earSmart技術(shù)重新定義用戶的移動語音體驗(yàn)

關(guān)鍵詞： earSmart

        中國的經(jīng)濟(jì)生機(jī)勃勃，廣大的人群和手機(jī)用戶群的存在，使得我們的環(huán)境變得非常的嘈雜和喧鬧。在火車站、機(jī)場和街道上，隨處可見人們打電話的場景?，F(xiàn)實(shí)生活中的噪音成為了影響用戶體驗(yàn)的一個難題。如何移除這些噪音，只是保留純凈的音質(zhì)，是需要解決的一大挑戰(zhàn)。
在Audience（奧頂智音）公司近期的新品宣講會上，該公司市場營銷副總裁Robert Schoenfield（圖1）談到，回顧電腦和手機(jī)界面的變革，電腦界面最初是以DOS命令行輸入；Windows桌面的推出使得人機(jī)交互得以改觀；觸摸屏的進(jìn)步使得人們不需要借助鍵盤就可以在觸摸屏上輸入指令。如今便到了語音的天下，很多應(yīng)用都是基于語音實(shí)現(xiàn)的。不管是智能手機(jī)、平板電腦或是家電，當(dāng)操作者發(fā)出語音后，這些設(shè)備能夠?qū)ζ溥M(jìn)行處理并理解這些指令信息。

圖1：Audience公司市場營銷副總裁Robert Schoenfield。

然而，現(xiàn)實(shí)世界的環(huán)境中不可避免地混雜著或多或少的噪聲。如何剔除這些噪聲，僅獲得純凈的語音，便是該公司的解決方案。Audience公司的工程師和科學(xué)家專注于聽覺神經(jīng)學(xué)的研發(fā)，對聲音和語音進(jìn)行處理。該公司潛心研究并模擬了人耳接收周圍環(huán)境信息的功能。人們在說話時，方向是有指向性的，音調(diào)也是在發(fā)生改變的。同時，人與人之間在交流時，人耳會判斷并專注于對方的說話聲，而不會被環(huán)境噪聲所擾亂。Audience對人耳的聽覺特點(diǎn)模擬出算法，移植到了芯片之上。
Audience公司的earSmart技術(shù)從實(shí)時通訊、語音識別和媒體捕捉三個方面對用戶體驗(yàn)進(jìn)行改善。在實(shí)時通訊上，該公司和移動運(yùn)營商合作，致力于提升用戶的通話體驗(yàn)——在非常吵雜和喧鬧的環(huán)境下，用戶仍能夠進(jìn)行清晰的通話。earSmart技術(shù)還可以提高語音識別功能。科大訊飛的語音識別技術(shù)讓用戶體驗(yàn)提升到一個新的層次，earSmart技術(shù)可以幫助剔除背景噪音，保留純凈的音質(zhì)。
人們早期使用手機(jī)僅限于語音通話，現(xiàn)在的手機(jī)具有攝像機(jī)和音樂播放器等多種功能。視頻捕捉已經(jīng)達(dá)到全高清的體驗(yàn)，自然，大家便希望音頻捕捉功能能夠達(dá)到與視頻捕捉同樣的效果。
Audience公司的工程師在現(xiàn)場用揚(yáng)聲器和帶有eS325芯片（圖2）的平板電腦，模擬了在人聲鼎沸的餐館中進(jìn)行手機(jī)免提通話的場景。通過在平板電腦上開啟和關(guān)閉降噪功能，錄音并進(jìn)行回放，可以聽到明顯的效果反差。

