围有限，谬误之处还请包涵指教。这里简单的谈下骨传导与麦克风融合的上行降噪技术。
在进入主题前首先为大家介绍一篇来自肖新华先生在 2009 年提出的研究生毕业论文，让大家对后面提及的”TWS耳机语音算法技术难度”有个衡量基础：
《国防科学技术大学研究生院工程硕士学位论文：面向骨传导语音消噪算法及硬件实现技术研究》
这是一篇以非负稀疏编码 NNSC（Non-Negative Sparse Coding）为消噪核心主体并带上一个使用AMDF （Average Magnitude Difference Function）技术的 VAD 算法配合消除风噪，枪炮声，摩擦声。
这并非苹果公司使用的降噪技术，但可以让大家对骨传导降噪或 VAD 做个初步了解，这篇论文以人为可懂度衡量对象，用骨传导传感器感测的声带振动为主声源，一个传统麦克风做噪音拾取噪声源，通过算法完成降噪处里。
但现在可懂度的衡量对象除了人还有机器（语音识别算法），而机器对于可懂度的要求要比人高很多，因为机器对语音识别的整体智能还远不如人。
这里整理了一张对照表，以苹果的 TWS 耳机做为参照标准，比较使用 2 种完全不同性质的声传感器所感测到的声音信息数据在处理完降噪问题后要等于 1种声传感器所感测到的声音信息数据，将可能将要面临到多少问题及挑战。
