雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))按：本文作者陳孝良，工學(xué)博士，聲智科技創(chuàng )始人。 。

亞馬遜Echo和谷歌Home爭奇斗艷，除了云端服務(wù)，他們在硬件上到底有哪些差異？我們先將Echo和Home兩款音箱拆開(kāi)來(lái)看，區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。這種差異我們在文章《對比Amazon Echo，Google Home為何只采用了2個(gè)麥克風(fēng)？》做了探討。但是好多朋友私信咨詢(xún)，因此這里想稍微深入談?wù)匊溈孙L(fēng)陣列技術(shù)，以及智能語(yǔ)音交互設備到底應該選用怎樣的方案。

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”，主要由一定數目的聲學(xué)傳感器組成，用來(lái)對聲場(chǎng)的空間特性進(jìn)行采樣并處理的系統。而這篇文章講到的麥克風(fēng)陣列是其中一個(gè)狹義概念，特指應用于語(yǔ)音處理的按一定規則排列的多個(gè)麥克風(fēng)系統，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。

麥克風(fēng)陣列一般來(lái)說(shuō)有線(xiàn)形、環(huán)形和球形之分，嚴謹的應該說(shuō)成一字、十字、平面、螺旋、球形及無(wú)規則陣列等。至于麥克風(fēng)陣列的陣元數量，也就是麥克風(fēng)數量，可以從2個(gè)到上千個(gè)不等。這樣說(shuō)來(lái)，麥克風(fēng)陣列真的好復雜，別擔心，復雜的麥克風(fēng)陣列主要應用于工業(yè)和國防領(lǐng)域，消費領(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？

消費級麥克風(fēng)陣列的興起得益于語(yǔ)音交互的市場(chǎng)火熱，主要解決遠距離語(yǔ)音識別的問(wèn)題，以保證真實(shí)場(chǎng)景下的語(yǔ)音識別率。這涉及了語(yǔ)音交互用戶(hù)場(chǎng)景的變化，當用戶(hù)從手機切換到類(lèi)似Echo智能音箱或者機器人的時(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(yǔ)和大聲嘶喊的區別。

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

顯然，當語(yǔ)音交互的場(chǎng)景過(guò)渡到以Echo、機器人或者汽車(chē)為主要場(chǎng)景的時(shí)候，單麥克風(fēng)的局限就凸顯出來(lái)。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(yǔ)音處理的方法應時(shí)而生。麥克風(fēng)陣列由一組按一定幾何結構（常用線(xiàn)形、環(huán)形）擺放的麥克風(fēng)組成，對采集的不同空間方向的聲音信號進(jìn)行空時(shí)處理，實(shí)現噪聲抑制、混響去除、人聲干擾抑制、聲源測向、聲源跟蹤、陣列增益等功能，進(jìn)而提高語(yǔ)音信號處理質(zhì)量，以提高真實(shí)環(huán)境下的語(yǔ)音識別率。

事實(shí)上，僅靠麥克風(fēng)陣列也很難保證語(yǔ)音識別率的指標。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處理，得到了語(yǔ)音識別想要的聲音，但是語(yǔ)音識別率卻是在云端測試得到的結果，因此這兩個(gè)系統必須匹配在一起才能得到最好的效果。不僅如此，麥克風(fēng)陣列處理信號的質(zhì)量還無(wú)法定義標準。因為當前的語(yǔ)音識別基本都是深度學(xué)習訓練的結果，而深度學(xué)習有個(gè)局限就是嚴重依賴(lài)于輸入訓練的樣本庫，若處理后的聲音與樣本庫不匹配則識別效果也不會(huì )太好。從這個(gè)角度應該非常容易理解，物理世界的信號處理也并非越是純凈越好，而是越接近于訓練樣本庫的特征越好，即便這個(gè)樣本庫的訓練信號很差。顯然，這是一個(gè)非常難于實(shí)現的過(guò)程，至少要聲學(xué)處理和深度學(xué)習的兩個(gè)團隊配合才能做好這個(gè)事情，另外聲學(xué)信號處理這個(gè)層次輸出的信號特征對語(yǔ)義理解也非常重要�？磥�(lái)，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，我們測試了某語(yǔ)音識別引擎在單麥克風(fēng)和四麥克風(fēng)環(huán)形陣列的識別率對比。另外也要提醒，語(yǔ)音識別率并非只有一個(gè)WER指標，還有個(gè)重要的虛警率指標，稍微有點(diǎn)聲音就亂識別也不行，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)

