自適應(yīng)語控智能會議系統(tǒng)中的技術(shù)及設(shè)備解析

顧克明　顧锃

【摘 要】 介紹全新的數(shù)字會議系統(tǒng)即自適應(yīng)語控智能會議系統(tǒng)，并實(shí)現(xiàn)“一線通、一聲控、一云端”理念。

【關(guān)鍵詞】 智能會議系統(tǒng)；自適應(yīng)性；抗噪聲傳聲器；語音文字化；語控系統(tǒng)

文章編號： 10.3969/j.issn.1674-8239.2017.10.010

【Abstract】The author introduces a new digital conference system， namely adaptive speech control intelligent conference system， and implements the concept of "one line connection， one voice control， one cloud".

【Key Words】intelligent conference system； adaptive； anti noise microphone； voice and text； speech control system

會議的擴(kuò)聲效果千差萬別，甚至有時會出現(xiàn)聽不見、聽不清的窘?jīng)r。因此，對于會議系統(tǒng)，通常在前期需要對系統(tǒng)設(shè)備及會場環(huán)境進(jìn)行專門的設(shè)計調(diào)試；開會發(fā)言時需要現(xiàn)場操作擴(kuò)聲系統(tǒng)，隨時調(diào)節(jié)音量等參數(shù)；會上還要指定專人進(jìn)行會議記錄；會后還要加班加點(diǎn)整理會議紀(jì)要……

以上繁雜的工作能否化繁為簡，形成一個高度智能化的自適應(yīng)系統(tǒng)，這是筆者想討論的內(nèi)容。

1 自適應(yīng)語控智能會議系統(tǒng)及功能

自適應(yīng)語控智能會議系統(tǒng)能夠按照設(shè)定的標(biāo)準(zhǔn)工作，并根據(jù)會場的各種條件，自動適應(yīng)地選擇各種會議功能，同時對自身工作特性進(jìn)行智能調(diào)節(jié)，從而獲得語言清晰、音樂豐滿、聲像一致的會場效果。其可以將繁瑣、復(fù)雜的會議步驟高度簡化，為與會人員提供自然舒適、高效順暢的會議體驗(yàn)。

自適應(yīng)語控智能會議系統(tǒng)包含會議拾聲自適應(yīng)、會議設(shè)備智能語控、會議發(fā)言實(shí)時轉(zhuǎn)寫三大模塊，為各類會議提供系統(tǒng)解決方案。 其具體的三項功能如下。

（1）會議拾聲自適應(yīng)。會議系統(tǒng)能夠根據(jù)說話人的聲音大小、環(huán)境噪聲強(qiáng)弱來自動調(diào)節(jié)自身特性、自動匹配聲音處理策略，使系統(tǒng)處于適配的工作狀態(tài)，盡可能地提高拾取音源的聲音質(zhì)量，從而獲得高語言清晰度的聽音效果，擺脫由操作人員調(diào)整控制傳聲器等設(shè)備的傳統(tǒng)會議模式。

（2）會議設(shè)備智能操控。系統(tǒng)通過人機(jī)語音交互完成投影儀、幕布、窗簾、燈光、音響、空調(diào)等會場設(shè)備的應(yīng)用操作，為與會人員提供便捷、智能、個性化的會議體驗(yàn)。

（3）會議發(fā)言實(shí)時轉(zhuǎn)寫?；谡Z音轉(zhuǎn)寫技術(shù)，能夠?qū)h發(fā)言實(shí)時轉(zhuǎn)換成文字，還具有實(shí)時編輯修改、關(guān)鍵詞優(yōu)化、敏感詞屏蔽等實(shí)用功能，會議結(jié)束即可同步提供會議紀(jì)要。

2 系統(tǒng)設(shè)備

2.1 抗噪聲傳聲器

抗噪聲指向性傳聲器（專利第55 32871號）如圖1所示，其抗噪性能可在各類會場條件下提供自適應(yīng)的解決辦法。

2.1.1 主要性能

（1）抗噪聲傳聲器配備了具有聲干涉管的￠14 mm專業(yè)數(shù)字音頭，采用指向性結(jié)構(gòu)與DSP（數(shù)字信號處理）技術(shù)相結(jié)合的原理，在增加指向性與降低環(huán)境噪聲的基礎(chǔ)上達(dá)到遠(yuǎn)距離拾音的目的。

