Nureva的Microphone Mist™技術(shù)通過數(shù)以千計的虛擬麥克風(fēng)均勻填充滿整個空間，保證出色的拾音和聽音效果。這項(xiàng)技術(shù)是保證Nureva音頻系統(tǒng)非凡性能的關(guān)鍵。那么究竟什么是虛擬麥克風(fēng)？它們又會對日常遠(yuǎn)程會議產(chǎn)生何種影響？

數(shù)以千計的虛擬麥克風(fēng)不僅僅在房間內(nèi)增加了額外的拾音點(diǎn)，還是對現(xiàn)有的實(shí)體麥克風(fēng)和beamformer系統(tǒng)的概念性顛覆。它們改變了我們對會議空間中聲音拾取的基本理解。

使用專注于離散三維位置而不依賴廣泛覆蓋區(qū)域的方法，我們可以提供優(yōu)化的分析和解決方案，從而使音頻會議系統(tǒng)拾音更加精確、功能更加強(qiáng)大。換句話說，如果我們不再對所需聲源方向進(jìn)行廣泛覆蓋，而是分析房間內(nèi)數(shù)以千計個空間點(diǎn)（點(diǎn)位）的聲音，就會有不一樣的效果。虛擬麥克風(fēng)組成了這些三維空間點(diǎn)，使陣列可以專注于這些點(diǎn)位的拾音。

通過從三維角度分析房間聲學(xué)的新方法，可以確定房間內(nèi)數(shù)千個點(diǎn)位中每個點(diǎn)位的音頻特性。然后，這些豐富的聲音信息可以被獨(dú)立地評估可用性和質(zhì)量，并相應(yīng)地對系統(tǒng)進(jìn)行自動調(diào)整。

音頻會議系統(tǒng)現(xiàn)狀

目前有兩種常見的音頻會議麥克風(fēng)拾音方法。

第一種方法是配置一支或多支獨(dú)立麥克風(fēng)（如圖1）。采用這種方法構(gòu)建的系統(tǒng)可能很簡單，如在房間內(nèi)的講話者身上佩戴領(lǐng)夾式麥克風(fēng)；也可能很復(fù)雜，如在桌子上配置一系列分布式鵝頸麥克風(fēng)或在天花板上安裝懸吊式麥克風(fēng)。

這種方法能夠在小型目標(biāo)區(qū)域內(nèi)實(shí)現(xiàn)特定覆蓋，或在由麥克風(fēng)指向性模式定義的大型區(qū)域內(nèi)實(shí)現(xiàn)廣泛覆蓋。雖然當(dāng)講話者靠近麥克風(fēng)時音頻拾取性能可以很好，但當(dāng)講話者遠(yuǎn)離麥克風(fēng)或改變講話方向時，拾音性能會顯著降低。移動講話者的聲音尤其難以被拾取，因?yàn)楫?dāng)他們邊走邊說時，很可能會離開桌面麥克風(fēng)的覆蓋區(qū)域，講話者就被限制在麥克風(fēng)系統(tǒng)有限的覆蓋范圍內(nèi)。因此，這種麥克風(fēng)拾音方法不適合需要講話者變換位置（如使用演示設(shè)備闡述觀點(diǎn)）的動態(tài)型會議場景。

如果多個聲源集中在某一麥克風(fēng)的覆蓋區(qū)域內(nèi)，系統(tǒng)就無法進(jìn)行區(qū)分。如果所有這些聲源都是有用的，就不是問題，但如果其中一個或多個聲源是不需要的噪聲（如供熱通風(fēng)與空氣調(diào)節(jié)系統(tǒng)噪聲、鍵盤敲擊聲或紙張移動聲），那么就會比較麻煩——麥克風(fēng)會拾取該覆蓋內(nèi)所有的聲音，需要額外進(jìn)行后處理來消除不需要的噪聲。

圖1 桌面麥克風(fēng)覆蓋示例

另一種常見的音頻會議麥克風(fēng)拾音方法是采用beamforming陣列。這些由實(shí)體麥克風(fēng)組成的beamforming陣列基于預(yù)期房間用途被預(yù)先配置了覆蓋區(qū)域（如圖2）。這種陣列旨在增大目標(biāo)區(qū)域內(nèi)的聲音，使其增益高于獨(dú)立麥克風(fēng)系統(tǒng)的標(biāo)準(zhǔn)增益，并衰減目標(biāo)區(qū)域外的聲音，從而顯著降低混響和不需要的噪聲。這種拾音系統(tǒng)被稱為beamformer，因?yàn)槊總�區(qū)域都是從麥克風(fēng)陣列的位置開始并向外延伸，通常會延伸到房間邊界處。

