市場主流的麥克風(fēng)陣列技術(shù)分析

風(fēng)吹麥浪，靜夜蟲鳴，人耳能聽到的聲音大約有40多萬種，頻率在20至20000赫茲之間；不僅如此，借助大腦，人類還具有分辨噪音和過濾干擾的能力。那么對于機器呢？

麥克風(fēng)陣列是什么？

麥克風(fēng)陣列（Microphone Array），從字面上，指的是麥克風(fēng)的排列。也就是說由一定數(shù)目的聲學(xué)傳感器（一般是麥克風(fēng)）組成，用來對聲場的空間特性進行采樣并處理的系統(tǒng)。

早在20世紀(jì)70、80年代，麥克風(fēng)陣列已經(jīng)被應(yīng)用于語音信號處理的研究中，進入90年代以來，基于麥克風(fēng)陣列的語音信號處理算法逐漸成為一個新的研究熱點。而到了“聲控時代”，這項技術(shù)的重要性顯得尤為突出。

麥克風(fēng)陣列能干什么？

1.語音增強（Speech Enhancement）

語音增強是指當(dāng)語音信號被各種各樣的噪聲(包括語音)干擾甚至淹沒后，從含噪聲的語音信號中提取出純凈語音的過程。所以DingDong在嘈雜環(huán)境下，也能準(zhǔn)確識別語音指令。

通過麥克風(fēng)陣列波束形成進行語音增強示意圖

從20世紀(jì)60年代開始，Boll等研究者先后提出了針對使用一個麥克風(fēng)的語音增強技術(shù)，稱為單通道語音增強。因為它使用的麥克風(fēng)個數(shù)最少，并且充分考慮到了語音譜和噪聲譜的特性，使得這些方法在某些場景下也具有較好的噪聲抑制效果，并因其方法簡單、易于實現(xiàn)的特點廣泛應(yīng)用于現(xiàn)有語音通信系統(tǒng)與消費電子系統(tǒng)中。

但是，在復(fù)雜的聲學(xué)環(huán)境下，噪聲總是來自于四面八方，且其與語音信號在時間和頻譜上常常是相互交疊的，再加上回波和混響的影響，利用單麥克風(fēng)捕捉相對純凈的語音是非常困難的。而麥克風(fēng)陣列融合了語音信號的空時信息，可以同時提取聲源并抑制噪聲。

目前基于線性陣列、平面陣列以及空間立體陣列的波束形成和降噪技術(shù)，效果均達到業(yè)界一流水平。

2013年科大訊飛車載降噪產(chǎn)品和國際競爭對手效果對比

2.聲源定位（Source Localization）

現(xiàn)實中，聲源的位置是不斷變化的，這對于麥克風(fēng)收音來說，是個障礙。麥克風(fēng)陣列則可以進行聲源定位，聲源定位技術(shù)是指使用麥克風(fēng)陣列來計算目標(biāo)說話人的角度和距離，從而實現(xiàn)對目標(biāo)說話人的跟蹤以及后續(xù)的語音定向拾取，是人機交互、音視頻會議等領(lǐng)域非常重要的前處理技術(shù)。所以麥克風(fēng)陣列技術(shù)不限制說話人的運動，不需要移動位置以改變其接收方向，具有靈活的波束控制、較高的空間分辨率、高的信號增益與較強的抗干擾能力等特點，因而成為智能語音處理系統(tǒng)中捕捉說話人語音的重要手段。

混響產(chǎn)生原因示意圖

3.去混響（Dereverberation）

一般我們聽音樂時，希望有混響的效果，這是聽覺上的一種享受。合適的混響會使得聲音圓潤動聽、富有感染力?；祉懀≧everberation）現(xiàn)象指的是聲波在室內(nèi)傳播時，要被墻壁、天花板、地板等障礙物形成反射聲，并和直達聲形成疊加，這種現(xiàn)象稱為混響。

但是，混響現(xiàn)象對于識別就沒有什么好處了。由于混響則會使得不同步的語音相互疊加，帶來了音素的交疊掩蔽效應(yīng)（Phoneme Overlap Effect），從而嚴(yán)重影響語音識別效果。

影響語音識別的部分一般是晚期混響部分，所以去混響的主要工作重點是放在如何去除晚期混響上面，多年來，去混響技術(shù)抑制是業(yè)界研究的熱點和難點。利用麥克風(fēng)陣列去混響的主要方法有以下幾種：

(1)基于盲語音增強的方法（Blind signal enhancement approach），即將混響信號作為普通的加性噪聲信號，在這個上面應(yīng)用語音增強算法。

(2)基于波束形成的方法（Beamforming based approach），通過將多麥克風(fēng)對收集的信號進行加權(quán)相加，在目標(biāo)信號的方向形成一個拾音波束，同時衰減來自其他方向的反射聲。

(3)基于逆濾波的方法（An inverse filtering approach），通過麥克風(fēng)陣列估計房間的房間沖擊響應(yīng)（Room Impulse Response, RIR），設(shè)計重構(gòu)濾波器來補償來消除混響。

