江苏龙网

  1. 首页 > 资讯 > 科技 > >

|语音交互：先从麦克风阵列聊起( 二 )


常用到的技术是TDOA（Time Difference Of Arrival ， 到达时间差） ， 简单理解就是通过计算信号到达麦克风之间的时间差 ， 从而计算出声源的位置坐标 ， 需要毫秒级的响应和计算 。
|语音交互：先从麦克风阵列聊起
本文插图

2. 抑制噪音/增强人声
在语音识别中 ， 语音信息中往往夹杂着噪音 ， 常见的有环境噪音和人声干扰 ， 通常不会掩盖正常的语音 ， 只是影响声音的清晰度 。 麦克风阵列主要通过波束形成技术 ， 来抑制噪音 ， 增强人声 。 可以理解为只识别某个角度的声音（一般角度可以进行调节） ， 其他角度的声音都会受到抑制 ， 从而实现抑制噪音的目的 。 反过来也可以增强角度内的人声 ， 就是增强人声 。
比如家庭场景 ， 如果我们开着电视和空调在和音箱说话 ， 音箱会以唤醒的它的角度为拾音区域 ， 抑制非该角度的噪音（电视声音和空调噪音） 。 一般我们根据使用场景去设置拾音角度 ， 使用距离越远 ， 角度越小 ， 常见为60°-120°之间 。
抑制噪音能够满足日常家庭的使用场景 ， 但对于强噪音环境的抑制效果并不理想 ， 典型的就是鸡尾酒效音 。
|语音交互：先从麦克风阵列聊起
本文插图

3. 回声消除
如果不做特殊处理的话 ， 机器人会识别自己发出来的声音 ， 很有可能就会变成无休止的自问自答 ， 或者拾音错误 。 回声消除就是为了解决这个问题 ， 消除掉机器自己发出的声音 。
比如家庭场景下 ， 你的音箱正在放音乐周杰伦的新歌 ， 但是你想要查一下天气 ， 这个时候你就会说“小X小X ， 今天天气” 。 回声消除的目的就是要去掉其中音乐信息而保留你的声音 。
其实回声消除可能不太好理解 ， 有时也被称作为“自识别” ， 即自己识别自己发出的声音 。
4. 混响消除
在某些场景 ， 发音会有回音 ， 人能听到的是17米左右距离返回的回音 。 但是机器的感知要比人敏感的的多 ， 如果不做处理 ， 就会出现一句话叠加识别的情况 。 混响常指声波在室内传播时 ， 被墙壁、天花板、地板等障碍物形成反射声 ， 并和直达声形成叠加的现象 。
比如在演播厅 ， 我们能够感受到较为明显的回音 ， 机器同样能够识别到这些回音 。 混响消除就是消除之后带来的回音 ， 只识别第一遍的内容 。
解决了这些问题 ， 基本上就可以在日常环境下进行一个正常拾音 ， 从而保证整个语音识别的正常 。
四、如何选择麦克风阵列？
市面上可选的麦克风阵列方案比较多 ， 国产主要集中在思必驰、云知声、科大讯飞和智声科技等 ， 他们也有从单麦克风到麦克风阵列的全套解决方案 ， 以及前端算法 。 纵观全球主要是亚马逊和苹果的麦克风阵列硬件 ， 谷歌和微软的前端算法 ， 分别是他们的擅长的地方 。
|语音交互：先从麦克风阵列聊起
本文插图

首先从使用场景和ID设计 ， 进行选择 。 如果是像手机一样拿在手上的近场景交互 ， 产品又追求性价比 ， 那么单麦克风完就能够满足需求；如果是像音箱一样放在家庭中的远场景交互 ， 建议可以选择4麦以上的麦克风阵列 ， 常见的有4+1和6+1两种选择方案；如果是像视频音箱一样站在面前的交互场景 ， 建议选择2-4麦的麦克风阵列 ， 当然条件允许 ， 6麦的 ， 甚至8麦的都是可以的 。 另外产品的ID设计适合什么类型的麦克风阵列 ， 这个就因人而异了 。
其次就是结合产品定位和前端算法 ， 进行选择 。 如果只需要近场景收音 ， 需求仅限于拾音 ， 建议单麦就可以 ， 成本低 ， ID设计简单；如果是想要实现类似通话降噪这种效果 ， 2麦的麦克风阵列就可以满足需求 ， 再多价值不大；如果是想要去除大部分噪音 ， 建议使用4个以上的麦克风阵列 ， 还要考虑前端降噪算法的能力 ， 一般大厂效果更加可靠 ， 麦克风阵列的硬件和前端算法的效果要结合ASR识别来一起评估 。


推荐阅读


上一篇：PingWest品玩|中国万米载人潜水器命名为“奋斗者号”

下一篇：网易科技报道|618荣耀小米晒战绩，今年没争销量"冠军"