亞馬遜Echo和谷歌Home爭(zhēng)奇斗艷，除了云端服務(wù)，他們?cè)谟布系降子心男┎町?我們先將Echo和Home兩款音箱拆開來看，區(qū)別最大的還是麥克風(fēng)陣列技術(shù)。Amazon Echo采用的是環(huán)形6+1麥克風(fēng)陣列，而Google Home(包括Surface Studio)只采用了2麥克風(fēng)陣列。這里想稍微深入談?wù)匊溈孙L(fēng)陣列技術(shù)，以及智能語音交互設(shè)備到底應(yīng)該選用怎樣的方案。

什么是麥克風(fēng)陣列技術(shù)?

學(xué)術(shù)上有個(gè)概念是“傳聲器陣列”，主要由一定數(shù)目的聲學(xué)傳感器組成，用來對(duì)聲場(chǎng)的空間特性進(jìn)行采樣并處理的系統(tǒng)。而這篇文章講到的麥克風(fēng)陣列是其中一個(gè)狹義概念，特指應(yīng)用于語音處理的按一定規(guī)則排列的多個(gè)麥克風(fēng)系統(tǒng)，也可以簡(jiǎn)單理解為2個(gè)以上麥克風(fēng)組成的錄音系統(tǒng)。

麥克風(fēng)陣列一般來說有線形、環(huán)形和球形之分，嚴(yán)謹(jǐn)?shù)膽?yīng)該說成一字、十字、平面、螺旋、球形及無規(guī)則陣列等。至于麥克風(fēng)陣列的陣元數(shù)量，也就是麥克風(fēng)數(shù)量，可以從2個(gè)到上千個(gè)不等。這樣說來，麥克風(fēng)陣列真的好復(fù)雜，別擔(dān)心，復(fù)雜的麥克風(fēng)陣列主要應(yīng)用于工業(yè)和國(guó)防領(lǐng)域，消費(fèi)領(lǐng)域考慮到成本會(huì)簡(jiǎn)化很多。

為什么需要麥克風(fēng)陣列?

消費(fèi)級(jí)麥克風(fēng)陣列的興起得益于語音交互的市場(chǎng)火熱，主要解決遠(yuǎn)距離語音識(shí)別的問題，以保證真實(shí)場(chǎng)景下的語音識(shí)別率。這涉及了語音交互用戶場(chǎng)景的變化，當(dāng)用戶從手機(jī)切換到類似Echo智能音箱或者機(jī)器人的時(shí)候，實(shí)際上麥克風(fēng)面臨的環(huán)境就完全變了，這就如同兩個(gè)人竊竊私語和大聲嘶喊的區(qū)別。

前幾年，語音交互應(yīng)用最為普遍的就是以Siri為代表的智能手機(jī)，這個(gè)場(chǎng)景一般都是采用單麥克風(fēng)系統(tǒng)。單麥克風(fēng)系統(tǒng)可以在低噪聲、無混響、距離聲源很近的情況下獲得符合語音識(shí)別需求的聲音信號(hào)。但是，若聲源距離麥克風(fēng)距離較遠(yuǎn)，并且真實(shí)環(huán)境存在大量的噪聲、多徑反射和混響，導(dǎo)致拾取信號(hào)的質(zhì)量下降，這會(huì)嚴(yán)重影響語音識(shí)別率。而且，單麥克風(fēng)接收的信號(hào)，是由多個(gè)聲源和環(huán)境噪聲疊加的，很難實(shí)現(xiàn)各個(gè)聲源的分離。這樣就無法實(shí)現(xiàn)聲源定位和分離，這很重要，因?yàn)檫€有一類聲音的疊加并非噪聲，但是在語音識(shí)別中也要抑制，就是人聲的干擾，語音識(shí)別顯然不能同時(shí)識(shí)別兩個(gè)以上的聲音。

顯然，當(dāng)語音交互的場(chǎng)景過渡到以Echo、機(jī)器人或者汽車為主要場(chǎng)景的時(shí)候，單麥克風(fēng)的局限就凸顯出來。為了解決單麥克風(fēng)的這些局限性，利用麥克風(fēng)陣列進(jìn)行語音處理的方法應(yīng)時(shí)而生。麥克風(fēng)陣列由一組按一定幾何結(jié)構(gòu)(常用線形、環(huán)形)擺放的麥克風(fēng)組成，對(duì)采集的不同空間方向的聲音信號(hào)進(jìn)行空時(shí)處理，實(shí)現(xiàn)噪聲抑制、混響去除、人聲干擾抑制、聲源測(cè)向、聲源跟蹤、陣列增益等功能，進(jìn)而提高語音信號(hào)處理質(zhì)量，以提高真實(shí)環(huán)境下的語音識(shí)別率。