消費級的麥克風(fēng)陣列主要面臨環(huán)境噪聲、房間混響、人聲疊加、模型噪聲、陣列結構等問(wèn)題，若使用到語(yǔ)音識別場(chǎng)景，還要考慮針對語(yǔ)音識別的優(yōu)化和匹配等問(wèn)題。為了解決上述問(wèn)題，特別是在消費領(lǐng)域的垂直場(chǎng)景應用環(huán)境中，關(guān)鍵技術(shù)就顯得尤為重要。

噪聲抑制：語(yǔ)音識別倒不需要完全去除噪聲，相對來(lái)說(shuō)通話(huà)系統中需要的技術(shù)則是噪聲去除。這里說(shuō)的噪聲一般指環(huán)境噪聲，比如空調噪聲，這類(lèi)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(yǔ)音，只是影響了語(yǔ)音的清晰度和可懂度。這種方法不適合強噪聲環(huán)境下的處理，但是應付日常場(chǎng)景的語(yǔ)音交互足夠了。

混響消除：混響在語(yǔ)音識別中是個(gè)蠻討厭的因素，混響去除的效果很大程度影響了語(yǔ)音識別的效果。我們知道，當聲源停止發(fā)聲后，聲波在房間內要經(jīng)過(guò)多次反射和吸收，似乎若干個(gè)聲波混合持續一段時(shí)間，這種現象叫做混響�；祉憰�(huì )嚴重影響語(yǔ)音信號處理，比如互相關(guān)函數或者波束主瓣，降低測向精度。

回聲抵消：嚴格來(lái)說(shuō)，這里不應該叫回聲，應該叫“自噪聲”�；芈暿腔祉懙难由旄拍�，這兩者的區別就是回聲的時(shí)延更長(cháng)。一般來(lái)說(shuō)，超過(guò)100毫秒時(shí)延的混響，人類(lèi)能夠明顯區分出，似乎一個(gè)聲音同時(shí)出現了兩次，我們就叫做回聲，比如天壇著(zhù)名的回聲壁。實(shí)際上，這里所指的是語(yǔ)音交互設備自己發(fā)出的聲音，比如Echo音箱，當播放歌曲的時(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(lè )和用戶(hù)所叫的Alexa聲音，顯然語(yǔ)音識別無(wú)法識別這兩類(lèi)聲音�；芈暤窒�就是要去掉其中的音樂(lè )信息而只保留用戶(hù)的人聲，之所以叫回聲抵消，只是延續大家的習慣而已，其實(shí)是不恰當的。

聲源測向：這里沒(méi)有用聲源定位，測向和定位是不太一樣的，而消費級麥克風(fēng)陣列做到測向就可以了，沒(méi)必要在這方面投入太多成本。聲源測向的主要作用就是偵測到與之對話(huà)人類(lèi)的聲音以便后續的波束形成。聲源測向可以基于能量方法，也可以基于譜估計，陣列也常用TDOA技術(shù)。聲源測向一般在語(yǔ)音喚醒階段實(shí)現，VAD技術(shù)其實(shí)就可以包含到這個(gè)范疇，也是未來(lái)功耗降低的關(guān)鍵研究?jì)热荨?/span>

波束形成：波束形成是通用的信號處理方法，這里是指將一定幾何結構排列的麥克風(fēng)陣列的各麥克風(fēng)輸出信號經(jīng)過(guò)處理（例如加權、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(huà)的時(shí)候，Echo只會(huì )識別其中一個(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(wèn)題，若信號較小，語(yǔ)音識別同樣不能保證，通過(guò)陣列處理可以適當加大語(yǔ)音信號的能量。

模型匹配：這個(gè)主要是和語(yǔ)音識別以及語(yǔ)義理解進(jìn)行匹配，語(yǔ)音交互是一個(gè)完整的信號鏈，從麥克風(fēng)陣列開(kāi)始的語(yǔ)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(yǔ)音交互專(zhuān)用麥克風(fēng)陣列，通常是兩套算法，一套內嵌于硬件實(shí)時(shí)處理，另外一套服務(wù)于云端匹配語(yǔ)音處理。

