揭秘科大讯飞麦克风阵列技术

　　麦克风阵列是什么？这个名词是不是很陌生,放心！下面小编和你唠唠这个麦克风阵列。

『麦克风阵列是什么？』

　　麦克风阵列（Microphone Array），从字面理解可拆分为“麦克风”和“阵列”两个词组，指的是麦克风的排列。也就是说由一定数目的声学传感器（一般是麦克风）组成，用来对声场的空间特性进行采样并处理的系统。

　　早在20世纪70、80年代，麦克风阵列已经被应用于语音信号处理的研究中，进入90年代以来，基于麦克风阵列的语音信号处理算法逐渐成为一个新的研究热点。而到了“声控时代”，这项技术的重要性显得尤为突出。

『麦克风阵列能干什么』

　　【噪声环境怎么破？】—— 语音增强（Speech Enhancement）

　　语音增强是指当语音信号被各种各样的噪声(包括语音)干扰甚至淹没后，从含噪声的语音信号中提取出纯净语音的过程。所以DingDong在嘈杂环境下，也能准确识别语音指令。

　　通过麦克风阵列波束形成进行语音增强示意图

　　从20世纪60年代开始，Boll等研究者先后提出了针对使用一个麦克风的语音增强技术，称为单通道语音增强。因为它使用的麦克风个数最少，并且充分考虑到了语音谱和噪声谱的特性，使得这些方法在某些场景下也具有较好的噪声抑制效果，并因其方法简单、易于实现的特点广泛应用于现有语音通信系统与消费电子系统中。

　　但是，在复杂的声学环境下，噪声总是来自于四面八方，且其与语音信号在时间和频谱上常常是相互交叠的，再加上回波和混响的影响，利用单麦克风捕捉相对纯净的语音是非常困难的。而麦克风阵列融合了语音信号的空时信息，可以同时提取声源并抑制噪声。

　　目前科大讯飞已经实现了基于线性阵列、平面阵列以及空间立体阵列的波束形成和降噪技术，效果均达到业界一流水平。

　　2013年科大讯飞车载降噪产品和国际竞争对手效果对比

　　【说话人老是变幻位置怎么破？】——声源定位（Source Localization）

　　现实中，声源的位置是不断变化的，这对于麦克风收音来说，是个障碍。通过麦克风阵列则可以进行声源定位。声源定位技术是指使用麦克风阵列来计算目标说话人的角度和距离，从而实现对目标说话人的跟踪以及后续的语音定向拾取，是人机交互、音视频会议等领域非常重要的前处理技术。所以麦克风阵列技术不限制说话人的运动，不需要移动位置以改变其接收方向，具有灵活的波束控制、较高的空间分辨率、高的信号增益与较强的抗干扰能力等特点，因而成为智能语音处理系统中捕捉说话人语音的重要手段。

　　混响产生原因示意图

　　【室内回声太大怎么破？】——去混响（Dereverberation）

　　一般我们听音乐时，希望有混响效果，合适的混响会使得声音圆润动听、富有感染力。混响（Reverberation）现象指的是声波在室内传播时，要被墙壁、天花板、地板等障碍物形成反射声，并和直达声形成叠加，这种现象称为混响。

　　But，混响现象对于语音识别就没有什么好处了。由于混响则会使得不同步的语音相互叠加，带来了音素的交叠掩蔽效应（Phoneme Overlap Effect），从而严重影响语音识别效果。可以理解成机器收音的时候“听”不准说话人说的是什么。

　　影响语音识别的部分一般是晚期混响部分，所以去混响的主要工作重点是放在如何去除晚期混响上面，多年来，去混响技术抑制是业界研究的热点和难点。

　　利用麦克风阵列去混响的主要方法有以下几种：

　　1、基于盲语音增强的方法（Blind signal enhancement approach），即将混响信号作为普通的加性噪声信号，在这个上面应用语音增强算法。

　　2、基于波束形成的方法（Beamforming based approach），通过将多麦克风对收集的信号进行加权相加，在目标信号的方向形成一个拾音波束，同时衰减来自其他方向的反射声。

　　3、基于逆滤波的方法（An inverse filtering approach），通过麦克风阵列估计房间的房间冲击响应（Room Impulse Response, RIR），设计重构滤波器来补偿来消除混响。

　　现在，科大讯飞实现的基于麦克风阵列的去混响技术，能很好的进行纯净信号的还原，显著的提升了语音听感和识别效果，在测试对比中，多种混响时间下识别效果接近手机近讲水平。

　　混响语音信号频谱

　　经过去混响后的语音信号频谱

　　【说话人太多怎么破？】——声源信号提取（分离）

　　家里人说话太多，语音监听设备听谁的呢。这个时候就需要辨别出哪个声音才是指令。而麦克风阵列可以实现声源信号提取，声源信号的提取就是从多个声音信号中提取出目标信号，声源信号分离技术则是将需要将多个混合声音全部提取出来。

　　通过麦克风阵列波束形成做语音提取和分离

　　利用麦克风阵列做信号的提取和分离主要有以下几种方式：

　　1、基于波束形成的方法，即通过向不同方向的声源分别形成拾音波束，并且抑制其他方向的声音，来进行语音提取或分离；

　　2、基于传统的盲源信号分离（Blind Source Separation）的方法进行，主要包括主成分分析（Principal Component Analysis，PCA）和基于独立成分分析（Independent Component Analysis，ICA）的方法。

　　在万物互联的今天，麦克风阵列技术已经深入我们的日常生活。在智能车载、智能家居、机器人、可穿戴设备等应用热潮正兴起的时代，语音交互由于其便捷性，成了人机交互入口的第一选择，麦克风阵列自然也成为其中非常重要的前端技术。