事實(shí)上，僅靠麥克風(fēng)陣列也很難保證語音識(shí)別率的指標(biāo)。麥克風(fēng)陣列還僅是物理入口，只是完成了物理世界的聲音信號(hào)處理，得到了語音識(shí)別想要的聲音，但是語音識(shí)別率卻是在云端測(cè)試得到的結(jié)果，因此這兩個(gè)系統(tǒng)必須匹配在一起才能得到最好的效果。不僅如此，麥克風(fēng)陣列處理信號(hào)的質(zhì)量還無法定義標(biāo)準(zhǔn)。因?yàn)楫?dāng)前的語音識(shí)別基本都是深度學(xué)習(xí)訓(xùn)練的結(jié)果，而深度學(xué)習(xí)有個(gè)局限就是嚴(yán)重依賴于輸入訓(xùn)練的樣本庫(kù)，若處理后的聲音與樣本庫(kù)不匹配則識(shí)別效果也不會(huì)太好。從這個(gè)角度應(yīng)該非常容易理解，物理世界的信號(hào)處理也并非越是純凈越好，而是越接近于訓(xùn)練樣本庫(kù)的特征越好，即便這個(gè)樣本庫(kù)的訓(xùn)練信號(hào)很差。顯然，這是一個(gè)非常難于實(shí)現(xiàn)的過程，至少要聲學(xué)處理和深度學(xué)習(xí)的兩個(gè)團(tuán)隊(duì)配合才能做好這個(gè)事情，另外聲學(xué)信號(hào)處理這個(gè)層次輸出的信號(hào)特征對(duì)語義理解也非常重要?？磥?，小小的麥克風(fēng)陣列還真的不是那么簡(jiǎn)單，為了更好地顯示這種差別，我們測(cè)試了某語音識(shí)別引擎在單麥克風(fēng)和四麥克風(fēng)環(huán)形陣列的識(shí)別率對(duì)比。另外也要提醒，語音識(shí)別率并非只有一個(gè)WER指標(biāo)，還有個(gè)重要的虛警率指標(biāo)，稍微有點(diǎn)聲音就亂識(shí)別也不行，另外還要考慮閾值的影響，這都是麥克風(fēng)陣列技術(shù)中的陷阱。

麥克風(fēng)陣列的關(guān)鍵技術(shù)

消費(fèi)級(jí)的麥克風(fēng)陣列主要面臨環(huán)境噪聲、房間混響、人聲疊加、模型噪聲、陣列結(jié)構(gòu)等問題，若使用到語音識(shí)別場(chǎng)景，還要考慮針對(duì)語音識(shí)別的優(yōu)化和匹配等問題。為了解決上述問題，特別是在消費(fèi)領(lǐng)域的垂直場(chǎng)景應(yīng)用環(huán)境中，關(guān)鍵技術(shù)就顯得尤為重要。

噪聲抑制：語音識(shí)別倒不需要完全去除噪聲，相對(duì)來說通話系統(tǒng)中需要的技術(shù)則是噪聲去除。這里說的噪聲一般指環(huán)境噪聲，比如空調(diào)噪聲，這類噪聲通常不具有空間指向性，能量也不是特別大，不會(huì)掩蓋正常的語音，只是影響了語音的清晰度和可懂度。這種方法不適合強(qiáng)噪聲環(huán)境下的處理，但是應(yīng)付日常場(chǎng)景的語音交互足夠了。

混響消除：混響在語音識(shí)別中是個(gè)蠻討厭的因素，混響去除的效果很大程度影響了語音識(shí)別的效果。我們知道，當(dāng)聲源停止發(fā)聲后，聲波在房間內(nèi)要經(jīng)過多次反射和吸收，似乎若干個(gè)聲波混合持續(xù)一段時(shí)間，這種現(xiàn)象叫做混響?；祉憰?huì)嚴(yán)重影響語音信號(hào)處理，比如互相關(guān)函數(shù)或者波束主瓣，降低測(cè)向精度。

回聲抵消：嚴(yán)格來說，這里不應(yīng)該叫回聲，應(yīng)該叫“自噪聲”?；芈暿腔祉懙难由旄拍?，這兩者的區(qū)別就是回聲的時(shí)延更長(zhǎng)。一般來說，超過100毫秒時(shí)延的混響，人類能夠明顯區(qū)分出，似乎一個(gè)聲音同時(shí)出現(xiàn)了兩次，我們就叫做回聲，比如天壇著名的回聲壁。實(shí)際上，這里所指的是語音交互設(shè)備自己發(fā)出的聲音，比如Echo音箱，當(dāng)播放歌曲的時(shí)候若叫Alexa，這時(shí)候麥克風(fēng)陣列實(shí)際上采集了正在播放的音樂和用戶所叫的Alexa聲音，顯然語音識(shí)別無法識(shí)別這兩類聲音?；芈暤窒褪且サ羝渲械囊魳沸畔⒍槐Ａ粲脩舻娜寺?，之所以叫回聲抵消，只是延續(xù)大家的習(xí)慣而已，其實(shí)是不恰當(dāng)?shù)摹!--empirenews.page--]