麥克風(fēng)陣列的技術(shù)趨勢

語(yǔ)音信號其實(shí)是不好處理的，我們知道信號處理大多基于平穩信號的假設，但是語(yǔ)音信號的特征參數均是隨時(shí)間而變化的，是典型的非平穩態(tài)過(guò)程。幸運的是語(yǔ)音信號在一個(gè)較短時(shí)間內的特性相對穩定（語(yǔ)音分幀），因而可以將其看作是一個(gè)準穩態(tài)過(guò)程，也就是說(shuō)語(yǔ)音信號具有短時(shí)平穩的特性，這才能用主流信號處理方法對其處理。從這點(diǎn)來(lái)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(xiàn)性處理（現在基本忽略非線(xiàn)性效應），因此基礎研究的突破才是未來(lái)的根本。希望能有更多熱愛(ài)人工智能的學(xué)生關(guān)注聲學(xué)，報考我們中科院聲學(xué)所。

另外一個(gè)趨勢就是麥克風(fēng)陣列的小型化，麥克風(fēng)陣列受制于半波長(cháng)理論的限制，現在的口徑還是較大，聲智科技現在可以做到2cm-8cm的間距，但是結構布局仍然還是限制了ID設計的自由性。很多產(chǎn)品采用2個(gè)麥克風(fēng)其實(shí)并非成本問(wèn)題，而是ID設計的考慮。實(shí)際上，借鑒雷達領(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)域成熟驗證，移植到消費領(lǐng)域只是時(shí)間問(wèn)題。

還有一個(gè)趨勢是麥克風(fēng)陣列的低成本化，當前無(wú)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)結構的重新設計，包括器件、芯片、算法和云端。這里要強調一下，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)的應用，多麥克風(fēng)陣列的成本下降非常明顯。

再多說(shuō)一個(gè)趨勢就是多人聲的處理和識別，其中典型的是雞尾酒會(huì )效應，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)識別多人說(shuō)話(huà)的聲音。現在的麥克風(fēng)陣列和語(yǔ)音識別還都是單人識別模式，距離多人識別的目標還很遠。前面提到了現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(shuō)白了就是先拿“軟柿子”下手，因此語(yǔ)音交互格局已定的說(shuō)法經(jīng)不起推敲，對語(yǔ)音交互的認識和探究應該說(shuō)才剛剛開(kāi)始，基礎世界的探究很可能還會(huì )出現諾獎級的成果。若展望的更遠一些，則是物理學(xué)的進(jìn)展和人工智能的進(jìn)展相結合，可能會(huì )顛覆當前的聲學(xué)信號處理以及語(yǔ)音識別方法。

如何選用麥克風(fēng)陣列？

當前成熟的麥克風(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(hù)自主選用中間的麥克風(fēng)，這樣更利于用戶(hù)進(jìn)行ID設計。其中，2個(gè)以上的麥克風(fēng)陣列又分為線(xiàn)形和環(huán)形兩種主流結構，而2麥的陣列則又有Broadside和Endfire兩種結構，限于篇幅我們以后的文章再展開(kāi)敘述。

如此眾多的組合，那么廠(chǎng)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(hù)場(chǎng)景。若定位于追求性?xún)r(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)現噪聲抑制和回聲抵消，能夠保證近場(chǎng)環(huán)境下的語(yǔ)音識別率，而且成本絕對要低很多。至于單麥語(yǔ)音識別的效果，可以體驗下采用聲智科技單麥識別算法的360兒童機器人。

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設計簡(jiǎn)單，在通話(huà)模式（也就是給人聽(tīng)）情況下可以去除某個(gè)范圍內的噪音。但是語(yǔ)音識別（也就是給機器聽(tīng)）的效果和單麥的效果卻沒(méi)有實(shí)質(zhì)區別，成本相對也比較高，若再考慮語(yǔ)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和耳機等設備上實(shí)現通話(huà)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(huà)筒）來(lái)模擬，這實(shí)際上就是2麥的Endfire結構，也就是1個(gè)麥克風(fēng)通過(guò)原理設計模擬了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設計需要前后兩個(gè)開(kāi)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計。

若希望產(chǎn)品能適應更多用戶(hù)場(chǎng)景，則可以類(lèi)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(chē)領(lǐng)域，最好是選用其他結構形式的麥克風(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在正在變小，估計明年的成本就會(huì )相差不大。這是趨勢，新興的市場(chǎng)剛開(kāi)始成本必然偏高，但隨著(zhù)技術(shù)進(jìn)步和規模擴張，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(guò)糾結成本問(wèn)題，用戶(hù)體驗才是核心的關(guān)鍵。