麥克風(fēng)陣列技術(shù)語(yǔ)音交互應該選用怎樣的方案？

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褪且サ羝渲械囊魳?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。