El axer? 所有雞蛋,呃?Alexa!從噪音中拾取清晰語
基于語音的控制系統(tǒng)正在經(jīng)歷穩(wěn)健的增長,2020 年達(dá)到 107 億美元,預(yù)計(jì)到 2026 年將達(dá)到超過 270 億美元。其優(yōu)點(diǎn)不言而喻:無手操作,界面大大簡化。您可以直接說出所需的內(nèi)容,而無需使用導(dǎo)航菜單。但是,正如我們所有人所經(jīng)歷的那樣,聲音可能有其自身的弊端。當(dāng)您靠近麥克風(fēng)正對著它講話時(shí),它在安靜的房間里工作正常。但在您的手機(jī)上、通過無線耳塞以及在繁忙的超市中,這些情形的語音識別如何呢?識別效果并不總是那么好?;?a class="contentlabel" href="http://www.ex-cimer.com/news/listbylabel/label/人工智能">人工智能的命令識別至關(guān)重要,但更重要的是,這種識別首先要有可以正常工作的清晰語音信號。如果沒有清晰的音頻輸入,您的識別程序通常會錯誤識別語音命令。用戶會感到沮喪,并很快就停止使用該功能。
本文引用地址:http://www.ex-cimer.com/article/202109/428241.htm(資料來源:CEVA)
是什么讓語音識別變得困難重重
在一個(gè)相似的問題(視覺識別)中,常規(guī)圖像中沒有太多的模糊之處,至少在光照合理的情況下是如此。但是,聲音檢測必須應(yīng)付更多的干擾。穩(wěn)定的背景噪音包括風(fēng)扇、空調(diào)、道路噪音。還有其他不太可預(yù)測的背景噪音–音樂、談話、狗吠、汽車?yán)取⒕?。從這些雜亂紛呈的背景噪音中拾取語音并不簡單。但通過采用正確的技術(shù),這是非常有可能做到的。
這種噪聲過濾技術(shù)的優(yōu)勢不僅僅體現(xiàn)在語音控制方面,它還提高了手機(jī)通話或會議通話的清晰度。通話另一端的聽眾將在背景噪音中更清楚地聽到您和其他講話人。
使這一目標(biāo)成為可能的是音頻前端 (AFE),這是在語音識別或通信之前的一組信號處理階段。此音頻前端可清理原始音頻信號,加強(qiáng)最突出的講話人(相對于其他輸入源),并減少該信號周圍的雜音。
語音活動和到達(dá)方向檢測
許多基于語音識別的設(shè)備都是電池供電的(手機(jī)、手表和遙控器),必須最大限度降低功耗。語音活動檢測 (VAD) 是一個(gè)功耗極低的階段,專門用于檢測講話人。在觸發(fā)此檢測之前,所有其它設(shè)備都可以保持?jǐn)嚯姞顟B(tài)。如何將人類語音與狗吠或其他非人類噪音區(qū)別開來?這需要通過一些巧妙但明確的濾波技術(shù)。
到達(dá)方向 (DOA) 檢測要求設(shè)備(手機(jī)、遙控器等)配有多個(gè)麥克風(fēng),通常為若干個(gè)麥克風(fēng)。然后,通過比較在每個(gè)麥克風(fēng)處聲音脈沖到達(dá)時(shí)間的微小差異,可以推斷到達(dá)方向(在應(yīng)用人類語音濾波后)。正如我將在下面所闡釋的,DOA 檢測對于使音頻前端能夠放大講話人(聲音)至關(guān)重要。
降噪
降噪有多種方法,有些是空間敏感的,有些是基于單通道濾波??臻g方法提供了一種通過波束成型技術(shù)放大講話人聲音的方法。這與無線技術(shù)在優(yōu)先選擇特定的蜂窩塔時(shí)所使用的技巧相同,但在此處,這種技巧應(yīng)用于聲波,而不是無線電波。在此處,信號處理使用來自多個(gè)麥克風(fēng)的輸入信號優(yōu)先優(yōu)化來自特定方向的接收信號。這當(dāng)然由 DOA 檢測進(jìn)行導(dǎo)向。
