智東西(公眾號:zhidxcom)
文 | 寓揚(yáng)
如果沒有“它”，所有的人工智能設(shè)備都是“聾子”，所有的智能音箱都是智障音箱；如果沒有它，背后的人工智能技術(shù)牛X到天都沒用！它是智能設(shè)備的“耳朵”——麥克風(fēng)陣列。
“Alexa”，當(dāng)你對著亞馬遜Echo呼喚時，它用頂部的藍(lán)色光環(huán)應(yīng)聲相應(yīng)，“今天天氣怎么樣”，它就會“聽懂”你的意圖，用柔和的聲音告訴你天氣狀況。
(從左到右依次為叮咚音箱A1、亞馬遜Echo、Google Home、天貓精靈A1)
而“聽懂”或者“聽清”的第一步在于準(zhǔn)確的獲取用戶的聲音（即拾音），否則無論云端的虛擬助手多么智能，也是無頭蒼蠅。麥克風(fēng)陣列是語音交互的第一步，在智能音箱落地中有關(guān)鍵作用，不僅傳統(tǒng)的芯片公司，語音技術(shù)巨頭和有深厚技術(shù)背景的初創(chuàng)公司紛紛加入這一領(lǐng)域。
同時，隨著智能音箱的火熱以及語音交互的盛行，麥克風(fēng)陣列技術(shù)開始走向前臺，“XX產(chǎn)品用的是誰家的麥克風(fēng)陣列”也成為行業(yè)中熱議的話題；這時我們很有必要看清“麥克風(fēng)陣列”產(chǎn)品技術(shù)的過去現(xiàn)在和產(chǎn)業(yè)鏈現(xiàn)狀，也是本文作為智東西智能音箱產(chǎn)業(yè)系列報道的主要目的。
那么我們經(jīng)常提及的麥克風(fēng)陣列究竟是什么？它有哪些類別及作用？哪些玩家參與其中？市場上各家智能音箱使用的麥克風(fēng)陣列又有什么不同？
一、麥克風(fēng)陣列：拾音
簡單來講，麥克風(fēng)陣列是由2個及以上麥克風(fēng)按一定規(guī)則排列組成，在特定空間對聲音進(jìn)行獲取和處理的錄音系統(tǒng)，它是遠(yuǎn)講語音（超過1米以上）設(shè)備的一個關(guān)鍵部分。（注：本文所討論的為遠(yuǎn)講語音設(shè)備中的消費(fèi)級麥克風(fēng)陣列）
（圖為四款智能音箱的麥克風(fēng)陣列）
麥克風(fēng)陣列的功能就是拾音。在遠(yuǎn)講語音設(shè)備中，麥克風(fēng)陣列通過聲源定位、波束形成、噪聲抑制、回聲消除等遠(yuǎn)講算法，有效拾取聲音，從而保證具體場景中語音的識別率。
具體來講，以智能音箱為例，在家庭場景中會存在各種噪聲等，麥克風(fēng)陣列的作用就是“眾里尋他千百度”，在眾多干擾噪聲中尋找到你，但只是找到還不夠，還需要抑制噪聲、消除自身發(fā)出聲音的影響，并增強(qiáng)你的聲音，從而確保在云端進(jìn)行有效識別，并滿足你的任務(wù)指令。
而拾音又分為遠(yuǎn)場拾音（1米外）和近場拾音（20cm內(nèi)）。比如，以Siri為代表的智能手機(jī)就是近場拾音，采用的是單麥克風(fēng)，可在近距離、低噪聲的情況下拾取符合語音識別需求的聲音。但是一旦將智能手機(jī)放在有噪聲的較遠(yuǎn)的距離，Siri的識別率就會直線下降，單麥克風(fēng)的局限就凸顯了出來。
而這正是遠(yuǎn)場拾音和近場拾音的區(qū)別，也凸顯了麥克風(fēng)陣列的重要性。不僅如此，由于噪聲、混響等因素的存在，遠(yuǎn)場拾音還要與遠(yuǎn)講語音識別算法相匹配，才能真正做到“聽清”。
二、麥克風(fēng)陣列中的關(guān)鍵技術(shù)
