隨著智能音箱、智能家居等智能硬件的普及，語音交互熱度也不斷飆升。想要了解語音交互，第一步是了解麥克風(fēng)陣列，本文從概念、分類、作用幾個方面對麥克風(fēng)陣列展開了說明，與大家分享。

語音交互從亞馬遜音箱（Echo）誕生的那一刻，就逐步走進了人們的視野，越來越多的人開始接觸到語音交互的設(shè)備。從電視里的機器人，到家里的音箱，最后到手上的手機，語音交互變得觸手可及。

語音交互的第一步就是拾音，機器人先要有一個耳朵，因為聽不到聲音就不會有反饋，更談不上交互了，而麥克風(fēng)陣列就相當(dāng)于機器人的耳朵。

一、什么是麥克風(fēng)陣列？

麥克風(fēng)相信大家都見過，就是我們常見的話筒，麥克風(fēng)陣列本質(zhì)上和話筒沒有區(qū)別，只是收音的單元比較多而已，基本上超過兩個收音孔就可以說是麥克風(fēng)陣列了。簡單理解為一個麥克風(fēng)就是麥克風(fēng)，多個麥克風(fēng)就是麥克風(fēng)陣列。

麥克風(fēng)陣列是由一定數(shù)目的聲學(xué)傳感器（麥克風(fēng)）按照一定規(guī)則排列的多麥克風(fēng)系統(tǒng)，對聲場的空間特性進行采樣并濾波的系統(tǒng)。

麥克風(fēng)陣列除了看到的麥克風(fēng)數(shù)量以外，還有一系列的前端算法，兩者結(jié)合的系統(tǒng)才是完整的麥克風(fēng)陣列。而麥克風(fēng)陣列也只是完成了物理世界的音頻信號處理，想要完成語音識別，還是需要云端的ASR模型，兩個系統(tǒng)配合在一起才能得到最好的識別效果。

二、麥克風(fēng)陣列如何分類？

由于前端算法看不見，摸不著，我們對于麥克風(fēng)陣列的分類，常常參考麥克風(fēng)的布局和數(shù)量。目前常見的分類，基本上以麥克風(fēng)布局的形狀來做區(qū)分，參考我們中學(xué)課本講的點線面體，可以將麥克風(fēng)陣列分為：線性陣列，平面陣列，立體陣列（點就是一個麥克風(fēng)）。

當(dāng)然也有根據(jù)形狀的分類，比如：一字、十字、平面、螺旋、球形及無規(guī)則陣列等。這里我們按照點線面體的方法介紹。

1. 線性陣列

常見的是兩個麥克風(fēng)的組成的線性陣列，目前幾乎所有中高端手機和耳機都采用雙麥克降噪技術(shù)來提升通話效果，也有部分智能音箱采用這種方案。

兩個麥克風(fēng)組成的線性陣列最大的優(yōu)勢就是成本低，相對于多麥克風(fēng)，功耗也更低。缺點也比較明顯，降噪效果有限，就是對于遠場景交互的效果并不好。

2. 平面陣列

平面陣列的組合就比較多樣化，常見的有4麥陣列和6麥陣列，還有升級的4+1麥陣列和6+1麥陣列，甚至8+1麥陣列。平面陣列常見于智能音箱和語音交互機器人上面。

平面陣列的線性陣列可以實現(xiàn)平面360度等效試音，麥克風(fēng)個數(shù)愈多，空間劃分精細度高，遠場景識別效果好。缺點就是功耗較高，ID設(shè)計復(fù)雜。

3. 立體陣列

立體陣列多是球狀，或者圓柱體，可以實現(xiàn)真正的全空間360度無損拾音，解決了平面陣高俯仰角信號響應(yīng)差的問題，效果是最好的，成本也是最高的。但是生活中用的比較少，常見于專業(yè)領(lǐng)域。