現(xiàn)在科大訊飛實現(xiàn)的基于麥克風(fēng)陣列的去混響技術(shù)能很好的對房間的混響情況進行自適應(yīng)的估計，從而很好的進行純凈信號的還原，顯著的提升了語音聽感和識別效果，在測試對比中，多種混響時間下識別效果接近手機近講水平。

混響語音信號頻譜

經(jīng)過去混響后的語音信號頻譜

4.聲源信號提?。ǚ蛛x）

家里人說話太多，DingDong聽誰的呢。這個時候就需要DingDong聰明的辨別出哪個聲音才是指令。而麥克風(fēng)陣列可以實現(xiàn)聲源信號提取，聲源信號的提取就是從多個聲音信號中提取出目標(biāo)信號，聲源信號分離技術(shù)則是將需要將多個混合聲音全部提取出來。

通過麥克風(fēng)陣列波束形成做語音提取和分離

利用麥克風(fēng)陣列做信號的提取和分離主要有以下幾種方式：

(1)基于波束形成的方法，即通過向不同方向的聲源分別形成拾音波束，并且抑制其他方向的聲音，來進行語音提取或分離；

(2)基于傳統(tǒng)的盲源信號分離（Blind Source Separation）的方法進行，主要包括主成分分析（Principal Component Analysis，PCA）和基于獨立成分分析（Independent Component Analysis，ICA）的方法。

當(dāng)下的麥克風(fēng)陣列

麥克風(fēng)陣列技術(shù)雖然已經(jīng)可以達到相當(dāng)?shù)募夹g(shù)水平，但是總體上還是存在一些問題的，比如當(dāng)麥克風(fēng)和信號源距離太遠時（比如10m、20m距離），錄制信號的信噪比會很低，算法處理難度很大；對于便攜設(shè)備來說，受設(shè)備尺寸以及功耗的限制，麥克風(fēng)的個數(shù)不能太多，陣列尺寸也不能太大。而分布式麥克風(fēng)陣列技術(shù)則是解決當(dāng)前問題的一個可能途徑。所謂分布式陣列就是將子陣元或子陣列布局到更大的范圍內(nèi)，相互之間通過有線或者無線的方式進行數(shù)據(jù)的交換和共享，并在此基礎(chǔ)上進行廣義上的聲源定位、波束形成等技術(shù)實現(xiàn)信號處理。

相對于目前集中式的麥克風(fēng)陣列，分布式陣列的優(yōu)勢也是非常明顯的。首先分布式麥克風(fēng)陣列（尤其無線傳輸）的尺寸的限制就不存在了；另外，陣列的節(jié)點可以覆蓋很大的面積——總會有一個陣列的節(jié)點距離聲源很近，錄音信噪比大幅度提升，算法處理難度也會降低，總體的信號處理的效果也會有非常顯著的提升，因此分布式陣列有可能是未來智能家居和會議系統(tǒng)中的主流方案。目前科大訊飛已經(jīng)開始了相關(guān)技術(shù)研究的布局工作。

在萬物互聯(lián)的今天，麥克風(fēng)陣列技術(shù)已經(jīng)深刻的走進了我們的日常生活。在智能車載、智能家居、機器人、可穿戴設(shè)備等應(yīng)用熱潮正興起的時代，語音交互由于其便捷性，成了人機交互入口的第一選擇，麥克風(fēng)陣列自然也成為其中非常重要的前端技術(shù)。

在美國當(dāng)?shù)貢r間2016年9月13日，國際多通道語音分離和識別大賽（CHiME）組委會在美國舊金山Google公司揭曉了第四屆CHiME-4的大賽結(jié)果，在公布結(jié)果之前，我們先來看看這個CHiME是什么？CHiME（Computational Hearing in Multisource Environments）始辦于2011年，由法國計算機科學(xué)與自動化研究所、英國謝菲爾德大學(xué)、美國三菱電子研究實驗室等知名研究機構(gòu)所發(fā)起，比賽的目的是希望學(xué)術(shù)界和工業(yè)屆針對高噪聲和混響等現(xiàn)象影響下的實際場景提出全新的語音識別解決方案，以進一步提升語音識別的實用性和普適性，屬于國際語音識別評測中的高難度比賽。

今年科大訊飛首次參加該項賽事，通過和中國科學(xué)技術(shù)大學(xué)杜俊教授團隊、西北工業(yè)大學(xué)陳景東教授、佐治亞理工學(xué)院李錦輝教授等國內(nèi)外知名專家的深入合作，斬獲全部三個項目的桂冠并大幅刷新了各項目的歷史最好記錄，三個項目分別是六麥克風(fēng)、雙麥克風(fēng)和單麥克風(fēng)場景下的語音分離和英文識別任務(wù)。雖然比賽的語種是英文，但無論中文還是英文，在語音技術(shù)上是相通的。