麥克風(fēng)陣列技術(shù)語音交互應(yīng)該選用怎樣的方案？

聲源測(cè)向：這里沒有用聲源定位，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題，若信號(hào)較小，語音識(shí)別同樣不能保證，通過陣列處理可以適當(dāng)加大語音信號(hào)的能量。

模型匹配：這個(gè)主要是和語音識(shí)別以及語義理解進(jìn)行匹配，語音交互是一個(gè)完整的信號(hào)鏈，從麥克風(fēng)陣列開始的語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)于云端匹配語音處理。

麥克風(fēng)陣列的技術(shù)趨勢(shì)

語音信號(hào)其實(shí)是不好處理的，我們知道信號(hào)處理大多基于平穩(wěn)信號(hào)的假設(shè)，但是語音信號(hào)的特征參數(shù)均是隨時(shí)間而變化的，是典型的非平穩(wěn)態(tài)過程。幸運(yùn)的是語音信號(hào)在一個(gè)較短時(shí)間內(nèi)的特性相對(duì)穩(wěn)定(語音分幀)，因而可以將其看作是一個(gè)準(zhǔn)穩(wěn)態(tài)過程，也就是說語音信號(hào)具有短時(shí)平穩(wěn)的特性，這才能用主流信號(hào)處理方法對(duì)其處理。從這點(diǎn)來看，麥克風(fēng)陣列的基本原理和模型方面就存在較大的局限，也包括聲學(xué)的非線性處理(現(xiàn)在基本忽略非線性效應(yīng))，因此基礎(chǔ)研究的突破才是未來的根本。希望能有更多熱愛人工智能的學(xué)生關(guān)注聲學(xué)，報(bào)考我們中科院聲學(xué)所。

另外一個(gè)趨勢(shì)就是麥克風(fēng)陣列的小型化，麥克風(fēng)陣列受制于半波長(zhǎng)理論的限制，現(xiàn)在的口徑還是較大，聲智科技現(xiàn)在可以做到2cm-8cm的間距，但是結(jié)構(gòu)布局仍然還是限制了ID設(shè)計(jì)的自由性。很多產(chǎn)品采用2個(gè)麥克風(fēng)其實(shí)并非成本問題，而是ID設(shè)計(jì)的考慮。實(shí)際上，借鑒雷達(dá)領(lǐng)域的合成孔徑方法，麥克風(fēng)陣列可以做的更小，而且這種方法已經(jīng)在軍工領(lǐng)域成熟驗(yàn)證，移植到消費(fèi)領(lǐng)域只是時(shí)間問題。

還有一個(gè)趨勢(shì)是麥克風(fēng)陣列的低成本化，當(dāng)前無論是2個(gè)麥克風(fēng)還是4、6個(gè)麥克風(fēng)陣列，成本都是比較高的，這影響了麥克風(fēng)陣列的普及。低成本化不是簡(jiǎn)單的更換芯片器件，而是整個(gè)結(jié)構(gòu)的重新設(shè)計(jì)，包括器件、芯片、算法和云端。這里要強(qiáng)調(diào)一下，并非2個(gè)麥克風(fēng)的陣列成本就便宜，實(shí)際上2個(gè)和4個(gè)麥克風(fēng)陣列的相差不大，2個(gè)麥克風(fēng)陣列的成本也要在60元左右，但是這還不包含進(jìn)行回聲抵消的硬件成本，若綜合比較，實(shí)際上成本相差不大。特別是今年由于新技術(shù)的應(yīng)用，多麥克風(fēng)陣列