亚马逊Echo和谷歌Home争奇斗艳除叻云端服务，他们在硬件上到底有哪些差异我们先将Echo和Home两款音箱拆开来看，区别最大的还是麦克风阵列式麦克风技术Amazon Echo采用的是环形6+1麦克风阵列式麦克风，而Google Home（包括Surface Studio）只采用了2麦克风阵列式麦克风这种差异我们在文章《对比Amazon Echo，Google Home为何只采用了2个麦克风》做了探讨。但是恏多朋友私信咨询因此这里想稍微深入谈谈麦克风阵列式麦克风技术，以及智能语音交互设备到底应该选用怎样的方案

　　什么是麦克风阵列式麦克风技术？

　　学术上有个概念是“传声器阵列式麦克风”主要由一定数目的声学传感器组成，用来对声场的空间特性进荇采样并处理的系统而这篇文章讲到的麦克风阵列式麦克风是其中一个狭义概念，特指应用于语音处理的按一定规则排列的多个麦克风系统也可以简单理解为2个以上麦克风组成的录音系统。

　　麦克风阵列式麦克风一般来说有线形、环形和球形之分严谨的应该说成一芓、十字、平面、螺旋、球形及无规则阵列式麦克风等。至于麦克风阵列式麦克风的阵元数量也就是麦克风数量，可以从2个到上千个不等这样说来，麦克风阵列式麦克风真的好复杂别担心，复杂的麦克风阵列式麦克风主要应用于工业和国防领域消费领域考虑到成本會简化很多。

　　为什么需要麦克风阵列式麦克风

　　消费级麦克风阵列式麦克风的兴起得益于语音交互的市场火热，主要解决远距离語音识别的问题以保证真实场景下的语音识别率。这涉及了语音交互用户场景的变化当用户从手机切换到类似Echo智能音箱或者机器人的時候，实际上麦克风面临的环境就完全变了这就如同两个人窃窃私语和大声嘶喊的区别。

　　前几年语音交互应用最为普遍的就是以Siri為代表的智能手机，这个场景一般都是采用单麦克风系统单麦克风系统可以在低噪声、无混响、距离声源很近的情况下获得符合语音识別需求的声音信号。但是若声源距离麦克风距离较远，并且真实环境存在大量的噪声、多径反射和混响导致拾取信号的质量下降，这會严重影响语音识别率而且，单麦克风接收的信号是由多个声源和环境噪声叠加的，很难实现各个声源的分离这样就无法实现声源萣位和分离，这很重要因为还有一类声音的叠加并非噪声，但是在语音识别中也要抑制就是人声的干扰，语音识别显然不能同时识别兩个以上的声音

　　显然，当语音交互的场景过渡到以Echo、机器人或者汽车为主要场景的时候单麦克风的局限就凸显出来。为了解决单麥克风的这些局限性利用麦克风阵列式麦克风进行语音处理的方法应时而生。麦克风阵列式麦克风由一组按一定几何结构（常用线形、環形）摆放的麦克风组成对采集的不同空间方向的声音信号进行空时处理，实现噪声抑制、混响去除、人声干扰抑制、声源测向、声源哏踪、阵列式麦克风增益等功能进而提高语音信号处理质量，以提高真实环境下的语音识别率

　　事实上，仅靠麦克风阵列式麦克风吔很难保证语音识别率的指标麦克风阵列式麦克风还仅是物理入口，只是完成了物理世界的声音信号处理得到了语音识别想要的声音，但是语音识别率却是在云端测试得到的结果因此这两个系统必须匹配在一起才能得到最好的效果。不仅如此麦克风阵列式麦克风处悝信号的质量还无法定义标准。因为当前的语音识别基本都是深度学习训练的结果而深度学习有个局限就是严重依赖于输入训练的样本庫，若处理后的声音与样本库不匹配则识别效果也不会太好从这个角度应该非常容易理解，物理世界的信号处理也并非越是纯净越好洏是越接近于训练样本库的特征越好，即便这个样本库的训练信号很差显然，这是一个非常难于实现的过程至少要声学处理和深度学習的两个团队配合才能做好这个事情，另外声学信号处理这个层次输出的信号特征对语义理解也非常重要看来，小小的麦克风阵列式麦克风还真的不是那么简单为了更好地显示这种差别，我们测试了某语音识别引擎在单麦克风和四麦克风环形阵列式麦克风的识别率对比另外也要提醒，语音识别率并非只有一个WER指标还有个重要的虚警率指标，稍微有点声音就乱识别也不行另外还要考虑阈值的影响，這都是麦克风阵列式麦克风技术中的陷阱

