捷通華聲：風(fēng)雨兼程17載，中國人工智能公司中的甲骨文

　　麥克風(fēng)陣列(Smart Microphone Array)，從字面上，指的是麥克風(fēng)的排列。也就是說由一定數(shù)目的聲學(xué)傳感器(一般是麥克風(fēng))組成，用來對聲場的空間特性進(jìn)行采樣并處理的系統(tǒng)。一般應(yīng)用于語音處理的按一定規(guī)則排列的多個麥克風(fēng)系統(tǒng)，也可以簡單理解為2個以上麥克風(fēng)組成的錄音系統(tǒng)。

　　麥克風(fēng)陣列一般來說有直線形、環(huán)線形和球狀之分，嚴(yán)謹(jǐn)?shù)膽?yīng)該說成一字、十字、平面、螺旋、球形及無規(guī)則陣列等。至于麥克風(fēng)陣列的陣元數(shù)量，也就是麥克風(fēng)數(shù)量，可以從2個到上千個不等。

　　如此復(fù)雜的麥克風(fēng)陣列主要應(yīng)用于工業(yè)和國防領(lǐng)域，消費領(lǐng)域（例如機(jī)器人領(lǐng)域）考慮到成本會簡化很多，但也需要攻克四大技術(shù)難點：

　　語音識別在有些場合需要完全去除噪聲，通話系統(tǒng)中則需要的技術(shù)則是噪聲去除。這里說的噪聲一般指環(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，不會掩蓋正常的語音，只是影響了語音的清晰度和可懂度。一般情況下，不怎么做強(qiáng)噪聲環(huán)境下的處理，只需滿足日常場景的語音交互就夠了。

　　現(xiàn)實中，聲源的位置是不斷變化的，這對于麥克風(fēng)收音來說，是個障礙。麥克風(fēng)陣列則可以進(jìn)行聲源定位，聲源定位技術(shù)是指使用麥克風(fēng)陣列來計算目標(biāo)說話人的角度和距離，從而實現(xiàn)對目標(biāo)說話人的跟蹤以及后續(xù)的語音定向拾取，是人機(jī)交互、音視頻會議等領(lǐng)域非常重要的前處理技術(shù)。所以麥克風(fēng)陣列技術(shù)不限制說話人的運(yùn)動，不需要移動位置以改變其接收方向，具有靈活的波束控制、較高的空間分辨率、高的信號增益與較強(qiáng)的抗干擾能力等特點，因而成為智能語音處理系統(tǒng)中捕捉說話人語音的重要手段。

　　一般我們聽音樂時，希望有混響的效果，這是聽覺上的一種享受。合適的混響會使得聲音圓潤動聽、富有感染力。

　　混響(Reverberation)現(xiàn)象指的是聲波在室內(nèi)傳播時，要被墻壁、天花板、地板等障礙物形成反射聲，并和直達(dá)聲形成疊加；而當(dāng)聲源停止發(fā)聲后，聲波在房間內(nèi)要經(jīng)過多次反射和吸收，似乎若干個聲波混合持續(xù)一段時間。

　　混響會嚴(yán)重影響語音信號處理，比如互相關(guān)函數(shù)或者波束主瓣，降低測向精度。由于混響則會使得不同步的語音相互疊加，帶來了音素的交疊掩蔽效應(yīng)(Phoneme Overlap Effect)，從而嚴(yán)重影響語音識別效果。

　　混響去除的效果很大程度影響了語音識別的效果，因此利用麥克風(fēng)陣列去混響的主要方法有以下幾種：

　　a.基于盲語音增強(qiáng)的方法(Blind signal enhancement approach)，即將混響信號作為普通的加性噪聲信號，在這個上面應(yīng)用語音增強(qiáng)算法。

　　b.基于波束形成的方法(Beamforming based approach)，通過將多麥克風(fēng)對收集的信號進(jìn)行加權(quán)相加，在目標(biāo)信號的方向形成一個拾音波束，同時衰減來自其他方向的反射聲。

　　c.基于逆濾波的方法(An inverse filterin gapproach)，通過麥克風(fēng)陣列估計房間的房間沖擊響應(yīng)(Room Impulse Response，RIR)，設(shè)計重構(gòu)濾波器來補(bǔ)償來消除混響。

　　良好的麥克風(fēng)陣列的去混響技術(shù)能很好的對房間的混響情況進(jìn)行自適應(yīng)的估計，從而很好的進(jìn)行純凈信號的還原，顯著的提升了語音聽感和識別效果，在測試對比中，多種混響時間下識別效果接近手機(jī)近講水平。

　　嚴(yán)格來說，這里說的“回聲消除”不應(yīng)該叫回聲，應(yīng)該叫“自噪聲”。回聲是混響的延伸概念，這兩者的區(qū)別就是回聲的時延更長。一般來說，超過100毫秒時延的混響，人類能夠明顯區(qū)分出，似乎一個聲音同時出現(xiàn)了兩次，我們就叫做回聲，比如天壇著名的回聲壁。實際上，這里所指的是語音交互設(shè)備自己發(fā)出的聲音，比如Echo音箱，當(dāng)播放歌曲的時候若叫Alexa，這時候麥克風(fēng)陣列實際上采集了正在播放的音樂和用戶所叫的Alexa聲音，顯然語音識別無法識別這兩類聲音。回聲消除就是要去掉其中的音樂信息而只保留用戶的人聲，之所以叫回聲消除，只是延續(xù)大家的習(xí)慣而已，其實是不恰當(dāng)?shù)摹?/div>