4、麦克风阵列基础：常见阵列拓扑（线性、环形）、波束形成的基本概念与分类
智能音箱的语音交互体验高度依赖远场拾音质量，而单麦克风在噪声、混响和多人干扰场景下存在物理极限。麦克风阵列通过空间采样与信号处理，将多个声学传感器组合为一个“虚拟的超指向性麦克风”，从而在嘈杂环境中锁定目标声源。本章聚焦阵列的物理拓扑设计与波束形成的基本原理，为后续降噪、增益控制和特征提取奠定空间信号处理基础。
上图从三个维度概括了麦克风阵列的核心知识框架：左侧为线性阵列的几何结构与波束指向特性，中间为环形阵列的全向覆盖优势，右侧为波束形成算法的三大分类。实际产品选型时，需要根据设备形态、唤醒词触发场景和成本约束综合权衡。
4.1 常见阵列拓扑：线性与环形
4.1.1 线性阵列（Linear Array）
核心原理：线性阵列将麦克风单元等间距排列在一条直线上，是最基础的拓扑结构。其波束形成基于声波到达各阵元的时间差（TDOA）。当声源位于阵列法线方向时，各阵元接收信号同相叠加；当声源偏离法线时，各阵元间产生相位差，通过补偿延迟可实现定向拾音。阵元间距 d 是关键设计参数，需满足空间采样定理：d ≤ λ_min / 2（λ_min 为最高工作频率对应的波长）。对于语音信号（最高频率约 8 kHz），d 通常取 4~8 cm。
| 参数 | 典型值 | 影响 |
|---|---|---|
| 阵元数量 | 2~8 个 | 数量越多，波束越窄，但成本与功耗上升 |
| 阵元间距 | 4~8 cm | 过大会产生栅瓣，过小则低频指向性差 |
| 阵列孔径 | 20~50 cm | 决定低频分辨能力，孔径越大低频波束越窄 |
工程判断方法：线性阵列存在前后模糊问题——无法区分来自阵列前方还是后方的声源。解决方式包括：采用非对称加权、增加挡板结构，或结合语音活动检测（VAD）判断声源所在半空间。在条形音箱、智能电视等长条形设备中，线性阵列是自然选择，但需配合声源定位算法消除 180° 歧义。
4.1.2 环形阵列（Circular Array）
核心原理：环形阵列将麦克风均匀分布在圆周上，提供 360° 水平方位覆盖。其优势在于无前后模糊，且各方向波束一致性较好。环形阵列的波束形成通常采用模态域处理：将阵元信号分解为圆谐波分量，再对各阶模态进行加权合成。典型配置为 4~8 个麦克风均匀分布，半径 R 取 4~10 cm。
操作流程（环形阵列波束设计）：
- 确定阵列半径 R 和阵元数 M，计算各阵元角度位置 θ_m = 2πm/M。
- 对每个阵元信号进行短时傅里叶变换（STFT），得到频域表示。
- 构造模态变换矩阵，将阵元域信号转换到模态域。
- 设计模态加权系数，使波束指向目标方向 φ₀。
- 合成输出信号，并评估白噪声增益（WNG）与指向性因子（DF）。
环形阵列的典型应用场景是智能音箱顶部，因为用户可能从任意方向唤醒设备。但环形阵列的代价是：低频段波束宽度较宽，且对阵列半径误差敏感，需要精确校准各阵元灵敏度与相位一致性。
4.2 波束形成的基本概念与分类
4.2.1 波束形成的核心概念
波束形成的本质是空间滤波——通过加权合并多通道信号，增强目标方向声源，抑制其他方向干扰。其数学基础是阵列流形向量 a(k, θ)，表示来自 θ 方向的平面波在各阵元上的相位延迟。输出信号可表示为：
y(t) = Σ w_m * x_m(t - τ_m)其中 w_m 为权重，τ_m 为补偿延迟。波束形成的性能指标包括：指向性因子（DF）（目标方向增益与各向同性噪声增益之比）、白噪声增益（WNG）（对麦克风自噪声的鲁棒性）、主瓣宽度（半功率波束宽度）和旁瓣电平。
4.2.2 波束形成分类对比
| 类型 | 原理 | 优点 | 缺点 | 典型算法 |
|---|---|---|---|---|
| 固定波束 | 权重预先计算，不随环境变化 | 计算量小、稳定 | 无法自适应抑制强干扰 | 延迟求和（DSB） |
| 自适应波束 | 根据信号统计量实时调整权重 | 强干扰抑制能力好 | 对模型误差敏感、可能信号相消 | MVDR、GSC |
| 差分波束 | 利用声压梯度，形成超指向性 | 低频指向性好、阵列尺寸小 | 白噪声增益低、高频易失真 | 一阶/二阶差分 |