一個beamforming陣列可能只覆蓋一個區(qū)域（如波束追蹤陣列），也可能根據(jù)使用情況覆蓋多個區(qū)域（如多區(qū)陣列）。由于波束可以縮窄，因此系統(tǒng)可以通過聚焦特定覆蓋區(qū)域來減少不需要的噪聲。然而，即使窄波束也無法提供足夠的空間粒度來提供高空間分辨率。也就是說，波束是根據(jù)方向而不是位置來處理聲音。如果波束內(nèi)有不需要的噪聲源，beamforming系統(tǒng)就會產(chǎn)生與獨(dú)立麥克風(fēng)系統(tǒng)相同的限制。不需要的噪聲仍然需要通過專門的噪聲濾波器和算法進(jìn)行后處理。如果講話者位于波束之外，例如在顯示設(shè)備邊或在整個房間內(nèi)移動，就無法確定自己是否在beamformer區(qū)域內(nèi)。在獨(dú)立麥克風(fēng)系統(tǒng)中，講話者可以看到實(shí)體麥克風(fēng)的位置，而在beamforming陣列中，講話者無法確定beamformer的指向或配置指向，因此可能會無意中偏離預(yù)置的覆蓋區(qū)域。

圖2 Beamforming陣列覆蓋示例

這兩種常見方法都是在預(yù)配置的覆蓋區(qū)域內(nèi)拾取最響亮的聲源（可能來自講話者，也可能不是），并嘗試優(yōu)化音頻性能。但在每種方法中，整個房間的聲學(xué)覆蓋可能都不夠充分，因?yàn)槁晫W(xué)空間分辨率和密度較低，對整個房間進(jìn)行連續(xù)聲學(xué)監(jiān)測通常是不可行的。此外，這兩種方法都基于房間的預(yù)期用途。如果房間的實(shí)際用途偏離了預(yù)期用途，則系統(tǒng)通常必須進(jìn)行重新配置。廣泛覆蓋的拾音方法很難獲得有關(guān)房間內(nèi)所有聲源的聲學(xué)特性和精確點(diǎn)位的詳細(xì)信息。

針對以上情況，Nureva開發(fā)了一種獨(dú)特的創(chuàng)新方法，通過以高空間分辨率全面分析三維空間來覆蓋整個拾音區(qū)域。這使得麥克風(fēng)系統(tǒng)能夠在數(shù)以千計的獨(dú)立點(diǎn)位獲得精確的聲學(xué)信息。這種方法測量空間粒度非常高，可以同時識別和管理所有點(diǎn)位的聲學(xué)聲源。因此，該系統(tǒng)可以提供全房間的聲學(xué)視角，將音頻拾取性能優(yōu)化到在較低空間分辨率系統(tǒng)中根本不可達(dá)到的水平。

實(shí)現(xiàn)聲學(xué)空間

高分辨率拾音的新方法

Nureva意識到，如要改善會議空間的音頻體驗(yàn)，需要一種新的方法。我們的目標(biāo)是通過測量整個聲學(xué)空間中多個離散點(diǎn)位的聲音特性來獲得更高質(zhì)量、更精確的聲學(xué)信息，而不是簡單地優(yōu)化來自一個或多個方向的有源聲源。我們需要一種全新的創(chuàng)新方法，從而比其他音頻會議系統(tǒng)在聲學(xué)上可以更精確地解析空間。

為了實(shí)現(xiàn)這一目標(biāo)，我們需將房間視為三維聲學(xué)空間（如圖3）。Nureva開發(fā)了專利的麥克風(fēng)陣列技術(shù)，即Microphone Mist技術(shù)，可以通過數(shù)以千計均勻分布的虛擬麥克風(fēng)在三個維度上解析聲學(xué)空間，從而實(shí)現(xiàn)全覆蓋網(wǎng)格，以比傳統(tǒng)的拾音方法更高的分辨率和覆蓋密度提供精確的聲學(xué)信息。

圖3 Microphone Mist技術(shù)

高空間分辨率的概念有助于理解為什么Nureva的聲學(xué)空間拾音方法如此獨(dú)特。雖然這是一種新的音頻會議拾音方法，但它與其他領(lǐng)域的高分辨率技術(shù)相似。

為什么需要高分辨率？

當(dāng)您購買電視機(jī)或攝像機(jī)時，圖像分辨率是需要重點(diǎn)關(guān)注的性能規(guī)格之一。4k圖片質(zhì)量比1080p的圖片更好——更高的分辨率能夠帶來更好的體驗(yàn)。其他格式和技術(shù)，如色彩、音樂、圖像甚至望遠(yuǎn)鏡也是如此。更高的分辨率意味著更多更高質(zhì)量的信息和處理，可以帶來更好的體驗(yàn)。