在遠(yuǎn)場拾音中， 麥克風(fēng)陣列可以提供前端信號處理，拾取有效的語音信號輸送到云端進(jìn)行識別。這其中就幾項關(guān)鍵的技術(shù)：聲源定位、波束形成、噪聲抑制、回聲消除、語音增強(qiáng)。
1、聲源定位
聲源定位的任務(wù)就是在具體場景中，甚至從噪音中找到發(fā)出聲音的“你”，以便后續(xù)的波束形成。它是基于麥克風(fēng)陣列對目標(biāo)信號（聲源）的位置探測，確定在特定空間中說話者的位置關(guān)系。尤其是在移動場景中，實時的聲源定位就顯得重要。
2、波束形成
波束形成是對麥克風(fēng)陣列中各個麥克風(fēng)輸出的聲音進(jìn)行信號處理，從而形成空間指向性。這種方法會抑制目標(biāo)聲音以外的聲音干擾，不僅抑制噪聲也包括其他方向的人聲。
以叮咚音箱的AIUI模式為例，開啟了一定時間的多倫對話后，它會優(yōu)先默認(rèn)第一個說話者作為它拾音的主方向，從而抑制其他方向的聲音，來保證和一個對話者的交互。這也意味著，當(dāng)前技術(shù)下，智能音箱不可能同時和多人進(jìn)行交互。
3、噪聲抑制
你在臥室中開著電視，是很難喚醒在你床上睡覺的iPhone中的Siri的，這就是它不具備噪聲抑制的能力。但你可以喚醒理你較遠(yuǎn)的智能音箱，這正是噪聲抑制的作用。
簡單來講，噪聲抑制就是在目標(biāo)信號和干擾噪聲中，保留目標(biāo)聲音，削弱周圍的噪聲，從而保證獲取的目標(biāo)聲音信號相對清晰，再結(jié)合云端相匹配的語音識別算法，實現(xiàn)有效識別理解。
4、抗混響
混響就是聲源發(fā)出后，在空間中經(jīng)過多次物體（墻壁）的反射和吸收，若干聲波混合在一起所形成的現(xiàn)象，它會影響語音信號的處理，聲源定位的精度以及語音識別效果。通過遠(yuǎn)講算法消除混響是遠(yuǎn)講語音設(shè)備在拾音環(huán)節(jié)的關(guān)鍵一環(huán)。
5、回聲抵消
回聲抵消簡單來講，就是不讓語音設(shè)備自己發(fā)出的聲音干擾到拾音過程。比如在智能音箱播放音樂時，你喚醒設(shè)備并下達(dá)命令，這時麥克風(fēng)陣列同時采集你發(fā)出的聲音和正在播放的音樂的聲音，而回聲抵消就是要去掉其中音樂的聲音并保留人的聲音，以供云端進(jìn)行語音識別。
6、語音增強(qiáng)
在家居環(huán)境中，存在著背景噪音、回聲、混響等噪音干擾，這些噪音相互疊加嚴(yán)重影響語音識別效果。除了降低各種噪聲外，還可以從語音增強(qiáng)進(jìn)行改善。
遠(yuǎn)距離拾音的另一個問題就是獲取的語音信號較弱，需要通過麥克風(fēng)陣列進(jìn)行噪聲分離，提取目標(biāo)信號，并增強(qiáng)語音信號的能量，從而提升語音識別效果。
三、消費(fèi)級麥克風(fēng)陣列的里程碑事件
早在20世紀(jì)七八十年代，麥克風(fēng)陣列已經(jīng)被應(yīng)用到語音信號處理中，進(jìn)入90年代以來，基于麥克風(fēng)陣列的語音信號處理算法逐漸成為一個新的研究熱點(diǎn)。近年來隨著語音交互成為趨勢，麥克風(fēng)陣列逐漸進(jìn)入消費(fèi)市場領(lǐng)域，日趨火熱。
在麥克風(fēng)陣列領(lǐng)域擁有豐富經(jīng)驗的先聲互聯(lián)創(chuàng)始人付強(qiáng)曾談到，麥克風(fēng)陣列在消費(fèi)級領(lǐng)域出現(xiàn)有幾個里程碑事件：
