苏晓晓
点击图片查看原图
麦克风阵列发展趋势 多传感器融合。声学麦克风、光学麦克风、骨传导麦克风的多模态降噪。提高信噪比，适应不同环境。 分配麦克风阵列。对客厅、卧室、厨房、餐厅的各种麦克风的数据进行实时融合处理。在更广泛的范围内实现真正的全向拾音。 基于深度学习的麦克风阵列。使用多麦克风+神经网络替代双耳结构+大脑信号处理机制。最终目标：达到人类听觉水平；使用两个麦克风让机器听到10米到20米的声音；实现鸡尾酒会效果。本地和云端标识紧密耦合，协同使用也是大趋势。
对麦克风阵列的需求 消费级麦克风阵列的兴起得益于蓬勃发展的语音交互市场，主要解决远距离语音识别问题，保证真实场景下的语音识别率。 麦克风阵列声音定位 这涉及到语音交互用户场景的变化。当用户从手机切换到类似的智能音箱或机器人时，面对麦克风的环境其实完全变了，就像两个人窃窃私语和大喊大叫的区别。 几年前，语音交互应该最常见的就是以 Siri 为代表的智能手机，一般采用单麦克风系统。 单个麦克风系统可以获得满足语音识别需要的低噪声、无混响、非常接近声源的声音信号。 但是，如果声源距离麦克风较远，并且在真实环境中存在大量噪声、多径反射和混响，则拾取信号的质量会下降，严重影响语音识别率. 此外，单个麦克风接收到的信号是由多个声源和环境噪声叠加的，很难将每个声源分开。 这样就无法实现声源定位和分离，这很重要，因为还有另一种声音叠加，不是噪声，但在语音识别中也应该被抑制，那就是人声的干扰。语音识别显然不能同时识别两个。不止一种声音。
麦克风阵列是由一组麦克风按一定的几何结构（通常是线性和圆形）放置而成，对采集到的不同空间方向的声音信号进行时空处理，以实现噪声抑制、混合噪声去除、人声干扰抑制、声源测向、声源跟踪、阵列增益等功能，从而提高语音信号处理质量，提高真实环境下的语音识别率。 事实上，仅通过麦克风阵列很难保证语音识别率。 麦克风阵列只是一个物理入口，它只是在物理世界中完成声音信号处理，获得语音识别所需的声音，但语音识别率是在云端得到的结果，所以两个系统必须匹配在一起得到最好的结果。 不仅如此，麦克风阵列处理的信号质量也无法由标准来定义。因为目前的语音识别基本上都是深度学习训练的结果，而深度学习有一个局限性，就是严重依赖样本数据库进行输入训练。如果处理后的语音与样本数据库不匹配，识别效果不会很好。