例如，圖4記錄了調(diào)色板上位深變化產(chǎn)生的影響。當(dāng)圖像的位深度為2時，會得到4種色彩選項(xiàng)。當(dāng)分辨率增加到14bit時，就會得到16,384種色彩項(xiàng)。隨著位深度的增加，圖像中調(diào)色板的分辨率也在增加，這意味著可以更精確的解析色彩細(xì)節(jié)。顯然，更高位深度的色彩描述更適合顯示和分析圖像。

圖4 色彩位深

在圖5中，與高分辨率的300dpi圖像相比，低分辨率4dpi的吉他圖像是塊狀的。提高分辨率意味著可以顯示更精確和詳細(xì)的圖像。在低分辨率圖像中模糊不清的細(xì)節(jié)在高分辨率圖像中變得非常明顯，從而可以對圖像數(shù)據(jù)進(jìn)行更好的處理和分析。

圖5 圖像分辨率

同樣音樂中也是如此。圖6的表格顯示，4bit的錄音比24bit的錄音的分辨率要低。隨著位深度的增加，會得到更高的信噪比、更高的動態(tài)范圍和更少的量化誤差。

圖6 音樂分辨率

更高的位深度和由此帶來的數(shù)據(jù)分辨率提高的優(yōu)勢在數(shù)字平臺上得到了很好的理解和共享。這些優(yōu)勢也同樣適用于將聲學(xué)空間細(xì)分為越來越精細(xì)的粒度細(xì)節(jié)的音頻麥克風(fēng)系統(tǒng)。如果我們將空間分解為更小的聲學(xué)區(qū)域，就可以更好地描述和理解聲源和空間，從而根據(jù)聲源自身的聲學(xué)特性進(jìn)行優(yōu)化處理。

聲學(xué)空間的分辨率

將空間劃分為聲學(xué)區(qū)域來形成充足的覆蓋范圍對音頻會議大有裨益。房間可以被劃分為實(shí)體麥克風(fēng)或虛擬麥克風(fēng)覆蓋區(qū)域。在配置獨(dú)立麥克風(fēng)和beamformer后，每個區(qū)域以麥克風(fēng)系統(tǒng)的孔徑中心開始，由每個配置區(qū)域的極坐標(biāo)圖形狀來定義。通過Microphone Mist技術(shù)，每個區(qū)域都以三維空間中每個虛擬麥克風(fēng)的位置為中心。每個位置都可以被分配一個單獨(dú)的空間分辨率值�？偟姆直媛手当硎钧溈孙L(fēng)系統(tǒng)在三維空間中能夠分辨多少個空間粒度點(diǎn)。

圖7a和7b顯示了空間中配置一支獨(dú)立麥克風(fēng)和多支分布式獨(dú)立麥克風(fēng)的覆蓋情況。如果我們?yōu)槊總�覆蓋區(qū)分配一個空間區(qū)域值，在配置一支獨(dú)立麥克風(fēng)的情況下，這個值從實(shí)體麥克風(fēng)的中心開始，我們可以看到一支麥克風(fēng)有1個單獨(dú)的空間區(qū)域，空間中總共有1個空間區(qū)域（如圖7a）。在配置多支分布式獨(dú)立麥克風(fēng)的情況下，顯示了3個空間區(qū)域，總空間分辨率值為3（如圖7b）。盡管覆蓋區(qū)域很大，但麥克風(fēng)系統(tǒng)無法分辨單個區(qū)域內(nèi)的各個聲源，這導(dǎo)致總空間分辨率值較低。就像色彩和圖像一樣，我們將聲學(xué)空間劃分的越精細(xì)，在測量和描述聲學(xué)空間時的空間分辨率就越高。

圖7a 單支獨(dú)立麥克風(fēng)空間分辨率示例

圖7b 多支獨(dú)立麥克風(fēng)空間分辨率示例

圖8a和8b顯示了通用的beamformer覆蓋模式。通過為每個區(qū)域分配一個單獨(dú)的空間區(qū)域值，可以應(yīng)用相同類型的量化。圖8a顯示一個三區(qū)系統(tǒng)的空間分辨率值為3。即使在復(fù)雜的實(shí)際應(yīng)用中，覆蓋區(qū)域通常也限制在幾十個以下，在本示例中有6個區(qū)（如圖8b），空間分辨率為6。顯然，beamformer可以通過較小的總空間分辨率值來描述整個空間。

圖8a Beamformer空間分辨率示例

圖8b Beamformer空間分辨率

這兩個系統(tǒng)都能夠在每個覆蓋區(qū)域拾取聲源，就像4dpi分辨率的圖像可以將寬泛的顏色顯示為模糊的斑點(diǎn)一樣。但在任何一個區(qū)域內(nèi)區(qū)分聲源很難。如果某一聲源在覆蓋區(qū)之外，就會被完全忽略。上述兩種常見的音頻會議麥克風(fēng)拾音方法都無法將空間劃分為高密度的聲學(xué)網(wǎng)格，這限制了麥克風(fēng)系統(tǒng)識別聲源及其特性的方式。