三、麥克風(fēng)陣列有什么作用？

前面從硬件的角度介紹了麥克風(fēng)陣列的分類，接下來結(jié)合麥克風(fēng)陣列前端算法，看看麥克風(fēng)陣列到底有什么作用？

1. 聲源定位

人有兩個耳朵，可以通過聲音判斷發(fā)聲的方向，機器人也同樣可以做到。這個功能就是聲源定位，通過聲音感知人所在的方向，從而實現(xiàn)對目標(biāo)聲源方向的跟蹤。這也為后續(xù)的波束形成做技術(shù)鋪墊。

比如機器人場景，我們在機器人左邊叫它，機器人聽到聲音后就會把頭轉(zhuǎn)向左邊，我們在機器人背后叫它，機器人聽到聲音后就會轉(zhuǎn)過去，這就是聲源定位最典型的應(yīng)用。通常聲源定位會應(yīng)用在語音喚醒階段，能夠檢測一個大致的方向。

常用到的技術(shù)是TDOA（Time Difference Of Arrival，到達時間差），簡單理解就是通過計算信號到達麥克風(fēng)之間的時間差，從而計算出聲源的位置坐標(biāo)，需要毫秒級的響應(yīng)和計算。

2. 抑制噪音/增強人聲

在語音識別中，語音信息中往往夾雜著噪音，常見的有環(huán)境噪音和人聲干擾，通常不會掩蓋正常的語音，只是影響聲音的清晰度。麥克風(fēng)陣列主要通過波束形成技術(shù)，來抑制噪音，增強人聲?？梢岳斫鉃橹蛔R別某個角度的聲音（一般角度可以進行調(diào)節(jié)），其他角度的聲音都會受到抑制，從而實現(xiàn)抑制噪音的目的。反過來也可以增強角度內(nèi)的人聲，就是增強人聲。

比如家庭場景，如果我們開著電視和空調(diào)在和音箱說話，音箱會以喚醒的它的角度為拾音區(qū)域，抑制非該角度的噪音（電視聲音和空調(diào)噪音）。一般我們根據(jù)使用場景去設(shè)置拾音角度，使用距離越遠，角度越小，常見為60°-120°之間。

抑制噪音能夠滿足日常家庭的使用場景，但對于強噪音環(huán)境的抑制效果并不理想，典型的就是雞尾酒效音。

3. 回聲消除

如果不做特殊處理的話，機器人會識別自己發(fā)出來的聲音，很有可能就會變成無休止的自問自答，或者拾音錯誤?；芈曄褪菫榱私鉀Q這個問題，消除掉機器自己發(fā)出的聲音。

比如家庭場景下，你的音箱正在放音樂周杰倫的新歌，但是你想要查一下天氣，這個時候你就會說“小X小X，今天天氣”?；芈曄哪康木褪且サ羝渲幸魳沸畔⒍Ａ裟愕穆曇簟?/p>

其實回聲消除可能不太好理解，有時也被稱作為“自識別”，即自己識別自己發(fā)出的聲音。

4. 混響消除

在某些場景，發(fā)音會有回音，人能聽到的是17米左右距離返回的回音。但是機器的感知要比人敏感的的多，如果不做處理，就會出現(xiàn)一句話疊加識別的情況。混響常指聲波在室內(nèi)傳播時，被墻壁、天花板、地板等障礙物形成反射聲，并和直達聲形成疊加的現(xiàn)象。

比如在演播廳，我們能夠感受到較為明顯的回音，機器同樣能夠識別到這些回音?；祉懴褪窍髱淼幕匾?，只識別第一遍的內(nèi)容。

解決了這些問題，基本上就可以在日常環(huán)境下進行一個正常拾音，從而保證整個語音識別的正常。

四、如何選擇麥克風(fēng)陣列？

市面上可選的麥克風(fēng)陣列方案比較多，國產(chǎn)主要集中在思必馳、云知聲、科大訊飛和智聲科技等，他們也有從單麥克風(fēng)到麥克風(fēng)陣列的全套解決方案，以及前端算法?？v觀全球主要是亞馬遜和蘋果的麥克風(fēng)陣列硬件，谷歌和微軟的前端算法，分別是他們的擅長的地方。