　　麦克风阵列式麦克风的关键技术

　　消费级的麦克风阵列式麦克风主要面临环境噪声、房間混响、人声叠加、模型噪声、阵列式麦克风结构等问题，若使用到语音识别场景还要考虑针对语音识别的优化和匹配等问题。为了解決上述问题特别是在消费领域的垂直场景应用环境中，关键技术就显得尤为重要

　　噪声抑制：语音识别倒不需要完全去除噪声，相對来说通话系统中需要的技术则是噪声去除这里说的噪声一般指环境噪声，比如空调噪声这类噪声通常不具有空间指向性，能量也不昰特别大不会掩盖正常的语音，只是影响了语音的清晰度和可懂度这种方法不适合强噪声环境下的处理，但是应付日常场景的语音交互足够了

　　混响消除：混响在语音识别中是个蛮讨厌的因素，混响去除的效果很大程度影响了语音识别的效果我们知道，当声源停圵发声后声波在房间内要经过多次反射和吸收，似乎若干个声波混合持续一段时间这种现象叫做混响。混响会严重影响语音信号处理比如互相关函数或者波束主瓣，降低测向精度

　　回声抵消：严格来说，这里不应该叫回声应该叫“自噪声”。回声是混响的延伸概念这两者的区别就是回声的时延更长。一般来说超过100毫秒时延的混响，人类能够明显区分出似乎一个声音同时出现了两次，我们僦叫做回声比如天坛著名的回声壁。实际上这里所指的是语音交互设备自己发出的声音，比如Echo音箱当播放歌曲的时候若叫Alexa，这时候麥克风阵列式麦克风实际上采集了正在播放的音乐和用户所叫的Alexa声音显然语音识别无法识别这两类声音。回声抵消就是要去掉其中的音樂信息而只保留用户的人声之所以叫回声抵消，只是延续大家的习惯而已其实是不恰当的。

　　声源测向：这里没有用声源定位测姠和定位是不太一样的，而消费级麦克风阵列式麦克风做到测向就可以了没必要在这方面投入太多成本。声源测向的主要作用就是侦测箌与之对话人类的声音以便后续的波束形成声源测向可以基于能量方法，也可以基于谱估计阵列式麦克风也常用TDOA技术。声源测向一般茬语音唤醒阶段实现VAD技术其实就可以包含到这个范畴，也是未来功耗降低的关键研究内容

　　波束形成：波束形成是通用的信号处理方法，这里是指将一定几何结构排列的麦克风阵列式麦克风的各麦克风输出信号经过处理（例如加权、时延、求和等）形成空间指向性的方法波束形成主要是抑制主瓣以外的声音干扰，这里也包括人声比如几个人围绕Echo谈话的时候，Echo只会识别其中一个人的声音

　　阵列式麦克风增益：这个比较容易理解，主要是解决拾音距离的问题若信号较小，语音识别同样不能保证通过阵列式麦克风处理可以适当加大语音信号的能量。

　　模型匹配：这个主要是和语音识别以及语义理解进行匹配语音交互是一个完整的信号链，从麦克风阵列式麦克风开始的语音流不可能割裂的存在必然需要模型匹配在一起。实际上效果较好的语音交互专用麦克风阵列式麦克风，通常是两套算法一套内嵌于硬件实时处理，另外一套服务于云端匹配语音处理

　　麦克风阵列式麦克风的技术趋势

　　语音信号其实是不好处理的，我们知道信号处理大多基于平稳信号的假设但是语音信号的特征参数均是随时间而变化的，是典型的非平稳态过程幸运的是语音信號在一个较短时间内的特性相对稳定（语音分帧），因而可以将其看作是一个准稳态过程也就是说语音信号具有短时平稳的特性，这才能用主流信号处理方法对其处理从这点来看，麦克风阵列式麦克风的基本原理和模型方面就存在较大的局限也包括声学的非线性处理（现在基本忽略非线性效应），因此基础研究的突破才是未来的根本希望能有更多热爱人工智能的学生关注声学，报考我们中科院声学所

　　另外一个趋势就是麦克风阵列式麦克风的小型化，麦克风阵列式麦克风受制于半波长理论的限制现在的口径还是较大，声智科技现在可以做到2cm-8cm的间距但是结构布局仍然还是限制了ID设计的自由性。很多产品采用2个麦克风其实并非成本问题而是ID设计的考虑。实际仩借鉴雷达领域的合成孔径方法，麦克风阵列式麦克风可以做的更小而且这种方法已经在军工领域成熟验证，移植到消费领域只是时間问题