綜上所述，我們是要選擇空間分辨率較低的模糊聲像還是蘊(yùn)含高分辨率信息和數(shù)據(jù)的聲學(xué)空間呢？

為什么數(shù)以千計的

虛擬麥克風(fēng)如此有用？

將空間劃分為更小的區(qū)域可以實(shí)現(xiàn)更精確的聚焦，這是真正實(shí)現(xiàn)全空間精準(zhǔn)覆蓋的唯一方法。Microphone Mist技術(shù)實(shí)現(xiàn)了在空間內(nèi)創(chuàng)建數(shù)以千計均勻分布的點(diǎn)位的理想拾音方式。

圖9是一個擁有數(shù)以千計獨(dú)立虛擬麥克風(fēng)點(diǎn)位的系統(tǒng)示例，通過Microphone Mist技術(shù)，總空間分辨率達(dá)到8,192。這是因?yàn)�，與其他方法一樣，每個點(diǎn)位都被分配了一個空間分辨率值。Microphone Mist技術(shù)創(chuàng)建了數(shù)以千計同時存在的虛擬麥克風(fēng)區(qū)域。與色彩和圖像的高分辨率優(yōu)勢一樣，很明顯，更高的分辨率對于高精度和詳細(xì)的聲音信息收集是至關(guān)重要的。在聲學(xué)領(lǐng)域，Microphone Mist技術(shù)可以將一個房間劃分為間隔非常精細(xì)的聲學(xué)點(diǎn)位。

圖9 通過數(shù)以千計的虛擬麥克風(fēng)實(shí)現(xiàn)空間高分辨率覆蓋

通過將聲學(xué)空間劃分為分辨率更高的空間三維網(wǎng)格，Nureva系統(tǒng)可以根據(jù)每個點(diǎn)位的自身特點(diǎn)進(jìn)行監(jiān)測和分析。這意味著在每個虛擬麥克風(fēng)點(diǎn)位，系統(tǒng)都會進(jìn)行測量、分析、定位、處理和報告，從而形成整個空間的綜合聲像呈現(xiàn)。

由于系統(tǒng)不斷收集每個點(diǎn)位的聲學(xué)信息，因此可以在整個覆蓋區(qū)域內(nèi)的相對三維空間中處理單個聲源，不會產(chǎn)生因優(yōu)化某一聲源而忽略房間其他位置的情況。當(dāng)一個人在邊說話邊打字時，Microphone Mist技術(shù)的空間分辨率可以專注于他嘴巴的位置，而弱化鍵盤的位置。這樣，系統(tǒng)就可以區(qū)分出需要和不需要的聲音點(diǎn)位。在房間邊界區(qū)域的講話者（如站在顯示設(shè)備前），不必?fù)?dān)心他們是否還在麥克風(fēng)覆蓋區(qū)。講話者可以邊說邊走，不必考慮麥克風(fēng)系統(tǒng)的配置情況。在講話者走動時，會通過微小的無縫過渡實(shí)時過渡到每個獨(dú)立的虛擬麥克風(fēng)，因?yàn)榉块g內(nèi)布滿了均勻分布的虛擬麥克風(fēng)。無論講話者走到房間的哪個位置，都能保證一致的高質(zhì)量拾音效果。講話者可以在房間內(nèi)自然地坐下、彎腰、移動，自然的發(fā)言，隨意做手勢或動作，而不必?fù)?dān)心影響拾音效果。

對于如供熱通風(fēng)與空氣調(diào)節(jié)系統(tǒng)噪聲等不需要的噪聲源，系統(tǒng)可以通過智能聲音定位技術(shù)對其進(jìn)行獨(dú)特處理。這項(xiàng)技術(shù)針對并聚焦于房間內(nèi)聲源的具體位置，即使是在具有多個聲源的復(fù)雜聲學(xué)環(huán)境中也是如此。每個有源聲源都與三維空間中的一個點(diǎn)位相關(guān)，專有的基于邏輯的處理可以決定如何以及何時將系統(tǒng)集中到新聲源上。

Nureva系統(tǒng)具有更高的空間分辨率，因此可以獲得更精確的聲音信息，從而更好地優(yōu)化麥克風(fēng)拾音效果、更精確的進(jìn)行后數(shù)據(jù)處理分析。

放眼未來

綜上所述，數(shù)以千計的虛擬麥克風(fēng)確實(shí)很有效果——它們改變了我們對聲學(xué)空間的理解。在不斷變幻的時代，時空距離和疫情等原因所產(chǎn)生的大量不確定性的對音頻會議系統(tǒng)提出了更高的要求，因此，高性能的音頻會議系統(tǒng)變得愈發(fā)重要。

*文章轉(zhuǎn)自Nureva官方網(wǎng)站
中英文版本有差異之處，以英文版本為準(zhǔn)