首先從使用場景和ID設(shè)計，進行選擇。如果是像手機一樣拿在手上的近場景交互，產(chǎn)品又追求性價比，那么單麥克風(fēng)完就能夠滿足需求；如果是像音箱一樣放在家庭中的遠場景交互，建議可以選擇4麥以上的麥克風(fēng)陣列，常見的有4+1和6+1兩種選擇方案；如果是像視頻音箱一樣站在面前的交互場景，建議選擇2-4麥的麥克風(fēng)陣列，當(dāng)然條件允許，6麥的，甚至8麥的都是可以的。另外產(chǎn)品的ID設(shè)計適合什么類型的麥克風(fēng)陣列，這個就因人而異了。

其次就是結(jié)合產(chǎn)品定位和前端算法，進行選擇。如果只需要近場景收音，需求僅限于拾音，建議單麥就可以，成本低，ID設(shè)計簡單；如果是想要實現(xiàn)類似通話降噪這種效果，2麥的麥克風(fēng)陣列就可以滿足需求，再多價值不大；如果是想要去除大部分噪音，建議使用4個以上的麥克風(fēng)陣列，還要考慮前端降噪算法的能力，一般大廠效果更加可靠，麥克風(fēng)陣列的硬件和前端算法的效果要結(jié)合ASR識別來一起評估。

還有就是像軍工領(lǐng)域，航空航天，這些高端產(chǎn)品，就可以考慮使用分布式陣列了，這個不在我們考慮的范圍內(nèi)了。

最后就是參考成本以及研發(fā)速度，進行選擇。看了上面這么多介紹，只需要根據(jù)自己產(chǎn)品的售價，以及這方面的預(yù)算，相信大家都已經(jīng)清楚該怎么做出選擇了。至于研發(fā)速度，個人覺得選擇成熟的方案是最快捷的方式，如果ID設(shè)計不兼容，可能也需要定制，看具體需求。

一般像我們把手機拿到嘴邊的語音交互，單個麥克風(fēng)就夠用了，就像有人在你耳旁說悄悄話，一個耳朵就能聽清楚。但是在面對遠距離，嘈雜環(huán)境的語音交互，麥克風(fēng)陣列相對于單個麥克風(fēng)有很明顯的優(yōu)勢。

五、行業(yè)內(nèi)麥克風(fēng)陣列介紹

我們盤點一下業(yè)內(nèi)常見的產(chǎn)品在麥克風(fēng)陣列上的使用情況

通過收集素材，發(fā)現(xiàn)小米和天貓的音箱產(chǎn)品線覆蓋非常全，其中2麥到6麥的產(chǎn)品都有。其實大部分音箱設(shè)備還是采用2麥和6麥的方案，隨著前端算法的進步，未來需要的麥克風(fēng)可能會越來越少。

六、如何測試麥克風(fēng)陣列？

評價一個麥克風(fēng)陣列的優(yōu)劣，除了麥克風(fēng)陣列的軟硬件能力，還需要結(jié)合ASR的識別效果一起進行評估，以最終的識別結(jié)果為準(zhǔn)。

我們后面聊到ASR識別的時候，再聊這部分內(nèi)容。

七、總結(jié)

在語音交互普及的今天，消費級麥克風(fēng)陣列主要解決遠場景交互的語音識別問題，保證真實場景下的語音識別率。

麥克風(fēng)陣列主要從兩方面來實現(xiàn)物理音頻的獲取，一方面是硬件的麥克風(fēng)數(shù)量和布局，一方面是軟前的前端算法。硬件布局越合理，麥克風(fēng)數(shù)量越多，前端算法可以處理的信息越多，識別的效果越好。如果只有1個麥克風(fēng)，無論前端算法再怎么牛逼，是無法實現(xiàn)聲源定位的；如果有2個麥克風(fēng)陣列，前端算法如果超級牛逼，是可以實現(xiàn)大概的聲源定位；如果有6+1麥克風(fēng)陣列，前端算法就可以輕松的實現(xiàn)聲源定位。

麥克風(fēng)陣列只是語音識別的一部分，其麥克風(fēng)布局和數(shù)量決定下限，前端算法決定上限。

本文由 @我叫人人 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議