前幾年，語音交互應(yīng)用最為普遍的就是以Siri為代表的智能手機(jī)，這個場景一般都是采用單麥克風(fēng)系統(tǒng)。

單麥克風(fēng)系統(tǒng)可以在低噪聲、無混響、距離聲源很近的情況下獲得符合語音識別需求的聲音信號。但是，若聲源距離麥克風(fēng)距離較遠(yuǎn)，并且真實(shí)環(huán)境存在大量的噪聲、多徑反射和混響，導(dǎo)致拾取信號的質(zhì)量下降，這會嚴(yán)重影響語音識別率。而且，單麥克風(fēng)接收的信號，是由多個聲源和環(huán)境噪聲疊加的，很難實(shí)現(xiàn)各個聲源的分離。這樣就無法實(shí)現(xiàn)聲源定位和分離，這很重要，因?yàn)檫�有一類聲音的疊加并非噪聲，但是在語音識別中也要抑制，就是人聲的干擾，語音識別顯然不能同時識別兩個以上的聲音。

為什么需要麥克風(fēng)陣列？

消費(fèi)級麥克風(fēng)陣列的興起得益于語音交互的市場火熱，主要解決遠(yuǎn)距離語音識別的問題，以保證真實(shí)場景下的語音識別率。這涉及了語音交互用戶場景的變化，當(dāng)用戶從手機(jī)切換到類似Echo智能音箱或者機(jī)器人的時候，實(shí)際上麥克風(fēng)面臨的環(huán)境就完全變了，這就如同兩個人竊竊私語和大聲嘶喊的區(qū)別。

麥克風(fēng)陣列還僅是物理入口，只是完成了物理世界的聲音信號處理，得到了語音識別想要的聲音，但是語音識別率卻是在云端測試得到的結(jié)果，因此這兩個系統(tǒng)必須匹配在一起才能得到最好的效果。

麥克風(fēng)陣列的關(guān)鍵技術(shù)

消費(fèi)級的麥克風(fēng)陣列主要面臨環(huán)境噪聲、房間混響、人聲疊加、模型噪聲、陣列結(jié)構(gòu)等問題，若使用到語音識別場景，還要考慮針對語音識別的優(yōu)化和匹配等問題。為了解決上述問題，特別是在消費(fèi)領(lǐng)域的垂直場景應(yīng)用環(huán)境中，關(guān)鍵技術(shù)就顯得尤為重要。

噪聲抑制

語音識別倒不需要完全去除噪聲，相對來說通話系統(tǒng)中需要的技術(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。這種方法不適合強(qiáng)噪聲環(huán)境下的處理，但是應(yīng)付日常場景的語音交互足夠了。

混響消除

混響在語音識別中是個蠻討厭的因素，混響去除的效果很大程度影響了語音識別的效果。我們知道，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，這種現(xiàn)象叫做混響。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。

聲源測向

這里沒有用聲源定位，測向和定位是不太一樣的，而消費(fèi)級麥克風(fēng)陣列做到測向就可以了，沒必要在這方面投入太多成本。聲源測向的主要作用就是偵測到與之對話人類的聲音以便后續(xù)的波束形成。聲源測向可以基于能量方法，也可以基于譜估計(jì)，陣列也常用TDOA技術(shù)。聲源測向一般在語音喚醒階段實(shí)現(xiàn)，VAD技術(shù)其實(shí)就可以包含到這個范疇，也是未來功耗降低的關(guān)鍵研究內(nèi)容。

波束形成

波束形成是通用的信號處理方法，這里是指將一定幾何結(jié)構(gòu)排列的麥克風(fēng)陣列的各麥克風(fēng)輸出信號經(jīng)過處理（例如加權(quán)、時延、求和等）形成空間指向性的方法。波束形成主要是抑制主瓣以外的聲音干擾，這里也包括人聲，比如幾個人圍繞Echo談話的時候，Echo只會識別其中一個人的聲音。

陣列增益

這個比較容易理解，主要是解決拾音距離的問題，若信號較小，語音識別同樣不能保證，通過陣列處理可以適當(dāng)加大語音信號的能量。

模型匹配

這個主要是和語音識別以及語義理解進(jìn)行匹配，語音交互是一個完整的信號鏈，從麥克風(fēng)陣列開始的語音流不可能割裂的存在，必然需要模型匹配在一起。實(shí)際上，效果較好的語音交互專用麥克風(fēng)陣列，通常是兩套算法，一套內(nèi)嵌于硬件實(shí)時處理，另外一套服務(wù)于云端匹配語音處理。