　　还有一个趋势是麦克风阵列式麦克风的低成本化，当前无论是2个麦克风还是4、6个麦克风阵列式麦克风成本都是比较高的，這影响了麦克风阵列式麦克风的普及低成本化不是简单的更换芯片器件，而是整个结构的重新设计包括器件、芯片、算法和云端。这裏要强调一下并非2个麦克风的阵列式麦克风成本就便宜，实际上2个和4个麦克风阵列式麦克风的相差不大2个麦克风阵列式麦克风的成本吔要在60元左右，但是这还不包含进行回声抵消的硬件成本若综合比较，实际上成本相差不大特别是今年由于新技术的应用，多麦克风陣列式麦克风的成本下降非常明显

　　再多说一个趋势就是多人声的处理和识别，其中典型的是鸡尾酒会效应人的耳朵可以在嘈杂的環境中分辨想要的声音，并且能够同时识别多人说话的声音现在的麦克风阵列式麦克风和语音识别还都是单人识别模式，距离多人识别嘚目标还很远前面提到了现在的算法思想主要是“抑制”，而不是“利用”这实际上就是人为故意简化了物理模型，说白了就是先拿“软柿子”下手因此语音交互格局已定的说法经不起推敲，对语音交互的认识和探究应该说才刚刚开始基础世界的探究很可能还会出現诺奖级的成果。若展望的更远一些则是物理学的进展和人工智能的进展相结合，可能会颠覆当前的声学信号处理以及语音识别方法

　　如何选用麦克风阵列式麦克风？

　　当前成熟的麦克风阵列式麦克风的主要包括：讯飞的2麦、4麦和6麦方案思必驰的6+1麦方案，云知声（科胜讯）的2麦方案以及声智科技的单麦、2麦阵列式麦克风、4（+1）麦阵列式麦克风、6（+1）麦阵列式麦克风和8（+1）麦阵列式麦克风方案，其他家也有麦克风阵列式麦克风的硬件方案但是缺乏前端算法和云端识别的优化。由于各家算法原理的不同有些阵列式麦克风方案可鉯由用户自主选用中间的麦克风，这样更利于用户进行ID设计其中，2个以上的麦克风阵列式麦克风又分为线形和环形两种主流结构而2麦嘚阵列式麦克风则又有Broadside和Endfire两种结构，限于篇幅我们以后的文章再展开叙述

　　如此众多的组合，那么厂商该如何选择这些方案呢首先還是要看产品定位和用户场景。若定位于追求性价比的产品其实就不用考虑麦克风阵列式麦克风方案，就直接采用单麦方案利用算法進行优化，也可实现噪声抑制和回声抵消能够保证近场环境下的语音识别率，而且成本绝对要低很多至于单麦语音识别的效果，可以體验下采用声智科技单麦识别算法的360儿童机器人

　　但是若想更好地去除部分噪声，可以选用2麦方案但是这种方案比较折衷，主要优點就是ID设计简单在通话模式（也就是给人听）情况下可以去除某个范围内的噪音。但是语音识别（也就是给机器听）的效果和单麦的效果却没有实质区别成本相对也比较高，若再考虑语音交互终端必要的回声抵消功能成本还要上升不少。2麦方案最大的弊端还是声源定位的能力太差因此大多是用在手机和耳机等设备上实现通话降噪的效果。这种降噪效果可以采用一个指向性麦克风（比如会议话筒）来模拟这实际上就是2麦的Endfire结构，也就是1个麦克风通过原理设计模拟了2个麦克风的功能指向性麦克风的不方便之处就是ID设计需要前后两个開孔，这很麻烦例如叮咚1代音箱采用的就是这种指向性麦克风方案，因此采用了周边一圈的悬空设计

　　若希望产品能适应更多用户場景，则可以类似亚马逊Echo一样直接选用4麦以上的麦克风阵列式麦克风这里简单给个参考，机器人一般4个麦克风就够了音箱建议还是选鼡6个以上麦克风，至于汽车领域最好是选用其他结构形式的麦克风阵列式麦克风，比如分布式阵列式麦克风

　　多个麦克风阵列式麦克风之间的成本差异现在正在变小，估计明年的成本就会相差不大这是趋势，新兴的市场刚开始成本必然偏高但随着技术进步和规模擴张，成本会快速走低因此新兴产品在研发阶段倒是不需要太过纠结成本问题，用户体验才是核心的关键
　　本文作者陈孝良，工学博士声智科技创始人。