文章来源：21dB声学人
在2025年10月发表于《科学进展》（Science Advances）的一项研究中，来自苏州大学、台湾中兴大学等机构的研究团队提出了一种基于摩擦电声学原理的智能织物——A-Textile，该织物能够通过衣物实现对语音的主动感知，并结合深度学习模型与生成式人工智能，实现语音控制物联网设备、访问云端信息乃至与ChatGPT进行交互的功能。
以往用于语音感知的压电纤维虽然具备自供电与柔性特性，但其输出信号微弱（微伏至毫伏级）、灵敏度有限、频率响应离散，且依赖特定基底，限制了其在日常穿戴中的可靠应用。相比之下，摩擦电声学器件具有输出高、灵敏度好、频响连续等优势，但传统结构通常依赖两层介质膜的接触-分离机制，往往需要外加共振腔以增强声压，导致器件结构复杂、体积庞大，难以集成到服装中。
图1 深度学习赋能的 A-Textile。该图从应用场景、实物特性、模型结构和工作原理四个维度，全面呈现 A-Textile 的核心信息。图片来源：Science Advances
该研究团队巧妙地利用了织物在日常生活中自然积累的静电电荷，设计出一种多层结构的A-Textile。
其核心由两部分组成：上层为带有孔洞的尼龙/银纤维导电织物，用于增强空气流通与声学响应；下层则包括一层掺有SnS₂纳米花（NFs）的硅橡胶复合涂层作为电荷捕获与传输层，以及一层SnS₂ NFs修饰的石墨化碳织物作为电荷存储层。
这种复合结构提高了织物的电荷密度与保持能力，在 120 dB 强声压下可输出高达 21 V 的开路电压，灵敏度达 1.2 V Pa⁻¹，可分辨 1 Hz 间隔的多频声音，频响覆盖 80–900 Hz。
图2 A-Textile声学传感性能的设计、材料及结构影响。该图是 A-Textile “材料 - 结构 - 性能” 关联的核心验证图。前 8 个子图（A-H）聚焦 “基础验证”：通过 SEM/TEM/XPS 等表征手段，证明 SnS₂纳米花的晶体纯度、类石墨碳化织物的结构特性，以及两者复合后电荷捕捉 - 传输的可行性，从材料层面解释性能提升的根源；后 8 个子图（I-P）聚焦 “变量优化”：以 “结构类型”“SnS₂含量” 为变量，通过电压输出、频率响应、表面电势等关键指标，筛选出最优结构（SnS₂ NFs-SR+SnS₂ NFs-GT 复合结构）和最优 SnS₂含量（0.5 wt%），为 A-Textile 的性能最大化提供实验依据。图片来源：Science Advances
在材料表征方面，研究团队通过SEM、TEM、XRD、XPS等多种手段验证了SnS₂ NFs的晶体结构与表面化学性质，并展示了其在复合织物中的均匀分布与高效电荷管理能力。系统实验表明，当SnS₂ NFs含量为0.5 wt%时，织物表面电位最高（约-2.08 kV），电荷保持时间最长（52,400秒），且 Voc 达到 21 V。
研究还系统探讨了织物结构参数（如间隔层厚度、孔洞直径与面积）对声学性能的影响，并分别验证了A-Textile在7000次循环使用、9天存储、90%高湿环境、1000次弯曲及多次水洗后仍能保持稳定的电声输出，展现出良好的机械鲁棒性与环境适应性。
为实现智能语音交互，研究团队构建了一套基于二维卷积神经网络的深度学习模型，对来自A-Textile的语音信号进行分类与识别。在三个典型应用场景中——智能家居控制、云端信息检索（如Google Maps导航）以及与ChatGPT的生成式对话——该系统分别实现了93.5%、97.5%和97.5%的识别准确率。模型在不同用户和噪声环境下也表现出良好的泛化能力与鲁棒性。
图5 深度学习赋能的 A-Textile 在生成式 AI 聊天机器人访问中的应用。图片来源：Science Advances
尽管当前系统尚未实现信号处理与决策模块的全织物集成，该研究仍为未来服装内置语音AI系统的发展带来了一定的启发。研究者认为，这种将高性能声学感知与人工智能深度融合的纺织物平台，将在健康监测、个性化辅助、人机交互等领域展现出广泛的应用前景。
论文信息：Shao B, Wu T C, Yan Z X, et al. Deep learning–empowered triboelectric acoustic textile for voice perception and intuitive generative AI-voice access on clothing[J]. Science Advances, 2025, 11: eadx3348.
