麥克風(fēng)陣列的技術(shù)趨勢(shì) - 麥克風(fēng)陣列是什么 有哪些關(guān)鍵技術(shù)？

　　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)陣列的成本下降非常明顯。

　　再多說一個(gè)趨勢(shì)就是多人聲的處理和識(shí)別，其中典型的是雞尾酒會(huì)效應(yīng)，人的耳朵可以在嘈雜的環(huán)境中分辨想要的聲音，并且能夠同時(shí)識(shí)別多人說話的聲音。現(xiàn)在的麥克風(fēng)陣列和語音識(shí)別還都是單人識(shí)別模式，距離多人識(shí)別的目標(biāo)還很遠(yuǎn)。前面提到了現(xiàn)在的算法思想主要是“抑制”，而不是“利用”，這實(shí)際上就是人為故意簡(jiǎn)化了物理模型，說白了就是先拿“軟柿子”下手，因此語音交互格局已定的說法經(jīng)不起推敲，對(duì)語音交互的認(rèn)識(shí)和探究應(yīng)該說才剛剛開始，基礎(chǔ)世界的探究很可能還會(huì)出現(xiàn)諾獎(jiǎng)級(jí)的成果。若展望的更遠(yuǎn)一些，則是物理學(xué)的進(jìn)展和人工智能的進(jìn)展相結(jié)合，可能會(huì)顛覆當(dāng)前的聲學(xué)信號(hào)處理以及語音識(shí)別方法。

　　如何選用麥克風(fēng)陣列？

　　當(dāng)前成熟的麥克風(fēng)陣列的主要包括：訊飛的2麥、4麥和6麥方案，思必馳的6+1麥方案，云知聲（科勝訊）的2麥方案，以及聲智科技的單麥、2麥陣列、4（+1）麥陣列、6（+1）麥陣列和8（+1）麥陣列方案，其他家也有麥克風(fēng)陣列的硬件方案，但是缺乏前端算法和云端識(shí)別的優(yōu)化。由于各家算法原理的不同，有些陣列方案可以由用戶自主選用中間的麥克風(fēng)，這樣更利于用戶進(jìn)行ID設(shè)計(jì)。其中，2個(gè)以上的麥克風(fēng)陣列又分為線形和環(huán)形兩種主流結(jié)構(gòu)，而2麥的陣列則又有Broadside和Endfire兩種結(jié)構(gòu)，限于篇幅我們以后的文章再展開敘述。

　　如此眾多的組合，那么廠商該如何選擇這些方案呢？首先還是要看產(chǎn)品定位和用戶場(chǎng)景。若定位于追求性價(jià)比的產(chǎn)品，其實(shí)就不用考慮麥克風(fēng)陣列方案，就直接采用單麥方案，利用算法進(jìn)行優(yōu)化，也可實(shí)現(xiàn)噪聲抑制和回聲抵消，能夠保證近場(chǎng)環(huán)境下的語音識(shí)別率，而且成本絕對(duì)要低很多。至于單麥語音識(shí)別的效果，可以體驗(yàn)下采用聲智科技單麥識(shí)別算法的360兒童機(jī)器人。

　　但是若想更好地去除部分噪聲，可以選用2麥方案，但是這種方案比較折衷，主要優(yōu)點(diǎn)就是ID設(shè)計(jì)簡(jiǎn)單，在通話模式（也就是給人聽）情況下可以去除某個(gè)范圍內(nèi)的噪音。但是語音識(shí)別（也就是給機(jī)器聽）的效果和單麥的效果卻沒有實(shí)質(zhì)區(qū)別，成本相對(duì)也比較高，若再考慮語音交互終端必要的回聲抵消功能，成本還要上升不少。2麥方案最大的弊端還是聲源定位的能力太差，因此大多是用在手機(jī)和耳機(jī)等設(shè)備上實(shí)現(xiàn)通話降噪的效果。這種降噪效果可以采用一個(gè)指向性麥克風(fēng)（比如會(huì)議話筒）來模擬，這實(shí)際上就是2麥的Endfire結(jié)構(gòu)，也就是1個(gè)麥克風(fēng)通過原理設(shè)計(jì)模擬了2個(gè)麥克風(fēng)的功能。指向性麥克風(fēng)的不方便之處就是ID設(shè)計(jì)需要前后兩個(gè)開孔，這很麻煩，例如叮咚1代音箱采用的就是這種指向性麥克風(fēng)方案，因此采用了周邊一圈的懸空設(shè)計(jì)。

　　若希望產(chǎn)品能適應(yīng)更多用戶場(chǎng)景，則可以類似亞馬遜Echo一樣直接選用4麥以上的麥克風(fēng)陣列。這里簡(jiǎn)單給個(gè)參考，機(jī)器人一般4個(gè)麥克風(fēng)就夠了，音箱建議還是選用6個(gè)以上麥克風(fēng)，至于汽車領(lǐng)域，最好是選用其他結(jié)構(gòu)形式的麥克風(fēng)陣列，比如分布式陣列。

　　多個(gè)麥克風(fēng)陣列之間的成本差異現(xiàn)在正在變小，估計(jì)明年的成本就會(huì)相差不大。這是趨勢(shì)，新興的市場(chǎng)剛開始成本必然偏高，但隨著技術(shù)進(jìn)步和規(guī)模擴(kuò)張，成本會(huì)快速走低，因此新興產(chǎn)品在研發(fā)階段倒是不需要太過糾結(jié)成本問題，用戶體驗(yàn)才是核心的關(guān)鍵。
　　本文作者陳孝良，工學(xué)博士，聲智科技創(chuàng)始人。