聲源測(cè)向：這里沒有用聲源定位，測(cè)向和定位是不太一樣的，而消費(fèi)級(jí)麥克風(fēng)陣列做到測(cè)向就可以了，沒必要在這方面投入太多成本。聲源測(cè)向的主要作用就是偵測(cè)到與之對(duì)話人類的聲音以便后續(xù)的波束形成。聲源測(cè)向可以基于能量方法，也可以基于譜估計(jì)，陣列也常用TDOA技術(shù)。聲源測(cè)向一般在語音喚醒階段實(shí)現(xiàn)，VAD技術(shù)其實(shí)就可以包含到這個(gè)范疇，也是未來功耗降低的關(guān)鍵研究?jī)?nèi)容。

波束形成：波束形成是通用的信號(hào)處理方法，這里是指將一定幾何結(jié)構(gòu)排列的麥克風(fēng)陣列的各麥克風(fēng)輸出信號(hào)經(jīng)過處理(例如加權(quán)、時(shí)延、求和等)形成空間指向性的方法。波束形成主要是抑制主瓣以外的聲音干擾，這里也包括人聲，比如幾個(gè)人圍繞Echo談話的時(shí)候，Echo只會(huì)識(shí)別其中一個(gè)人的聲音。

陣列增益：這個(gè)比較容易理解，主要是解決拾音距離的問題，若信號(hào)較小，語音識(shí)別同樣不能保證，通過陣列處理可以適當(dāng)加大語音信號(hào)的能量。

模型匹配：這個(gè)主要是和語音識(shí)別以及語義理解進(jìn)行匹配，語音交互是一個(gè)完整的信號(hào)鏈，從麥克風(fēng)陣列開始的語音流不可能割裂的存在，必然需要模型匹配在一起。實(shí)際上，效果較好的語音交互專用麥克風(fēng)陣列，通常是兩套算法，一套內(nèi)嵌于硬件實(shí)時(shí)處理，另外一套服務(wù)于云端匹配語音處理。

麥克風(fēng)陣列的技術(shù)趨勢(shì)

語音信號(hào)其實(shí)是不好處理的，我們知道信號(hào)處理大多基于平穩(wěn)信號(hào)的假設(shè)，但是語音信號(hào)的特征參數(shù)均是隨時(shí)間而變化的，是典型的非平穩(wěn)態(tài)過程。幸運(yùn)的是語音信號(hào)在一個(gè)較短時(shí)間內(nèi)的特性相對(duì)穩(wěn)定(語音分幀)，因而可以將其看作是一個(gè)準(zhǔn)穩(wěn)態(tài)過程，也就是說語音信號(hào)具有短時(shí)平穩(wěn)的特性，這才能用主流信號(hào)處理方法對(duì)其處理。從這點(diǎn)來看，麥克風(fēng)陣列的基本原理和模型方面就存在較大的局限，也包括聲學(xué)的非線性處理(現(xiàn)在基本忽略非線性效應(yīng))，因此基礎(chǔ)研究的突破才是未來的根本。希望能有更多熱愛人工智能的學(xué)生關(guān)注聲學(xué)，報(bào)考我們中科院聲學(xué)所。

另外一個(gè)趨勢(shì)就是麥克風(fēng)陣列的小型化，麥克風(fēng)陣列受制于半波長(zhǎng)理論的限制，現(xiàn)在的口徑還是較大，聲智科技現(xiàn)在可以做到2cm-8cm的間距，但是結(jié)構(gòu)布局仍然還是限制了ID設(shè)計(jì)的自由性。很多產(chǎn)品采用2個(gè)麥克風(fēng)其實(shí)并非成本問題，而是ID設(shè)計(jì)的考慮。實(shí)際上，借鑒雷達(dá)領(lǐng)域的合成孔徑方法，麥克風(fēng)陣列可以做的更小，而且這種方法已經(jīng)在軍工領(lǐng)域成熟驗(yàn)證，移植到消費(fèi)領(lǐng)域只是時(shí)間問題。

還有一個(gè)趨勢(shì)是麥克風(fēng)陣列的低成本化，當(dāng)前無論是2個(gè)麥克風(fēng)還是4、6個(gè)麥克風(fēng)陣列，成本都是比較高的，這影響了麥克風(fēng)陣列的普及。低成本化不是簡(jiǎn)單的更換芯片器件，而是整個(gè)結(jié)構(gòu)的重新設(shè)計(jì)，包括器件、芯片、算法和云端。這里要強(qiáng)調(diào)一下，并非2個(gè)麥克風(fēng)的陣列成本就便宜，實(shí)際上2個(gè)和4個(gè)麥克風(fēng)陣列的相差不大，2個(gè)麥克風(fēng)陣列的成本也要在60元左右，但是這還不包含進(jìn)行回聲抵消的硬件成本，若綜合比較，實(shí)際上成本相差不大。特別是今年由于新技術(shù)的應(yīng)用，多麥克風(fēng)陣列