cookieOptions = {...}; .智慧語音技術中麥克風陣列的原理 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

3S MARKET
2018年7月13日 星期五

Speech Recognition - Smart Microphone - NVIDIA Jetson




來源爱电子



麥克風陣列(Microphone Array),從字面上,指的是麥克風的排列。也就是說由一定數目的聲學傳感器(一般是麥克風)組成,用來對聲場的空間特性,進行採樣並處理的系統。



智能语音技术中麦克风阵列的原理



早在20世紀70、80年代,麥克風陣列已經被應用於語音信號處理的研究中,進入90年代以來,基於麥克風陣列的語音信號處理算法,逐漸成為一個新的研究熱點。而到了「聲控時代」,這項技術的重要性顯得尤為突出。

麥克風陣列能幹什麼?
任何一項技術的發生發展,都伴隨著問題的提出及解決,麥克風陣列也是如此。那麼它主要應用在哪些場景下呢又有著怎樣的功能!

噪聲環境怎麼破— 語音增強
語音增強是指,當語音信號被各種各樣的噪聲(包括語音)干擾甚至淹沒後,從含噪聲的語音信號中,提取出純淨語音的過程。所以Ding Dong在嘈雜環境下,也能準確辨識語音指令。

透過麥克風陣列波束形成,進行語音增強示意圖
從20世紀60年代開始,Boll等研究者先後提出了,針對使用一個麥克風的語音增強技術,稱為單通道語音增強。因為它使用的麥克風個數最少,並且充分考慮到了,語音譜和噪聲譜的特性,使得這些方法在某些場景下,也具有較好的噪聲抑制效果,並因其方法簡單、易於實現的特點,廣泛應用於現有語音通信系統與消費電子系統中。

但是,在複雜的聲學環境下,噪聲總是來自於四面八方,且其與語音信號在時間和頻譜上,常常是相互交疊的,再加上回波和混響的影響,利用單麥克風捕捉相對純淨的語音,是非常困難的。而麥克風陣列融合了語音信號的空時資訊,可以同時提取聲源並抑制噪聲。

目前科大訊飛已經實現了基於線性陣列、平面陣列,以及空間立體陣列的波束形成和降噪技術,效果均達到業界一流水平。

說話人老是變幻位置怎麼破—聲源定位
現實中,聲源的位置是不斷變化的,這對於麥克風收音來說,是個障礙。麥克風陣列則可以進行聲源定位,聲源定位技術是指,使用麥克風陣列來計算,目標說話人的角度和距離,從而實現對目標說話人的跟蹤,以及後續的語音定向拾取,是人機交互、音視訊會議等領域,非常重要的前處理技術。

所以麥克風陣列技術,不限制說話人的運動,不需要移動位置以改變其接收方向,具有靈活的波束控制、較高的空間分辨率、高的信號增益,與較強的抗干擾能力等特點,因而成為智慧語音處理系統中,捕捉說話人語音的重要手段。

室內回聲太大怎麼破—去混響
一般我們聽音樂時,希望有混響的效果,這是聽覺上的一種享受。合適的混響會使得聲音圓潤動聽、富有感染力。混響(Reverberation)現象,指的是聲波在室內傳播時,要被牆壁、天花板、地板等障礙物形成反射聲,並和直達聲形成疊加,這種現象稱為混響。

但是,混響現象對於辨識就沒有什麼好處了。由於混響則會使得不同步的語音相互疊加,帶來了音素的交疊掩蔽效應(Phoneme Overlap Effect),從而嚴重影響語音辨識效果。

影響語音辨識的部分,一般是晚期混響部分,所以去混響的主要工作重點,是放在如何去除晚期混響上面,多年來,去混響技術抑制,是業界研究的熱點和難點。

利用麥克風陣列去混響的主要方法有以下幾種:
1、基於盲語音增強的方法(Blind signal enhancement approach),即將混響信號作為普通的加性噪聲信號,在這個上面應用語音增強算法。

2、基於波束形成的方法(Beamforming based approach),透過將多麥克風對收集的信號,進行加權相加,在目標信號的方向形成一個拾音波束,同時衰減來自其他方向的反射聲。

3、基於逆濾波的方法(An inverse filtering approach),透過麥克風陣列估計房間的房間衝擊響應(Room Impulse Response, RIR),設計重構濾波器來補償來消除混響。

現在科大訊飛,實現的基於麥克風陣列的去混響技術,能很好的對房間的混響情況,進行自適應的估計,從而很好的進行純淨信號的還原,顯著的提升了語音聽感和辨識效果,在測試對比中,多種混響時間下辨識效果,接近手機近講水準。

混響語音信號頻譜
說話人太多怎麼破—聲源信號提取(分離)
家裡人說話太多,Ding Dong聽誰的呢?這個時候就需要Ding Dong聰明的辨別出哪個聲音才是指令。而麥克風陣列可以實現聲源信號提取,聲源信號的提取就是從多個聲音信號中,提取出目標信號,聲源信號分離技術,則是將需要將多個混合聲音全部提取出來。

透過麥克風陣列波束形成做語音提取和分離
利用麥克風陣列做信號的提取和分離,主要有以下幾種方式:

1、基於波束形成的方法,即透過向不同方向的聲源,分別形成拾音波束,並且抑制其他方向的聲音,來進行語音提取或分離:

2、基於傳統的盲源信號分離(Blind Source Separation)的方法進行,主要包括主成分分析(Principal Component Analysis,PCA)和基於獨立成分分析(Independent Component Analysis,ICA)的方法。

進擊的麥克風陣列
麥克風陣列技術,雖然已經可以達到相當的技術水準,但是總體上還是存在一些問題的,比如當麥克風和信號源距離太遠時(比如10m、20m距離),錄制信號的信噪比會很低,算法處理難度很大對於便攜設備來說,受設備尺寸以及功耗的限制,麥克風的個數不能太多,陣列尺寸也不能太大。

而分布式麥克風陣列技術,則是解決當前問題的一個可能途徑。所謂分布式陣列,就是將子陣元或子陣列,佈局到更大的範圍內,相互之間透過有線或者無線的方式,進行數據的交換和共享,並在此基礎上進行廣義上的聲源定位、波束形成等技術實現信號處理。

相對於目前集中式的麥克風陣列,分布式陣列的優勢,也是非常明顯的。首先分布式麥克風陣列(尤其無線傳輸)的尺寸的限制,就不存在了另外,陣列的節點可以覆蓋很大的面積——總會有一個陣列的節點距離聲源很近,錄音信噪比大幅度提升,算法處理難度也會降低,總體的信號處理的效果,也會有非常顯著的提升,因此分布式陣列,有可能是未來智慧家庭和會議系統中的主流方案。

在萬物互聯的今天,麥克風陣列技術已經深刻的走進了我們的日常生活。在智慧車載、智慧家庭、機器人、可穿戴設備等應用熱潮正興起的時代,語音交互由於其便捷性,成了人機交互入口的第一選擇,麥克風陣列自然也成為其中非常重要的前端技術。





0 comments: