深度：360度解剖智能音箱的"耳朵"

6家企业6大关键技术！智能音箱靠麦克风阵列听清人话！没有它，再牛的人工智能技术都是傻X。

智东西 文 | 寓扬

智能音箱产业系列报道导读：最近数月，智能行业第一媒体智东西已深入智能音箱产业链，围绕智能语音交互入口之争和智能音箱之热，连发数篇深度报道，该系列还将覆盖业内数十家关键公司、核心操盘手和热点话题，本文为系列报道之一。

如果没有“它”，所有的人工智能设备都是“聋子”，所有的智能音箱都是智障音箱；如果没有它，背后的人工智能技术牛X到天都没用！它是智能设备的“耳朵”——麦克风阵列。

“Alexa”，当你对着亚马逊Echo呼唤时，它用顶部的蓝色光环应声相应，“今天天气怎么样”，它就会“听懂”你的意图，用柔和的声音告诉你天气状况。

(从左到右依次为叮咚音箱A1、亚马逊Echo、Google Home、天猫精灵A1)

而“听懂”或者“听清”的第一步在于准确的获取用户的声音（即拾音），否则无论云端的虚拟助手多么智能，也是无头苍蝇。麦克风阵列是语音交互的第一步，在智能音箱落地中有关键作用，不仅传统的芯片公司，语音技术巨头和有深厚技术背景的初创公司纷纷加入这一领域。

同时，随着智能音箱的火热以及语音交互的盛行，麦克风阵列技术开始走向前台，“XX产品用的是谁家的麦克风阵列”也成为行业中热议的话题；这时我们很有必要看清“麦克风阵列”产品技术的过去现在和产业链现状，也是本文作为智东西智能音箱产业系列报道的主要目的。

那么我们经常提及的麦克风阵列究竟是什么？它有哪些类别及作用？哪些玩家参与其中？市场上各家智能音箱使用的麦克风阵列又有什么不同？

一、麦克风阵列：拾音

简单来讲，麦克风阵列是由2个及以上麦克风按一定规则排列组成，在特定空间对声音进行获取和处理的录音系统，它是远讲语音（超过1米以上）设备的一个关键部分。（注：本文所讨论的为远讲语音设备中的消费级麦克风阵列）

（图为四款智能音箱的麦克风阵列）

麦克风阵列的功能就是拾音。在远讲语音设备中，麦克风阵列通过声源定位、波束形成、噪声抑制、回声消除等远讲算法，有效拾取声音，从而保证具体场景中语音的识别率。

具体来讲，以智能音箱为例，在家庭场景中会存在各种噪声等，麦克风阵列的作用就是“众里寻他千百度”，在众多干扰噪声中寻找到你，但只是找到还不够，还需要抑制噪声、消除自身发出声音的影响，并增强你的声音，从而确保在云端进行有效识别，并满足你的任务指令。

而拾音又分为远场拾音（1米外）和近场拾音（20cm内）。比如，以Siri为代表的智能手机就是近场拾音，采用的是单麦克风，可在近距离、低噪声的情况下拾取符合语音识别需求的声音。但是一旦将智能手机放在有噪声的较远的距离，Siri的识别率就会直线下降，单麦克风的局限就凸显了出来。

而这正是远场拾音和近场拾音的区别，也凸显了麦克风阵列的重要性。不仅如此，由于噪声、混响等因素的存在，远场拾音还要与远讲语音识别算法相匹配，才能真正做到“听清”。

二、麦克风阵列中的关键技术

在远场拾音中， 麦克风阵列可以提供前端信号处理，拾取有效的语音信号输送到云端进行识别。这其中就几项关键的技术：声源定位、波束形成、噪声抑制、回声消除、语音增强。

1、声源定位

声源定位的任务就是在具体场景中，甚至从噪音中找到发出声音的“你”，以便后续的波束形成。它是基于麦克风阵列对目标信号（声源）的位置探测，确定在特定空间中说话者的位置关系。尤其是在移动场景中，实时的声源定位就显得重要。