單通道濾波看起來更像頻域中的傳統(tǒng)濾波。最一般的情況下,這可能是一個(gè)帶通濾波器,但也可能是更復(fù)雜的選件。此方法的問題是,它通常會影響觸發(fā)詞檢測和自動語音識別。正是出于此原因,一些云平臺要求在使用語音識別服務(wù)之前禁用此類濾波器。單通道濾波器在語音通信(而不是語音識別)中仍有價(jià)值,可減少線路另一端的聽者噪音。
回聲消除示例 - 在 AEC 激活前后 2 個(gè)信號的聲譜圖。
回聲消除
在任何封閉空間(房間、駕駛室)中,聲音會朝多個(gè)方向傳播,并且會從墻壁、窗戶和家具發(fā)出回聲,比直接信號略遲一點(diǎn)到達(dá)麥克風(fēng)。或者,聽眾可能會聽到從講話人到麥克風(fēng)的難聽回聲。消除這些討厭的回聲(起碼會增強(qiáng)噪音)是回聲消除 (AEC) 技術(shù)的任務(wù)?;芈曄夹g(shù)將參考信號(麥克風(fēng)從直接路徑接收到的第一個(gè)最強(qiáng)信號)與隨后接收到的回波進(jìn)行比較。它們波形相似,但是已衰減,因此容易識別并從信號中除去。
高精度語音識別只能通過高質(zhì)量音頻前端實(shí)現(xiàn)。這需要一些相當(dāng)復(fù)雜的音頻前端處理,比如人聲活動檢測、DOA 檢測、波束成型、回聲消除和濾波(如果適用)。這些技術(shù)全部基于復(fù)雜的信號處理算法。有多種技術(shù)組合可以為您提供,您可根據(jù)在高端技術(shù)和大眾市場之間的不同定位進(jìn)行選擇。
要實(shí)現(xiàn)可靠的基于語音的控制,乃至于在嘈雜環(huán)境中實(shí)現(xiàn)高音質(zhì)的溝通,必須滿足這一基本的要求。頗具矛盾的是,如果您可以將大量技術(shù)應(yīng)用于清晰語音拾取問題,該問題便可迎刃而解。只要采用高端語音活動檢測技術(shù)、多麥克風(fēng)波束成型技術(shù)和回聲消除技術(shù),您便可以擁有一款面向高端市場的高檔產(chǎn)品。一個(gè)更為有趣的挑戰(zhàn)是能夠以更具吸引力的價(jià)格為您的中端市場提供幾乎同樣出色的拾音質(zhì)量。我將在此處探討同時(shí)面向這兩類市場的技術(shù)。
(資料來源:CEVA)
語音活動檢測 (VAD)
此步驟是語音拾取路徑的起點(diǎn) – 是否有人在聲音背景中講話?第一步只是查看一下信號,將具有清晰活動的幀與背景分離開來。
圖1 針對示例信號的 VAD 功能
僅查看原始檢測信號,會發(fā)現(xiàn)一些檢測將是真實(shí)的,一些檢測將是錯誤的。為 SnR 設(shè)置一個(gè)合適的閾值有助于找到一個(gè)好的平衡點(diǎn)。在一款物有所值的產(chǎn)品中,純粹基于能量的檢測(窗口集成)可能就足夠了。高檔產(chǎn)品可能會增加使用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)檢測。這兩種特性在可穿戴設(shè)備和耳塞中都很常見。這些技術(shù)的常見分析是在接收器工作特性 (RoC) 曲線上繪制真陽性和假陽性的對比。假陽性和真陽性檢測之間的這種權(quán)衡有助于您決定如何調(diào)整產(chǎn)品。
