前幾年，語(yǔ)音交互應(yīng)用最為普遍的就是以Siri為代表的智能手機(jī)，這個(gè)場(chǎng)景一般都是采用單麥克風(fēng)系統(tǒng)。

單麥克風(fēng)系統(tǒng)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(shí)別需求的聲音信號(hào)。但是，若聲源距離麥克風(fēng)距離較遠(yuǎn)，并且真實(shí)環(huán)境存在大量的噪聲、多徑反射和混響，導(dǎo)致拾取信號(hào)的質(zhì)量下降，這會(huì)嚴(yán)重影響語(yǔ)音識(shí)別率。而且，單麥克風(fēng)接收的信號(hào)，是由多個(gè)聲源和環(huán)境噪聲疊加的，很難實(shí)現(xiàn)各個(gè)聲源的分離。這樣就無(wú)法實(shí)現(xiàn)聲源定位和分離，這很重要，因?yàn)檫�有一類聲音的疊加并非噪聲，但是在語(yǔ)音識(shí)別中也要抑制，就是人聲的干擾，語(yǔ)音識(shí)別顯然不能同時(shí)識(shí)別兩個(gè)以上的聲音。

為什么需要麥克風(fēng)陣列？

消費(fèi)級(jí)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(yuǎn)距離語(yǔ)音識(shí)別的問(wèn)題，以保證真實(shí)場(chǎng)景下的語(yǔ)音識(shí)別率。這涉及了語(yǔ)音交互用戶場(chǎng)景的變化，當(dāng)用戶從手機(jī)切換到類似Echo智能音箱或者機(jī)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(qū)別。

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(hào)處理，得到了語(yǔ)音識(shí)別想要的聲音，但是語(yǔ)音識(shí)別率卻是在云端測(cè)試得到的結(jié)果，因此這兩個(gè)系統(tǒng)必須匹配在一起才能得到最好的效果。

麥克風(fēng)陣列的關(guān)鍵技術(shù)

消費(fèi)級(jí)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(jié)構(gòu)等問(wèn)題，若使用到語(yǔ)音識(shí)別場(chǎng)景，還要考慮針對(duì)語(yǔ)音識(shí)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(fèi)領(lǐng)域的垂直場(chǎng)景應(yīng)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(shí)別倒不需要完全去除噪聲，相對(duì)來(lái)說(shuō)通話系統(tǒng)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(diào)噪聲，這類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(qiáng)噪聲環(huán)境下的處理，但是應(yīng)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(shí)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(shí)別的效果。我們知道，當(dāng)聲源停止發(fā)聲后，聲波在房間內(nèi)要經(jīng)過(guò)多次反射和吸收，似乎若干個(gè)聲波混合持續(xù)一段時(shí)間，這種現(xiàn)象叫做混響。混響會(huì)嚴(yán)重影響語(yǔ)音信號(hào)處理，比如互相關(guān)函數(shù)或者波束主瓣，降低測(cè)向精度。

聲源測(cè)向

這里沒(méi)有用聲源定位，測(cè)向和定位是不太一樣的，而消費(fèi)級(jí)麥克風(fēng)陣列做到測(cè)向就可以了，沒(méi)必要在這方面投入太多成本。聲源測(cè)向的主要作用就是偵測(cè)到與之對(duì)話人類的聲音以便后續(xù)的波束形成。聲源測(cè)向可以基于能量方法，也可以基于譜估計(jì)，陣列也常用TDOA技術(shù)。聲源測(cè)向一般在語(yǔ)音喚醒階段實(shí)現(xiàn)，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?jī)?nèi)容。

波束形成

波束形成是通用的信號(hào)處理方法，這里是指將一定幾何結(jié)構(gòu)排列的麥克風(fēng)陣列的各麥克風(fēng)輸出信號(hào)經(jīng)過(guò)處理（例如加權(quán)、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談話的時(shí)候，Echo只會(huì)識(shí)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(hào)較小，語(yǔ)音識(shí)別同樣不能保證，通過(guò)陣列處理可以適當(dāng)加大語(yǔ)音信號(hào)的能量。

模型匹配

這個(gè)主要是和語(yǔ)音識(shí)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(hào)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)音交互專用麥克風(fēng)陣列，通常是兩套算法，一套內(nèi)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。