2、波束形成

波束形成是对麦克风阵列中各个麦克风输出的声音进行信号处理，从而形成空间指向性。这种方法会抑制目标声音以外的声音干扰，不仅抑制噪声也包括其他方向的人声。

以叮咚音箱的AIUI模式为例，开启了一定时间的多伦对话后，它会优先默认第一个说话者作为它拾音的主方向，从而抑制其他方向的声音，来保证和一个对话者的交互。这也意味着，当前技术下，智能音箱不可能同时和多人进行交互。

3、噪声抑制

你在卧室中开着电视，是很难唤醒在你床上睡觉的iPhone中的Siri的，这就是它不具备噪声抑制的能力。但你可以唤醒理你较远的智能音箱，这正是噪声抑制的作用。

简单来讲，噪声抑制就是在目标信号和干扰噪声中，保留目标声音，削弱周围的噪声，从而保证获取的目标声音信号相对清晰，再结合云端相匹配的语音识别算法，实现有效识别理解。

4、抗混响

混响就是声源发出后，在空间中经过多次物体（墙壁）的反射和吸收，若干声波混合在一起所形成的现象，它会影响语音信号的处理，声源定位的精度以及语音识别效果。通过远讲算法消除混响是远讲语音设备在拾音环节的关键一环。

5、回声抵消

回声抵消简单来讲，就是不让语音设备自己发出的声音干扰到拾音过程。比如在智能音箱播放音乐时，你唤醒设备并下达命令，这时麦克风阵列同时采集你发出的声音和正在播放的音乐的声音，而回声抵消就是要去掉其中音乐的声音并保留人的声音，以供云端进行语音识别。

6、语音增强

在家居环境中，存在着背景噪音、回声、混响等噪音干扰，这些噪音相互叠加严重影响语音识别效果。除了降低各种噪声外，还可以从语音增强进行改善。

远距离拾音的另一个问题就是获取的语音信号较弱，需要通过麦克风阵列进行噪声分离，提取目标信号，并增强语音信号的能量，从而提升语音识别效果。

三、消费级麦克风阵列的里程碑事件

早在20世纪七八十年代，麦克风阵列已经被应用到语音信号处理中，进入90年代以来，基于麦克风阵列的语音信号处理算法逐渐成为一个新的研究热点。近年来随着语音交互成为趋势，麦克风阵列逐渐进入消费市场领域，日趋火热。

在麦克风阵列领域拥有丰富经验的先声互联创始人付强曾谈到，麦克风阵列在消费级领域出现有几个里程碑事件：

第一个里程碑事件是微软在2010年6月份正式推出的Kinect，它是Xbox 360游戏主机的体感周边设备，内置了红外线摄像头、传感器、麦克风阵列，可通过对用户身体动作的变化和发出指令来操作游戏。Kinect曾累计销量2900万部，但近几年逐渐推出了人们的视野。

（图为微软的Kinect）

第二个是三星在2012年推出的全球首款具有远讲语音能力的智能电视，该电视使用麦克风阵列，科胜讯的语音芯片，支持语音操控，并带动了国内的智能电视潮。

第三个里程碑事件就是亚马逊Echo智能音箱在2014年底的推出，其采用6+1麦克风阵列，支持5米远讲语音操控。Echo不但是第一款真正意义上的智能音箱设备，还是消费级麦克风阵列应用的里程碑事件，并带火了当下国内这波智能音箱浪潮。

（图为亚马逊智能音箱Echo）

其中，三星的第一款智能电视和亚马逊的Echo智能音箱都用了4年时间去打磨，才有了今天的技术成熟。而反观国内的智能音箱浪潮，我们还缺少这种对技术的长线投入和对产品的耐心打磨。

四、麦克风阵列的代表性玩家

随着国内智能音箱以及语音交互的火热，在麦克风阵列以及远讲算法领域诞生了一波方案提供商，其中能够提供麦克风阵列的硬件方案，又能够提供前端算法的厂商并不太多，智东西选出了具有代表性的几家方案厂商。

1、科大讯飞——国内语音龙头

科大讯飞是国内一家老牌智能语音公司，其有一个专门的团队在研究麦克风阵列技术。目前在讯飞开放平台上，提供二麦线性阵列、四麦线性阵列和六麦环形阵列。中兴、海康威视、美的、高德、优必选、狗尾草等都是其客户。