圖2 若干 VAD 解決方案的 RoC 圖表
到達(dá)方向檢測 (DOA)
此算法會比較不同麥克風(fēng)上檢測到的信號在到達(dá)時(shí)間上的輕微延遲。自然地,每個(gè)麥克風(fēng)對人類語音特性的拾取應(yīng)具有選擇性。然后,檢測的準(zhǔn)確性取決于所用麥克風(fēng)的數(shù)量和這些麥克風(fēng)的分布情況。
智能揚(yáng)聲器或智能電視等高端設(shè)備通常會假定講話人距離較遠(yuǎn),因此 DOA 將會相當(dāng)準(zhǔn)確。中端市場產(chǎn)品通常會離講話人更近,并且?guī)缀蹩隙〞褂酶俚柠溈孙L(fēng),因此必須相應(yīng)調(diào)整。這一因素對于波束成型技術(shù)尤其應(yīng)予以考慮,而且對下一節(jié)中的降噪至關(guān)重要。
降噪
可以說,最好的降噪方式是空間降噪 - 使用波束成型技術(shù)放大講話人聲音。這再次需要多個(gè)麥克風(fēng),并使用 DOA 作為起點(diǎn)來選擇應(yīng)放大的位置。您可以使用的麥克風(fēng)越多,放大講話人聲音的準(zhǔn)確度就越高,從而有效抑制所有其他噪音源。但即使使用兩個(gè)麥克風(fēng),您也可以在一個(gè)麥克風(fēng)上提高甄別水平。
圖3 使用 3 個(gè)麥克風(fēng)和 7 個(gè)麥克風(fēng)的波束形成器濾波模式
對于單個(gè)麥克風(fēng),不能進(jìn)行波束成型。如果講話人自然靠近麥克風(fēng),這可能不成問題。例如,耳塞通過骨傳導(dǎo)進(jìn)行語音拾取時(shí),可能已充分達(dá)到無噪音的程度。還請記住,對于語音識別,云提供商建議不要使用濾波器來消除噪音,因?yàn)檫@些濾波器可能同時(shí)會降低識別精度。
回聲消除
回聲(主要來自房間周圍的固定表面)會產(chǎn)生與講話人信號有關(guān)的背景噪音波尾。在低端設(shè)備上,設(shè)備的揚(yáng)聲器和塑料盒往往會增加噪音甚至產(chǎn)生非線性影響。這意味著 AEC 算法不僅必須可根據(jù)環(huán)境回波調(diào)整,還必須針對來自設(shè)備外殼的任何可能噪音進(jìn)行調(diào)整。
圖 4 AEC 使用的標(biāo)準(zhǔn)拾音路徑
圖 5 3 個(gè)不同房間的回波波尾隨時(shí)間而變化的振幅比
跨界的 CEVA ClearVox
正如您看到的,當(dāng)涉及到準(zhǔn)確的語音拾取時(shí),一種規(guī)格并非處處適用。必須設(shè)計(jì)不同的解決方案以滿足不同的市場需求,即分別制定高端市場和大眾市場目標(biāo)。CEVA 可以幫助您同時(shí)滿足這兩個(gè)目標(biāo),讓您從具有 NN 輔助算法和用于音頻縮放的許多麥克風(fēng)的高端技術(shù)中獲得最大價(jià)值,或者從具有基于能量的語音活動檢測和僅有兩個(gè)甚至一個(gè)麥克風(fēng)的實(shí)惠技術(shù)中獲得最大價(jià)值。CEVA 在這一領(lǐng)域擁有多年的豐富經(jīng)驗(yàn)。在用于耳塞、耳機(jī)和空間音頻的應(yīng)用中,所有這些經(jīng)驗(yàn)都整合在我們的 CEVA ClearVox 產(chǎn)品中,該產(chǎn)品支持 CEVA DSP 和 ARM 平臺。
(本文來源于《電子產(chǎn)品世界》雜志2021年9月期)
評論