第一個里程碑事件是微軟在2010年6月份正式推出的Kinect，它是Xbox 360游戲主機(jī)的體感周邊設(shè)備，內(nèi)置了紅外線攝像頭、傳感器、麥克風(fēng)陣列，可通過對用戶身體動作的變化和發(fā)出指令來操作游戲。Kinect曾累計銷量2900萬部，但近幾年逐漸推出了人們的視野。
（圖為微軟的Kinect）
第二個是三星在2012年推出的全球首款具有遠(yuǎn)講語音能力的智能電視，該電視使用麥克風(fēng)陣列，科勝訊的語音芯片，支持語音操控，并帶動了國內(nèi)的智能電視潮。
第三個里程碑事件就是亞馬遜Echo智能音箱在2014年底的推出，其采用6+1麥克風(fēng)陣列，支持5米遠(yuǎn)講語音操控。Echo不但是第一款真正意義上的智能音箱設(shè)備，還是消費(fèi)級麥克風(fēng)陣列應(yīng)用的里程碑事件，并帶火了當(dāng)下國內(nèi)這波智能音箱浪潮。
（圖為亞馬遜智能音箱Echo）
其中，三星的第一款智能電視和亞馬遜的Echo智能音箱都用了4年時間去打磨，才有了今天的技術(shù)成熟。而反觀國內(nèi)的智能音箱浪潮，我們還缺少這種對技術(shù)的長線投入和對產(chǎn)品的耐心打磨。
四、麥克風(fēng)陣列的代表性玩家
隨著國內(nèi)智能音箱以及語音交互的火熱，在麥克風(fēng)陣列以及遠(yuǎn)講算法領(lǐng)域誕生了一波方案提供商，其中能夠提供麥克風(fēng)陣列的硬件方案，又能夠提供前端算法的廠商并不太多，智東西選出了具有代表性的幾家方案廠商。
1、科大訊飛——國內(nèi)語音龍頭
科大訊飛是國內(nèi)一家老牌智能語音公司，其有一個專門的團(tuán)隊在研究麥克風(fēng)陣列技術(shù)。目前在訊飛開放平臺上，提供二麥線性陣列、四麥線性陣列和六麥環(huán)形陣列。中興、?？低暋⒚赖?、高德、優(yōu)必選、狗尾草等都是其客戶。
叮咚音箱就是由京東和科大訊飛聯(lián)合成立的靈隆科技推出的，其中科大訊飛提供語音語義等技術(shù)支持。叮咚音箱A1是國內(nèi)第一款真正意義上的智能音箱，于2015年8月正式推出，它采用7+1麥克風(fēng)陣列，豪恩聲學(xué)提供的ECM麥克風(fēng)，并采用科勝訊CX20810-11Z音頻芯片。在結(jié)構(gòu)上不同于其他智能音箱置于頂部，而是位于主控電路板下面，并采用中空結(jié)構(gòu)，麥克風(fēng)向外側(cè)傾斜拾音，頗具創(chuàng)意。
（叮咚音箱A1的7+1環(huán)形麥克風(fēng)陣列，黑色為麥克風(fēng)）
2、科勝訊——國際語音方案巨頭
科勝訊成立于1999年，曾是全球最大的獨(dú)立通訊芯片提供商，后來幾經(jīng)波折被新思科技收購。在語音交互領(lǐng)域，它主要提供語音芯片和麥克風(fēng)陣列技術(shù)，其方案最大優(yōu)勢在于降噪和語音增強(qiáng)算法，技術(shù)打磨也更加成熟。難怪科勝訊總裁Saleel Awsare會說，其雙麥克風(fēng)就可以實現(xiàn)友商5-8麥克風(fēng)的解決方案的效果。
亞馬遜、百度、阿里巴巴、騰訊、哈曼、科大訊飛、出門問問、云知聲等都是其客戶或合作伙伴。據(jù)了解科勝訊為Alexa Voice Service (AVS) 量身定做了AudioSmart 語音處理開發(fā)套件出貨量已超過3000萬套，涵蓋智能音箱、智能家居、智能電視、機(jī)器人等多個品類。出門問問剛剛發(fā)布的智能音箱也采用科勝訊的方案，此外，蘋果HomePod也可能采用了科勝訊AudioSmart開發(fā)套件。
3、先聲互聯(lián)——陣列研究先行者
