深度学习赋能摩擦电声学纺织品实现衣物语音感知与生成式AI交互

为解决传统声学设备刚性、笨重难以集成于日常穿戴的问题，研究人员开展基于摩擦电效应的智能声学纺织物（A-Textile）研究，通过三维SnS2纳米花复合涂层与石墨化织物协同增强电荷捕获与存储，实现21 V输出电压、1.2 V·Pa?1灵敏度及80-900 Hz宽频响应。结合深度学习模型，该纺织品可精准识别语音指令，控制物联网设备并与ChatGPT交互，为可穿戴语音AI系统提供创新解决方案。

　　

在人工智能技术飞速发展的今天，生成式AI聊天机器人（如ChatGPT）已展现出强大的问题解决能力，但如何通过更自然的方式与AI交互仍是挑战。语音交互虽直观，传统声学设备却因刚性体积难以融入日常生活。纺织品以其柔软、亲肤和舒适的特性成为理想载体，若能实现声学感知与AI的无缝集成，日常衣物将能通过语音指令获取信息、执行任务，重塑人机交互体验。

以往研究多采用压电技术制备织物声学传感器，虽具备自供电和柔性特点，但存在输出信号微弱（微伏至毫伏级）、灵敏度低（<20 mV·Pa^?1）、响应频率离散等问题。织物本身的多级结构和界面会散射声子，抑制声音传播。摩擦起电作为一种自然现象，通过摩擦产生表面静电电荷，其声学感知器件（摩擦电声学设备）具有更高输出和灵敏度，但传统设计依赖两介电薄膜的接触-分离，需外加共振腔放大声压，导致结构复杂、体积庞大，难以用于可穿戴场景。

针对这些瓶颈，研究人员在《Science Advances》发表了一项突破性研究，开发出一种深度学习赋能的摩擦电人工智能声学纺织品（DL-empowered triboelectric AI acoustic textile, A-Textile），利用衣物上自然存在的静电电荷实现无感、主动的语音感知与AI接入。该研究通过材料创新、器件设计与深度学习算法的融合，将日常服装转化为直观的语音-AI接口。

研究采用的关键技术方法包括：1）通过水热法合成三维SnS₂纳米花（NFs）并表征其结构与电学性质；2）棉织物碳化制备类石墨化纺织品（GT）；3）多层纺织品器件的设计与集成（含SnS₂ NFs-硅橡胶复合涂层、SnS₂ NFs-GT电荷储层及银纤维电极）；4）声学性能测试系统（标准扫频信号、频率响应及灵敏度分析）；5）基于二维卷积神经网络（2D CNN）的深度学习模型用于语音信号分类与可视化。

研究结果部分，首先通过设计与制备表明，A-Textile采用七层功能结构（包括带孔尼龙/银纤维织物、间隔层、SnS₂ NFs-SR复合涂层等），利用接触起电后声波诱导静电场波动产生电信号，无需物理接触或共振腔即可实现非接触振动响应。织物特性赋予其柔韧、可穿戴、可水洗等优势（重量仅7.59 g）。

声学传感性能测试显示，SnS₂ NFs-SR与SnS₂ NFs-GT的协同设计最大化电荷密度，输出达21 V（较压电织物高4个数量级），灵敏度1.2 V·Pa^?1，频率响应80-900 Hz覆盖人声范围。表面电位测试证实0.5 wt% SnS₂ NFs含量时电荷保留时间最长（52400 s）。结构优化表明60 μm间隔层厚度、1.25 mm孔径及13%开孔率时性能最优，且经受7000次循环、9次洗涤及90%湿度下仍保持稳定输出。

深度学习赋能应用部分，通过2D CNN模型对语音指令进行分类，在智能家居控制（10种指令）、云信息访问（地理导航命令）及生成式AI交互（生活主题提问）中分别实现93.5%、97.5%和97.5%的识别准确率。特征聚类可视化（t-SNE）显示模型有效区分不同指令类别。实际演示中，用户通过衣物语音无线控制家电（电视、灯具）、操作手机导航（Google Maps）并与ChatGPT进行多轮对话（如查询食谱、解释概念），验证了系统的实用性与鲁棒性。

研究结论强调，该工作通过利用自然静电电荷，创建出高性能、可穿戴、耐洗的摩擦电声学传感纺织品，实现了衣物集成、自供电的无感语音感知与AI交互。SnS₂ NFs-SR复合涂层与SnS₂ NFs-GT电荷储层的协同设计突破了传统器件限制，结合深度学习算法为智能语音服装奠定了基础。这项研究推动了可穿戴技术从被动传感向智能交互的跨越，在医疗健康、健身监测及个性化辅助等领域具有广阔应用前景。