智能語(yǔ)音技術(shù)中麥克風(fēng)陣列的原理

　　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(shuō)由一定數目的聲學(xué)傳感器(一般是麥克風(fēng))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。

　　早在20世紀70、80年代，麥克風(fēng)陣列已經(jīng)被應用于語(yǔ)音信號處理的研究中，進(jìn)入90年代以來(lái)，基于麥克風(fēng)陣列的語(yǔ)音信號處理算法逐漸成為一個(gè)新的研究熱點(diǎn)。而到了“聲控時(shí)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?

　　任何一項技術(shù)的發(fā)生發(fā)展都伴隨著(zhù)問(wèn)題的提出及解決，麥克風(fēng)陣列也是如此。那么它主要應用在哪些場(chǎng)景下呢?又有著(zhù)怎樣的功能!

　　噪聲環(huán)境怎么破?— 語(yǔ)音增強

　　語(yǔ)音增強是指當語(yǔ)音信號被各種各樣的噪聲(包括語(yǔ)音)干擾甚至淹沒(méi)后，從含噪聲的語(yǔ)音信號中提取出純凈語(yǔ)音的過(guò)程。所以DingDong在嘈雜環(huán)境下，也能準確識別語(yǔ)音指令。

　　通過(guò)麥克風(fēng)陣列波束形成進(jìn)行語(yǔ)音增強示意圖

　　從20世紀60年代開(kāi)始，Boll等研究者先后提出了針對使用一個(gè)麥克風(fēng)的語(yǔ)音增強技術(shù)，稱(chēng)為單通道語(yǔ)音增強。因為它使用的麥克風(fēng)個(gè)數最少，并且充分考慮到了語(yǔ)音譜和噪聲譜的特性，使得這些方法在某些場(chǎng)景下也具有較好的噪聲抑制效果，并因其方法簡(jiǎn)單、易于實(shí)現的特點(diǎn)廣泛應用于現有語(yǔ)音通信系統與消費電子系統中。

　　但是，在復雜的聲學(xué)環(huán)境下，噪聲總是來(lái)自于四面八方，且其與語(yǔ)音信號在時(shí)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(yǔ)音是非常困難的。而麥克風(fēng)陣列融合了語(yǔ)音信號的空時(shí)信息，可以同時(shí)提取聲源并抑制噪聲。

　　目前科大訊飛已經(jīng)實(shí)現了基于線(xiàn)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。

　　說(shuō)話(huà)人老是變幻位置怎么破?—聲源定位

　　現實(shí)中，聲源的位置是不斷變化的，這對于麥克風(fēng)收音來(lái)說(shuō)，是個(gè)障礙。麥克風(fēng)陣列則可以進(jìn)行聲源定位，聲源定位技術(shù)是指使用麥克風(fēng)陣列來(lái)計算目標說(shuō)話(huà)人的角度和距離，從而實(shí)現對目標說(shuō)話(huà)人的跟蹤以及后續的語(yǔ)音定向拾取，是人機交互、音視頻會(huì )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(shuō)話(huà)人的運動(dòng)，不需要移動(dòng)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(diǎn)，因而成為智能語(yǔ)音處理系統中捕捉說(shuō)話(huà)人語(yǔ)音的重要手段。

　　室內回聲太大怎么破?—去混響

　　一般我們聽(tīng)音樂(lè )時(shí)，希望有混響的效果，這是聽(tīng)覺(jué)上的一種享受。合適的混響會(huì )使得聲音圓潤動(dòng)聽(tīng)、富有感染力?；祉?Reverberation)現象指的是聲波在室內傳播時(shí)，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，這種現象稱(chēng)為混響。

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

　　影響語(yǔ)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(diǎn)是放在如何去除晚期混響上面，多年來(lái)，去混響技術(shù)抑制是業(yè)界研究的熱點(diǎn)和難點(diǎn)。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(yǔ)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(gè)上面應用語(yǔ)音增強算法。

　　2、基于波束形成的方法(Beamforming based approach)，通過(guò)將多麥克風(fēng)對收集的信號進(jìn)行加權相加，在目標信號的方向形成一個(gè)拾音波束，同時(shí)衰減來(lái)自其他方向的反射聲。

　　3、基于逆濾波的方法(An inverse filtering approach)，通過(guò)麥克風(fēng)陣列估計房間的房間沖擊響應(Room Impulse Response, RIR)，設計重構濾波器來(lái)補償來(lái)消除混響。

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

　　混響語(yǔ)音信號頻譜

　　說(shuō)話(huà)人太多怎么破?—聲源信號提取(分離)

　　家里人說(shuō)話(huà)太多，DingDong聽(tīng)誰(shuí)的呢。這個(gè)時(shí)候就需要DingDong聰明的辨別出哪個(gè)聲音才是指令。而麥克風(fēng)陣列可以實(shí)現聲源信號提取，聲源信號的提取就是從多個(gè)聲音信號中提取出目標信號，聲源信號分離技術(shù)則是將需要將多個(gè)混合聲音全部提取出來(lái)。

　　通過(guò)麥克風(fēng)陣列波束形成做語(yǔ)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(guò)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(lái)進(jìn)行語(yǔ)音提取或分離：

　　2、基于傳統的盲源信號分離(Blind Source Separation)的方法進(jìn)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。

　　進(jìn)擊的麥克風(fēng)陣列

　　麥克風(fēng)陣列技術(shù)雖然已經(jīng)可以達到相當的技術(shù)水平，但是總體上還是存在一些問(wèn)題的，比如當麥克風(fēng)和信號源距離太遠時(shí)(比如10m、20m距離)，錄制信號的信噪比會(huì )很低，算法處理難度很大;對于便攜設備來(lái)說(shuō)，受設備尺寸以及功耗的限制，麥克風(fēng)的個(gè)數不能太多，陣列尺寸也不能太大。而分布式麥克風(fēng)陣列技術(shù)則是解決當前問(wèn)題的一個(gè)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，相互之間通過(guò)有線(xiàn)或者無(wú)線(xiàn)的方式進(jìn)行數據的交換和共享，并在此基礎上進(jìn)行廣義上的聲源定位、波束形成等技術(shù)實(shí)現信號處理。

　　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(wú)線(xiàn)傳輸)的尺寸的限制就不存在了;另外，陣列的節點(diǎn)可以覆蓋很大的面積——總會(huì )有一個(gè)陣列的節點(diǎn)距離聲源很近，錄音信噪比大幅度提升，算法處理難度也會(huì )降低，總體的信號處理的效果也會(huì )有非常顯著(zhù)的提升，因此分布式陣列有可能是未來(lái)智能家居和會(huì )議系統中的主流方案。

　　在萬(wàn)物互聯(lián)的今天，麥克風(fēng)陣列技術(shù)已經(jīng)深刻的走進(jìn)了我們的日常生活。在智能車(chē)載、智能家居、機器人、可穿戴設備等應用熱潮正興起的時(shí)代，語(yǔ)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)。