先聲互聯(lián)是一家成立于2016年的創(chuàng)業(yè)公司，主要提供麥克風(fēng)陣列以及前端信號處理技術(shù)。其創(chuàng)始人付強(qiáng)曾在中科院聲學(xué)所有10余年的聲學(xué)研究，在語音信號處理領(lǐng)域有20余年的積淀。先聲互聯(lián)目前主要提供兩麥、四麥、六麥等解決方案，在抗混響、回聲消除、語音增強(qiáng)等方面表現(xiàn)不俗。
先聲互聯(lián)是百度的合作伙伴，其多麥克風(fēng)硬件開發(fā)套件也應(yīng)用在百度DuerOS平臺中。目前，物靈的luka閱讀養(yǎng)成機(jī)器人、極米科技的Lightank W100、數(shù)字家圓的親見H2等產(chǎn)品都采用了先聲互聯(lián)的遠(yuǎn)講算法以及麥克風(fēng)拾音模組。此外，先聲互聯(lián)也正在和騰訊、聯(lián)想、小米等公司就某些智能硬件產(chǎn)品展開合作。
4、思必馳——成熟方案輸出商
思必馳成立于2007年，是一家面向B端客戶的語音語義技術(shù)提供商。其副總裁雷國雄告訴智東西，思必馳從2012年就開始研究麥克風(fēng)陣列技術(shù)，并配備一個專門的團(tuán)隊研究語音信號處理，結(jié)合思必馳的語音進(jìn)行優(yōu)化。目前思必馳提供單麥、兩麥、四麥、六麥等解決方案，經(jīng)過5、6年時間的積累，在性能和穩(wěn)定性上均表現(xiàn)不錯。
近期阿里推出的天貓精靈X1就是采用思必馳的環(huán)形6麥克風(fēng)陣列，模擬麥克風(fēng)則來自敏芯微電子，天貓精靈在降噪、回聲消除等拾音方面均有不錯表現(xiàn)。此外，聯(lián)想、小米、美的、360、DOSS等都是其客戶。
5、聲智科技——新起之秀
聲智科技也成立于2016年，提供麥克風(fēng)陣列以及遠(yuǎn)講算法，目前其推出了單麥、兩麥、四麥、六麥、八麥的陣列解決方案，也有不錯的表現(xiàn)。有趣的是其創(chuàng)始人陳孝良也來自中科院聲學(xué)所。
近期剛剛發(fā)布的小米AI音箱，就采用了聲智科技的環(huán)形6麥克風(fēng)陣列和喚醒技術(shù)方案。聲智科技也是百度的合作伙伴，推出了基于DuerOS的語音解決方案。此外，騰訊、阿里巴巴、奇虎360、華為、海爾等都是其客戶。
五、麥克風(fēng)陣列：兩路分化
目前智能音箱中的麥克風(fēng)陣列呈現(xiàn)兩路分化，主要包括環(huán)形和線性。亞馬遜Echo、叮咚音箱、天貓精靈、小米AI音箱等技術(shù)路線相似，都使用6（+1）、7（+1）個麥克風(fēng)的環(huán)形陣列，而Google Home、出門問問的問問音箱則采用了2麥克風(fēng)的線性陣列。
（亞馬遜Echo的6+1環(huán)形麥克風(fēng)陣列，金色為麥克風(fēng)）
為何各家使用的麥克風(fēng)數(shù)目不一，真的是數(shù)目越多越好嗎？先聲互聯(lián)付強(qiáng)曾從技術(shù)的角度談到，事實并非如此。目前麥克風(fēng)陣列語音增強(qiáng)大致可分為兩種技術(shù)路線：
一種是以亞馬遜Echo為代表的經(jīng)典波束形成路線，它對麥克風(fēng)的數(shù)目以及陣列拓?fù)浣Y(jié)構(gòu)（排列位置）依賴較大，通過使用較多的麥克風(fēng)以及特定結(jié)構(gòu)，從而使得波束的空間區(qū)分性更強(qiáng)，保證聲源定位和拾音效果。
