📚 课程目录第2章唤醒词技术基础

2. 唤醒词技术基础

各位好，这一章我们聊聊声学前端处理。说白了，就是麦克风采集到声音之后，到唤醒词模型开始工作之前，中间那一整套信号处理流程。

很多同学觉得唤醒率低就是模型不行，调一调网络结构就好了。我刚开始做唤醒词的时候也这么想，结果被现实狠狠教育了一回——模型在安静环境下跑得挺好，一到嘈杂环境就崩了。后来我才明白，声学前端处理才是唤醒率的第一道防线。

核心观点：唤醒率提升，70%靠前端，30%靠模型。前端处理不好，模型再强也白搭。

先说说麦克风阵列。很多人觉得，麦克风阵列不就是把几个麦克风焊在一起嘛。其实没那么简单。

麦克风阵列的核心价值在于空间信息。单个麦克风只能听到声音，但多个麦克风可以知道声音从哪个方向来。这个信息对后续的波束成形至关重要。

常见的阵列拓扑有这么几种：

阵列类型	麦克风数量	适用场景	优缺点
线性阵列	2-8个	智能音箱、电视	结构简单，水平方向定位好，垂直方向差
环形阵列	4-8个	智能音箱、会议设备	360°覆盖，算法复杂度适中
球形阵列	16个以上	专业会议、机器人	全空间覆盖，成本高，算法复杂

我个人习惯在智能音箱项目上用6麦环形阵列。为什么是6个？因为4个在某些角度会有盲区，8个成本上去了但收益边际递减。6麦是个不错的平衡点。

工程经验：麦克风间距很关键。间距太小，低频方向性差；间距太大，高频会出现空间混叠。一般建议间距在15-25mm之间，具体根据目标频段调整。

波束成形，说白了就是让麦克风阵列"听"某个方向的声音，同时抑制其他方向的声音。你可以想象成用手在耳朵后面拢着听人说话。

波束成形有两种主流方法：

固定波束成形（Delay-and-Sum）：简单粗暴，对每个麦克风的信号做时延补偿后相加。优点是计算量小，适合资源受限的嵌入式设备。缺点是抑制能力有限。
自适应波束成形（MVDR、GSC）：根据实际信号环境动态调整权重。抑制能力强，但计算量大，而且对误差敏感。

我在项目中遇到过一个问题：用MVDR做波束成形，在实验室效果很好，但到了用户家里，因为麦克风位置有偏差，性能直接崩了。后来我改用GSC结构，加了一个阻塞矩阵来抑制干扰，鲁棒性好了很多。

避坑指南：我曾经在量产项目上吃过亏——麦克风阵列的安装公差没控制好，导致波束指向偏移。后来我们在产线上加了校准流程，每个设备出厂前都要做一次麦克风灵敏度校准和相位校准。这个步骤不能省。

回声消除，英文叫Acoustic Echo Cancellation。你想想看，智能音箱在播放音乐的时候，你说"小爱同学"，麦克风同时录到了你的声音和音箱播放的音乐。如果不做回声消除，唤醒词模型会被音乐干扰，甚至把音乐里的某个音节误识别成唤醒词。

AEC的核心原理是自适应滤波。系统知道音箱在播放什么（参考信号），通过自适应滤波器估计回声路径，然后从麦克风信号中减去回声成分。

一个典型的AEC流程是这样的：

参考信号（音箱播放的音频）
    ↓
自适应滤波器（模拟回声路径）
    ↓
估计的回声信号
    ↓
麦克风信号 - 估计的回声信号 = 干净的近端信号
    ↓
双端检测（判断是否只有回声，还是同时有近端说话）

这里有个关键问题——双端检测。当用户和音箱同时发声时，自适应滤波器不能更新，否则会发散。我见过不少项目，AEC在双端场景下直接炸了，回声反而被放大。

关键参数：AEC的收敛速度、稳态失调、双端检测的灵敏度，这三个参数需要仔细调优。收敛太快容易不稳定，收敛太慢又跟不上环境变化。一般建议收敛时间控制在200-500ms。

噪声抑制，就是去掉环境中的背景噪声。风扇声、空调声、马路上的车流声，这些都会干扰唤醒词识别。

传统的噪声抑制方法有：

我个人建议，在唤醒词场景下，优先用传统方法。为什么？因为唤醒词模型本身就是一个神经网络，如果前端再用一个神经网络做NS，延迟和算力都吃不消。传统方法虽然效果差一点，但延迟低、资源少。

工程技巧：噪声抑制不要做得太狠。过度抑制会导致语音失真，反而降低唤醒率。我一般把NS的抑制量控制在6-12dB之间，既能去掉大部分背景噪声，又不会明显损伤语音质量。

好了，我们把上面几个模块串起来，看看完整的声学前端处理流程：

嗯，这里要注意，每个模块都会引入延迟。麦克风阵列采集有延迟，波束成形有计算延迟，AEC有滤波器收敛延迟，NS有帧处理延迟。这些延迟累加起来，如果超过50ms，用户就会感觉到"说了唤醒词之后反应慢半拍"。

我一般要求整个声学前端的处理延迟控制在30ms以内。怎么做到？

重要提醒：模块之间的级联顺序不能乱。一定是先波束成形，再做AEC，最后做NS。如果先做AEC再做波束成形，回声路径会变得非常复杂，AEC根本收敛不了。这个顺序我踩过坑，大家记住就好。

最后，我总结几个工程实践中经常遇到的问题，供大家参考：