亚马逊Echo和谷歌Home争奇斗艳，除了云端服务，他们在硬件上究竟有哪些差异?咱们先将Echo和Home两款音箱拆开来看，差异最大的仍是麦克风阵列技能。Amazon Echo选用的是环形6+1麦克风阵列，而Google Home(包含Surface Studio)只选用了2麦克风阵列。这儿想略微深化谈谈麦克风阵列技能，以及智能语音交互设备究竟应该选用怎样的计划。
什么是麦克风阵列技能?
学术上有个概念是“传声器阵列”，首要由必定数意图声学传感器组成，用来对声场的空间特性进行采样并处理的体系。而这篇文章讲到的麦克风阵列是其间一个狭义概念，特指使用于语音处理的按必定规矩摆放的多个麦克风体系，也可以简略了解为2个以上麦克风组成的录音体系。
麦克风阵列一般来说有线形、环形和球形之分，谨慎的应该说成一字、十字、平面、螺旋、球形及无规矩阵列等。至于麦克风阵列的阵元数量，也便是麦克风数量，可以从2个到上千个不等。这样说来，麦克风阵列真的好杂乱，别忧虑，杂乱的麦克风阵列首要使用于工业和国防范畴，消费范畴考虑到成本会简化许多。
为什么需求麦克风阵列?
消费级麦克风阵列的鼓起得益于语音交互的商场炽热，首要处理远间隔语音辨认的问题，以确保实在场景下的语音辨认率。这触及了语音交互用户场景的改变，当用户从手机切换到相似Echo智能音箱或许机器人的时分，实际上麦克风面对的环境就彻底变了，这就好像两个人交头接耳和大声嘶喊的差异。
前几年，语音交互使用最为遍及的便是以Siri为代表的智能手机，这个场景一般都是选用单麦克风体系。单麦克风体系可以在低噪声、无混响、间隔声源很近的情况下取得契合语音辨认需求的声响信号。可是，若声源间隔麦克风间隔较远，并且实在环境存在很多的噪声、多径反射和混响，导致拾取信号的质量下降，这会严峻影响语音辨认率。并且，单麦克风接纳的信号，是由多个声源和环境噪声叠加的，很难完成各个声源的别离。这样就无法完成声源定位和别离，这很重要，由于还有一类声响的叠加并非噪声，可是在语音辨认中也要按捺，便是人声的搅扰，语音辨认显着不能一起辨认两个以上的声响。
显着，当语音交互的场景过渡到以Echo、机器人或许轿车为首要场景的时分，单麦克风的限制就凸显出来。为了处理单麦克风的这些限制性，使用麦克风阵列进行语音处理的办法应时而生。麦克风阵列由一组按必定几许结构(常用线形、环形)摆放的麦克风组成，对收集的不同空间方向的声响信号进行空时处理，完成噪声按捺、混响去除、人声搅扰按捺、声源测向、声源盯梢、阵列增益等功能，从而进步语音信号处理质量，以进步实在环境下的语音辨认率。
事实上，仅靠麦克风阵列也很难确保语音辨认率的目标。麦克风阵列还仅是物理进口，仅仅完成了物理国际的声响信号处理，得到了语音辨认想要的声响，可是语音辨认率却是在云端测验得到的成果，因而这两个体系有必要匹配在一起才干得到最好的作用。不仅如此，麦克风阵列处理信号的质量还无法界说规范。由于当时的语音辨认根本都是深度学习练习的成果，而深度学习有个限制便是严峻依赖于输入练习的样本库，若处理后的声响与样本库不匹配则辨认作用也不会太好。从这个视点应该十分简略了解，物理国际的信号处理也并非越是纯洁越好，而是越接近于练习样本库的特征越好，即使这个样本库的练习信号很差。显着，这是一个十分难于完成的进程，至少要声学处理和深度学习的两个团队合作才干做好这个工作，别的声学信号处理这个层次输出的信号特征对语义了解也十分重要。看来，小小的麦克风阵列还真的不是那么简略，为了更好地显现这种不同，咱们测验了某语音辨认引擎在单麦克风和四麦克风环形阵列的辨认率比照。别的也要提示，语音辨认率并非只要一个WER目标，还有个重要的虚警率目标，略微有点声响就乱辨认也不可，别的还要考虑阈值的影响，这都是麦克风阵列技能中的圈套。
麦克风阵列的关键技能
消费级的麦克风阵列首要面对环境噪声、房间混响、人声叠加、模型噪声、阵列结构等问题，若使用到语音辨认场景，还要考虑针对语音辨认的优化和匹配等问题。为了处理上述问题，特别是在消费范畴的笔直场景使用环境中，关键技能就显得尤为重要。
噪声按捺：语音辨认倒不需求彻底去除噪声，相对来说通话体系中需求的技能则是噪声去除。这儿说的噪声一般指环境噪声，比方空调噪声，这类噪声一般不具有空间指向性，能量也不是特别大，不会掩盖正常的语音，仅仅影响了语音的清晰度和可懂度。这种办法不适合强噪声环境下的处理，可是敷衍日常场景的语音交互足够了。
混响消除：混响在语音辨认中是个蛮厌烦的要素，混响去除的作用很大程度影响了语音辨认的作用。咱们知道，当声源中止发声后，声波在房间内要通过屡次反射和吸收，好像若干个声波混合继续一段时间，这种现象叫做混响。混响会严峻影响语音信号处理，比方互相关函数或许波束主瓣，下降测向精度。
回声抵消：严格来说，这儿不应该叫回声，应该叫“自噪声”。回声是混响的延伸概念，这两者的差异便是回声的时延更长。一般来说，超越100毫秒时延的混响，人类可以显着区分出，好像一个声响一起呈现了两次，咱们就叫做回声，比方天坛闻名的回声壁。实际上，这儿所指的是语音交互设备自己宣布的声响，比方Echo音箱，当播映歌曲的时分若叫Alexa，这时分麦克风阵列实际上收集了正在播映的音乐和用户所叫的Alexa声响，显着语音辨认无法辨认这两类声响。回声抵消便是要去掉其间的音乐信息而只保存用户的人声，之所以叫回声抵消，仅仅连续我们的习气罢了，其实是不恰当的。