另外一種就是以科勝訊為代表的路線，該路線更加依賴語音增強(qiáng)算法，而對麥克風(fēng)陣列數(shù)量和陣列拓?fù)浣Y(jié)構(gòu)依賴較小，通過通過自適應(yīng)降噪、降低混響、語音分離等技術(shù)，從而靠少量麥克風(fēng)獲得良好的拾音效果。
有趣的是，剛剛在8月24日發(fā)布的出門問問的智能音箱采用的就是科勝訊的2麥克風(fēng)陣列，從其測試結(jié)果來看，遠(yuǎn)場拾音喚醒能力并不輸于競品。
（黃色方框為Google Home 2麥線性陣列）
關(guān)于陣列麥克風(fēng)數(shù)目的選擇，思必馳副總裁雷雄國則從產(chǎn)品層面談到：首先從性能上考慮，思必馳從單麥、6麥、8麥、12麥都有嘗試，思必馳最終選擇6麥作為主要的陣列方案，是成本和性能的一個綜合考慮。6麥以上盡管性能也會提升，但提升的效果和成本不成正比，但6麥一下數(shù)目的減少，成本會降低，性能也會相對降低。
其次，產(chǎn)品形態(tài)會影響陣列的選擇，比如電視上的Soundbar等設(shè)備是長條形，就適合線性陣列；而Echo、叮咚是橢圓，它就可以選擇環(huán)形陣列。
此外，麥克風(fēng)數(shù)目的選擇還和產(chǎn)品定位有關(guān)。定位高端產(chǎn)品，對體驗有更高要求，則可以選擇6麥陣列，而中低端的產(chǎn)品可選擇2麥或4麥。
六、麥克風(fēng)陣列在遠(yuǎn)場交互中存在的問題
盡管智能音箱經(jīng)過一段時間的打磨，在拾音、喚醒、識別方面都能夠歐達(dá)到一個不錯的效果，但在遠(yuǎn)場交互中麥克風(fēng)陣列仍存在一些亟待解決的問題。
第一，誤喚醒是一個問題。雷雄國也談到，表面看這個是喚醒的問題，但實際跟陣列有較強(qiáng)的關(guān)系，喚醒拿到的是陣列拾音的信號，陣列對信號噪聲處理效果的好壞直接影響到誤喚醒。這個問題也可以從產(chǎn)品的思路進(jìn)行解決，如喚醒之后只是亮燈而不“說話”，這樣會好很多。
第二，聲源定位需要提升。在聲學(xué)環(huán)境中，尤其是在反射較強(qiáng)、回聲較強(qiáng)、噪音環(huán)境下，聲源定位需要較大的提升空間。
第三，動態(tài)環(huán)境中對用戶位置的跟蹤也需要提升。在家庭場景中， 人會處于一種移動的狀態(tài)，喚醒和指令可能不在同一個方位，在下一次人機(jī)交互中會重點(diǎn)處理剛剛那個方向的信號，如果房間存在多個音源，就可能無法執(zhí)行指令。
第四，麥克風(fēng)陣列無法同時進(jìn)行多人聲的識別和處理，當(dāng)下的波束形成和噪聲抑制，會使陣列在同一時間處理同一個方向的聲源，從而抑制其他聲源，這就意味著當(dāng)下的技術(shù)路線下，機(jī)器無法同時與多人進(jìn)行交互。
結(jié)語：麥克風(fēng)陣列賦予智能硬件“耳朵”
提起未來，我們會幻想無處不在的智能，虛擬助手幫助我們做任何想做的事情。而機(jī)器具備智能的第一步應(yīng)該是聽懂人類的心聲，那么它首先應(yīng)該具備的就是一雙“耳朵”。
而在人工智能的當(dāng)下，麥克風(fēng)陣列的作用就是賦予智能硬件以“耳朵”，讓它更好的聽到人類的聲音，然后將聲音傳輸?shù)皆贫说闹悄堋按竽X”去理解，去調(diào)動自身的“技能”，滿足人類的需求。
但這雙“耳朵”在各種場景中是否靈敏好用，能否“耳聽八方”，還需要底層聲學(xué)技術(shù)的進(jìn)一步研究。
每日一頭條
趨勢·深度·犀利·干貨，最專業(yè)的行業(yè)解讀
深喉爆料、投稿：guoren@zhidx.com