判断方法：选择波束形成算法时，需评估以下因素：
- 阵元数量：少于 4 个麦克风时，自适应算法自由度不足，建议使用固定波束。
- 噪声类型：各向同性噪声（如空调声）适合固定波束；方向性干扰（如电视声）适合自适应波束。
- 实时性要求：自适应算法需要矩阵求逆，计算量约为固定波束的 5~10 倍。
- 鲁棒性需求：消费级产品建议采用 GSC（广义旁瓣相消器）结构，在自适应与固定波束间取得平衡。
4.3 案例拆解：智能音箱环形阵列的波束设计
背景与约束：某智能音箱产品采用 6 麦克风环形阵列，半径 R=5 cm，要求实现 3 米远场唤醒，支持 360° 声源定位，且硬件成本受限（DSP 主频 400 MHz，内存 512 KB）。
初始现象与目标：初版采用固定延迟求和波束，实测唤醒率在安静环境下达到 95%，但在电视声干扰下（干扰方向与目标方向夹角 60°）唤醒率骤降至 62%。目标是将干扰场景下的唤醒率提升至 85% 以上。
关键输入数据：
- 阵元坐标：6 个麦克风均匀分布在半径 5 cm 的圆上。
- 语音带宽：300 Hz ~ 3.4 kHz（窄带唤醒词）。
- 干扰源：电视扬声器，位于目标声源右侧 60°，声压级比目标高 6 dB。
- 混响时间 T60：约 400 ms（普通客厅环境）。
分析判断过程：固定波束的主瓣宽度约为 60°，无法有效抑制 60° 外的干扰。采用 MVDR 自适应波束理论上可将干扰抑制 15 dB 以上，但 6 阵元在 3.4 kHz 时空间自由度有限，且混响环境下协方差矩阵估计误差大，直接使用 MVDR 会导致语音失真。最终选择 GSC 结构：固定波束负责主瓣拾音，阻塞矩阵生成参考噪声，自适应模块对噪声进行最小均方（LMS）消除。
实际操作步骤：
- 将 6 路信号进行 STFT，帧长 32 ms，帧移 16 ms，FFT 点数 512。
- 设计固定波束权重：采用圆谐波一阶模态，指向目标方向。
- 构造阻塞矩阵：将 6 路信号投影到与目标方向正交的子空间，生成 4 路参考噪声。
- 自适应噪声消除：对每个频点使用归一化 LMS（NLMS），步长 0.01，并加入语音存在概率（SPP）门控。
- 后置滤波：对 GSC 输出进行维纳滤波，进一步抑制残余噪声。
结果对比：
| 方案 | 唤醒率（安静） | 唤醒率（电视干扰） | 语音失真（PESQ） |
|---|---|---|---|
| 固定延迟求和 | 95% | 62% | 3.2 |
| GSC 自适应 | 93% | 87% | 3.0 |
| MVDR（无约束） | 88% | 81% | 2.5 |
风险与代价：GSC 方案增加了约 30% 的 CPU 占用（从 120 MHz 升至 160 MHz），且需要额外的 64 KB 内存存储协方差矩阵。在极端低信噪比（< -5 dB）场景下，自适应模块可能发散，需加入泄漏因子和权重投影约束。
复盘经验：环形阵列的波束设计不能只关注算法本身，必须结合声学结构（如外壳反射、麦克风安装公差）进行端到端调优。本案例中，麦克风灵敏度偏差超过 ±1 dB 时，GSC 的干扰抑制能力下降 4 dB，因此量产时需增加麦克风校准流程。
4.4 常见误区与总结复盘
误区一：阵元越多越好。实际上，阵元数量超过 8 个后，性能提升趋于饱和，而功耗、成本和散热问题凸显。对于智能音箱，6 麦克风环形阵列是性价比最优解。
误区二：波束形成可以完全替代降噪算法。波束形成主要处理空间选择性干扰，对非相干噪声（如风噪、电路噪声）无能为力。实际系统中，波束形成输出仍需级联单通道降噪模块（如谱减法、维纳滤波）进行二次处理。
误区三：忽略阵列校准。麦克风之间的灵敏度差异、相位失配和安装位置偏差会严重劣化波束性能。量产阶段必须进行出厂校准，校准项包括：灵敏度（±0.5 dB 以内）、相位（±2° 以内）、位置公差（±0.5 mm 以内）。
误区四：固定波束与自适应波束二选一。现代产品普遍采用混合架构：在语音激活期间使用固定波束保证稳定性，在噪声段使用自适应波束进行干扰估计，两者通过 VAD 状态机切换。