（2）為了減少干擾和噪聲，內(nèi)置聲學(xué)DSP芯片，通過短音節(jié)收斂算法達(dá)到穩(wěn)態(tài)噪聲抑制效果，在每次開機(jī)時，可針對傳聲器當(dāng)時所處環(huán)境的情況自動校準(zhǔn)以實(shí)現(xiàn)消噪功能；支持廣泛的采樣率范圍，從8 kHz、16 kHz（寬帶語音）到48 kHz。

（3）采用AGC（自動增益控制）與高低頻帶寬抑制技術(shù)，實(shí)現(xiàn)較高的拾音信噪比指標(biāo)，獲得清晰的音質(zhì)。只要人在5 m范圍內(nèi)說話，不論遠(yuǎn)近，聲音能一直維持相同的輸出音量。

2.1.2 主要指標(biāo)

（1）強(qiáng)指向性。接收角度小于30°，定向拾音有效地排除周圍噪聲拾取量，保證會議質(zhì)量。

（2）AGC自動增益。做到0.2 m～5 m范圍內(nèi)拾音輸出保持相同音量，為多種場合使用提供方便。

（3）語言清晰度。通過STIPA測試對比，抗噪聲指向性傳聲器比普遍傳聲器提高0.05以上，語言清晰度得到提高。

（4）傳聲器配備PDM數(shù)字輸入，針對環(huán)境自動校準(zhǔn)，對穩(wěn)態(tài)噪聲具有降噪功能，經(jīng)實(shí)測降噪值達(dá)14 dB以上，如圖2所示，圖中淺紅色為噪聲原信號，深紅色為降噪后信號。

經(jīng)降噪處理后的會議擴(kuò)聲系統(tǒng)，其會場環(huán)境噪聲相對降低14 dB以上，信噪比得到很大改善，會議發(fā)言的語言清晰度得到顯著提高，特別是應(yīng)用于聲場環(huán)境不太好的會議室會更為有效。

2.1.3 主要用途

抗噪聲傳聲器廣泛適用于會議采訪、電化教學(xué)、安防系統(tǒng)等場合。抗噪聲傳聲器尤其適用于教學(xué)系統(tǒng)，滿足了“要把師生的手解放出來”的學(xué)校需求，解決了有些老師不愿配帶無線傳聲器或手持傳聲器的問題。只要將傳聲器吊裝于教室頂棚之上，充分發(fā)揮抗噪聲傳聲器遠(yuǎn)距離拾音的特性，即可方便自如地進(jìn)行互動教學(xué)，如圖3。

2.2 數(shù)字自動混音臺

數(shù)字自動混音器是近年會議系統(tǒng)中使用的常規(guī)設(shè)備，其特點(diǎn)是連接容易、使用簡便、防嘯叫效果好。數(shù)字自動混音器不同于調(diào)音臺，其在抑制聲反饋方面完成了“人+調(diào)音臺”的自適應(yīng)工作。

新近的數(shù)字自動混音器，采用 “自動傳聲器開關(guān)管理”控制技術(shù)，在標(biāo)準(zhǔn)工作模式下，雖然有多支傳聲器同時收到同一個人的講話聲，但只有音量最大的傳聲器的通道才能被自動打開。由于其他傳聲器不被打開，從而避免了反射聲、背景噪聲等激勵信號的迭加，拾音質(zhì)量得到保障。另外一項技術(shù)是“自動傳聲增益控制”，傳聲器切換速度達(dá)到毫秒級，開/關(guān)無轉(zhuǎn)換痕跡，達(dá)到信號平滑過渡，不會發(fā)生講話時第一音節(jié)丟失的現(xiàn)象。endprint

2.3 強(qiáng)指向性揚(yáng)聲器

強(qiáng)指向性揚(yáng)聲器能夠以窄的波束向指定方向傳播聲音，波束內(nèi)的聲音較強(qiáng)，波束外的聲音較弱，如圖4。目前，市場上出現(xiàn)了多種會議系統(tǒng)專用揚(yáng)聲器，大部分為條狀揚(yáng)聲器系統(tǒng)，即音柱。音柱即強(qiáng)指向性揚(yáng)聲器系統(tǒng)，但僅指垂直方向，其水平方向仍是較寬的，指向性圖呈扇形?，F(xiàn)有一款磁磚揚(yáng)聲器系統(tǒng)，在垂直方向與水平方向兩個方向上，指向性都很窄，指向性圖呈銳形，能將聲音更集中地傳輸?shù)铰牨妳^(qū)，更大程度地減弱反射聲對會場的影響。如果能很好地控制揚(yáng)聲器垂直/水平指向性，使波束區(qū)內(nèi)聽眾得到更多的直達(dá)聲，就能獲得比普通揚(yáng)聲器系統(tǒng)更高的語言清晰度。