叮咚音箱就是由京东和科大讯飞联合成立的灵隆科技推出的，其中科大讯飞提供语音语义等技术支持。叮咚音箱A1是国内第一款真正意义上的智能音箱，于2015年8月正式推出，它采用7+1麦克风阵列，豪恩声学提供的ECM麦克风，并采用科胜讯CX20810-11Z音频芯片。在结构上不同于其他智能音箱置于顶部，而是位于主控电路板下面，并采用中空结构，麦克风向外侧倾斜拾音，颇具创意。

（叮咚音箱A1的7+1环形麦克风阵列，黑色为麦克风）

2、科胜讯——国际语音方案巨头

科胜讯成立于1999年，曾是全球最大的独立通讯芯片提供商，后来几经波折被新思科技收购。在语音交互领域，它主要提供语音芯片和麦克风阵列技术，其方案最大优势在于降噪和语音增强算法，技术打磨也更加成熟。难怪科胜讯总裁Saleel Awsare会说，其双麦克风就可以实现友商5-8麦克风的解决方案的效果。

亚马逊、百度、阿里巴巴、腾讯、哈曼、科大讯飞、出门问问、云知声等都是其客户或合作伙伴。据了解科胜讯为Alexa Voice Service (AVS) 量身定做了AudioSmart 语音处理开发套件出货量已超过3000万套，涵盖智能音箱、智能家居、智能电视、机器人等多个品类。出门问问刚刚发布的智能音箱也采用科胜讯的方案，此外，苹果HomePod也可能采用了科胜讯AudioSmart开发套件。

3、先声互联——阵列研究先行者

先声互联是一家成立于2016年的创业公司，主要提供麦克风阵列以及前端信号处理技术。其创始人付强曾在中科院声学所有10余年的声学研究，在语音信号处理领域有20余年的积淀。先声互联目前主要提供两麦、四麦、六麦等解决方案，在抗混响、回声消除、语音增强等方面表现不俗。

先声互联是百度的合作伙伴，其多麦克风硬件开发套件也应用在百度DuerOS平台中。目前，物灵的luka阅读养成机器人、极米科技的Lightank W100、数字家圆的亲见H2等产品都采用了先声互联的远讲算法以及麦克风拾音模组。此外，先声互联也正在和腾讯、联想、小米等公司就某些智能硬件产品展开合作。

4、思必驰——成熟方案输出商

思必驰成立于2007年，是一家面向B端客户的语音语义技术提供商。其副总裁雷国雄告诉智东西，思必驰从2012年就开始研究麦克风阵列技术，并配备一个专门的团队研究语音信号处理，结合思必驰的语音进行优化。目前思必驰提供单麦、两麦、四麦、六麦等解决方案，经过5、6年时间的积累，在性能和稳定性上均表现不错。

近期阿里推出的天猫精灵X1就是采用思必驰的环形6麦克风阵列，模拟麦克风则来自敏芯微电子，天猫精灵在降噪、回声消除等拾音方面均有不错表现。此外，联想、小米、美的、360、DOSS等都是其客户。

5、声智科技——新起之秀

声智科技也成立于2016年，提供麦克风阵列以及远讲算法，目前其推出了单麦、两麦、四麦、六麦、八麦的阵列解决方案，也有不错的表现。有趣的是其创始人陈孝良也来自中科院声学所。

近期刚刚发布的小米AI音箱，就采用了声智科技的环形6麦克风阵列和唤醒技术方案。声智科技也是百度的合作伙伴，推出了基于DuerOS的语音解决方案。此外，腾讯、阿里巴巴、奇虎360、华为、海尔等都是其客户。

五、麦克风阵列：两路分化

目前智能音箱中的麦克风阵列呈现两路分化，主要包括环形和线性。亚马逊Echo、叮咚音箱、天猫精灵、小米AI音箱等技术路线相似，都使用6（+1）、7（+1）个麦克风的环形阵列，而Google Home、出门问问的问问音箱则采用了2麦克风的线性阵列。