圖2：采用earSmart技術(shù)的eS325高級語音處理器及其結(jié)構(gòu)。

另一個演示是語音識別?？拼笥嶏w的語音識別引擎可以幫助實(shí)現(xiàn)語音搜索和導(dǎo)航功能。然而，語音識別的準(zhǔn)確率必須在65%以上，才能得到用戶的認(rèn)可。當(dāng)用戶從安靜的客廳轉(zhuǎn)換到喧鬧的大街上，便會發(fā)現(xiàn)語音識別功能并不那么好用。在引入Audience的ASR Assist（自動語音識別輔助）功能后，噪聲環(huán)境下語音識別的準(zhǔn)確率可改善到80%以上。
Robert 介紹說，Audience的芯片已經(jīng)被多家手機(jī)廠商所采用，其技術(shù)也使得整個手機(jī)行業(yè)的面貌煥然一新。大家所用到的手機(jī)產(chǎn)品，不管是三星、蘋果還是華為的手機(jī)，都裝了兩個麥克風(fēng)。這兩個麥克風(fēng)就好比人類的兩只耳朵，可以幫助我們只接收語音信息，剔除掉環(huán)境噪音。
目前，Audience已經(jīng)出貨了3億多顆高級語音處理器芯片，應(yīng)用于150多種移動設(shè)備。三星的Galaxy S3和S4，華為的Mate以及小米、魅族、步步高等公司產(chǎn)品都采用了該公司的技術(shù)。另外，該公司也與谷歌、微軟等操作系統(tǒng)提供商合作，使他們的操作系統(tǒng)對其解決方案提供支持。對于PC或平板電腦的語音操作，不像手機(jī)那樣距離較近，在遠(yuǎn)距離的語音識別上，該公司的解決方案也可以提升這些設(shè)備的用戶體驗(yàn)。
到目前為止，Audience推出了三代產(chǎn)品。該公司的第一代產(chǎn)品是非常簡單的具有雙路麥克風(fēng)噪音抑制的近距離通話窄帶電話技術(shù)。第二代產(chǎn)品的旗艦型號eS305，則支持遠(yuǎn)距離通話的寬帶電話技術(shù)以及ASR Assist技術(shù)，提供多媒體處理功能。第三代技術(shù)產(chǎn)品——高級語音處理器eS325（三星的Galaxy S4上采用的便是這項(xiàng)技術(shù)）（圖3），使超級寬帶網(wǎng)絡(luò)電話技術(shù)（24kHz）成為可能，并提供了第二代ASR Assist技術(shù)。該產(chǎn)品不僅在前代產(chǎn)品的基礎(chǔ)上實(shí)現(xiàn)了非常大的升級換代（真正的三路麥克風(fēng)技術(shù)），而且提供了De-reverb技術(shù)、音頻變焦以及增強(qiáng)型高清立體聲錄制功能。智能聲音處理器eS515則是在eS325基礎(chǔ)上，集成了高性能的立體聲音頻編解碼器（圖4）。

圖3：采用eS325高級語音處理器的系統(tǒng)框圖。

圖4：智能聲音處理器eS515在eS325基礎(chǔ)上集成了高性能的立體聲音頻編解碼器。

世界各地移動運(yùn)營商的技術(shù)規(guī)范并不一樣。美國的移動運(yùn)營商對音質(zhì)要求非常高，希望能夠剔除所有噪聲，只保留純凈的音質(zhì)，而歐洲的運(yùn)營商則希望將背景噪聲盡可能降低（不至于影響通話），這樣也可通過通話了解對方所處的環(huán)境。Robert強(qiáng)調(diào)，針對不同移動運(yùn)營商的標(biāo)準(zhǔn)，Audience的產(chǎn)品都可以做到高度兼容。
手機(jī)最初的功能僅限于打電話，后來加入了短信功能，隨著互聯(lián)網(wǎng)的興起，用戶可以在手機(jī)上進(jìn)行信息搜索和瀏覽網(wǎng)頁，如今，各種社交媒體平臺受到廣大用戶的歡迎。所有這些平臺都是朝語音驅(qū)動的方向來進(jìn)步的。比方說，駕車時是不可能用手指點(diǎn)屏幕，這時用戶便希望通過語音來操作導(dǎo)航儀。Audience已經(jīng)將人機(jī)交互的技術(shù)發(fā)展到用語音來取代觸摸屏。
另外，LTE的部署將會帶來非常大的機(jī)遇。首先是可以讓語音變成真正的移動寬帶數(shù)據(jù)，使語音數(shù)據(jù)傳輸速率變快；第二，數(shù)據(jù)傳輸率的飛躍，將會促進(jìn)語音應(yīng)用程序的發(fā)展。同時，移動運(yùn)營商需要具有前瞻性的目光，在4G產(chǎn)品推出之前制定包括語音應(yīng)用在內(nèi)的各種技術(shù)規(guī)范。Audience和中國移動共建了一個語音實(shí)驗(yàn)室，幫助進(jìn)行技術(shù)規(guī)范的制定及其解決方案的測試，同時這也有利于對將來整個生態(tài)系統(tǒng)的開發(fā)。