（亚马逊Echo的6+1环形麦克风阵列，金色为麦克风）

为何各家使用的麦克风数目不一，真的是数目越多越好吗？先声互联付强曾从技术的角度谈到，事实并非如此。目前麦克风阵列语音增强大致可分为两种技术路线：

一种是以亚马逊Echo为代表的经典波束形成路线，它对麦克风的数目以及阵列拓扑结构（排列位置）依赖较大，通过使用较多的麦克风以及特定结构，从而使得波束的空间区分性更强，保证声源定位和拾音效果。

另外一种就是以科胜讯为代表的路线，该路线更加依赖语音增强算法，而对麦克风阵列数量和阵列拓扑结构依赖较小，通过通过自适应降噪、降低混响、语音分离等技术，从而靠少量麦克风获得良好的拾音效果。

有趣的是，刚刚在8月24日发布的出门问问的智能音箱采用的就是科胜讯的2麦克风阵列，从其测试结果来看，远场拾音唤醒能力并不输于竞品。

（黄色方框为Google Home 2麦线性阵列）

关于阵列麦克风数目的选择，思必驰副总裁雷雄国则从产品层面谈到：首先从性能上考虑，思必驰从单麦、6麦、8麦、12麦都有尝试，思必驰最终选择6麦作为主要的阵列方案，是成本和性能的一个综合考虑。6麦以上尽管性能也会提升，但提升的效果和成本不成正比，但6麦一下数目的减少，成本会降低，性能也会相对降低。

其次，产品形态会影响阵列的选择，比如电视上的Soundbar等设备是长条形，就适合线性阵列；而Echo、叮咚是椭圆，它就可以选择环形阵列。

此外，麦克风数目的选择还和产品定位有关。定位高端产品，对体验有更高要求，则可以选择6麦阵列，而中低端的产品可选择2麦或4麦。

六、麦克风阵列在远场交互中存在的问题

尽管智能音箱经过一段时间的打磨，在拾音、唤醒、识别方面都能够欧达到一个不错的效果，但在远场交互中麦克风阵列仍存在一些亟待解决的问题。

第一，误唤醒是一个问题。雷雄国也谈到，表面看这个是唤醒的问题，但实际跟阵列有较强的关系，唤醒拿到的是阵列拾音的信号，阵列对信号噪声处理效果的好坏直接影响到误唤醒。这个问题也可以从产品的思路进行解决，如唤醒之后只是亮灯而不“说话”，这样会好很多。

第二，声源定位需要提升。在声学环境中，尤其是在反射较强、回声较强、噪音环境下，声源定位需要较大的提升空间。

第三，动态环境中对用户位置的跟踪也需要提升。在家庭场景中， 人会处于一种移动的状态，唤醒和指令可能不在同一个方位，在下一次人机交互中会重点处理刚刚那个方向的信号，如果房间存在多个音源，就可能无法执行指令。

第四，麦克风阵列无法同时进行多人声的识别和处理，当下的波束形成和噪声抑制，会使阵列在同一时间处理同一个方向的声源，从而抑制其他声源，这就意味着当下的技术路线下，机器无法同时与多人进行交互。

结语：麦克风阵列赋予智能硬件“耳朵”

提起未来，我们会幻想无处不在的智能，虚拟助手帮助我们做任何想做的事情。而机器具备智能的第一步应该是听懂人类的心声，那么它首先应该具备的就是一双“耳朵”。

而在人工智能的当下，麦克风阵列的作用就是赋予智能硬件以“耳朵”，让它更好的听到人类的声音，然后将声音传输到云端的智能“大脑”去理解，去调动自身的“技能”，满足人类的需求。

但这双“耳朵”在各种场景中是否灵敏好用，能否“耳听八方”，还需要底层声学技术的进一步研究。

彩蛋：智能音箱集齐，就差苹果了！在智东西公众号回复“智能音箱”，观看智东西现场实拍苹果HomePod体验视频。

---

延伸阅读

点击下方图片直接阅读

往期回顾

硬创先锋（2017）

共享经济

人工智能&大数据

VR/AR

汽车

聚焦特写

共享经济

企业观察

---