選用強(qiáng)指向性揚(yáng)聲器系統(tǒng)相當(dāng)于起到縮短混響時間的效果，這是“有效混響時間”的概念，對于混響時間較長的會議室更有選擇的必要?？乖肼晱?qiáng)指向傳聲器結(jié)合強(qiáng)指向性揚(yáng)聲器，是對抗長混響環(huán)境行之有效的方法。

2.4 功率放大器的擴(kuò)聲電平控制

從圖5中可以清晰地看到語言傳輸指數(shù)（選自IEC 60268-16（4.0版.2011.6）規(guī)范）與聲壓級的關(guān)系，見表1。

經(jīng)過反復(fù)驗(yàn)證，在工程實(shí)際中多次證實(shí)了以下規(guī)律：同等條件下，聲壓級50 dB～80 dB 時語言傳輸指數(shù)（STI）的一種簡化形式STIPA（擴(kuò)聲系統(tǒng)語言傳輸指數(shù)）基本不變，而聲壓級升高到80 dB后，STIPA急劇下降。由此可見，為了使會議系統(tǒng)獲得較高的語言傳輸指數(shù)，保證較好的語言清晰度，建議擴(kuò)聲的聲壓級控制在75 dB±3 dB，大型會場控制在85 dB±3 dB為宜。

例如，昆明滇池國際會展中心萬人會場的擴(kuò)聲系統(tǒng)設(shè)計[3]中，如圖6，在實(shí)測混響時間高達(dá)10.58 s的嚴(yán)峻現(xiàn)實(shí)下，運(yùn)用以上原理展開設(shè)計施工，最終語言清晰度仍達(dá)到GB/T 28049-2011《廳堂、體育場館擴(kuò)聲系統(tǒng)設(shè)計標(biāo)準(zhǔn)》會議類擴(kuò)聲系統(tǒng)聲學(xué)特性指標(biāo)一級標(biāo)準(zhǔn)（STIPA≥0.5）。

由此想到，倘若在數(shù)字功率放大器輸入端設(shè)有三段壓限器，設(shè)定75 dB前為線性增益、75 dB～78 dB為斜率增益、78 dB以上為0增益，這將自動適應(yīng)講話人聲音大小，為會議系統(tǒng)管理帶來極大便利。

3 語音控制技術(shù)

引入人機(jī)交互理念，集成了包括雙全工技術(shù)、傳聲器技術(shù)、聲紋識別技術(shù)、方言識別、語義理解技術(shù)和內(nèi)容服務(wù)等技術(shù)，通過繼電器、遠(yuǎn)紅外等控制音頻、視頻、燈光、小型機(jī)械、窗簾、空調(diào)等會議室相關(guān)設(shè)備，可根據(jù)邏輯關(guān)系進(jìn)行聯(lián)動編程，達(dá)到智能控制、一鍵聯(lián)動等。操作設(shè)備采用有線或無線觸摸屏、電腦、墻裝按鍵面板等。

通過AIUI（科大訊飛人工智能交互界面）前端語音交互入口，進(jìn)行高保真拾音及語音轉(zhuǎn)寫，轉(zhuǎn)寫的結(jié)果是利用其語義理解平臺所提供的語音交互、上下文理解能力，快速關(guān)聯(lián)相應(yīng)的設(shè)備應(yīng)用場景，快速抽取語義、提取意圖和關(guān)鍵信息，形成結(jié)構(gòu)化的語義理解結(jié)果指令，經(jīng)中央控制器輸出到已連接的相應(yīng)設(shè)備，從而達(dá)到控制設(shè)備的效果。還可預(yù)設(shè)多個設(shè)備的組合控制模式，達(dá)到一句話控制所有設(shè)備的便捷效果。

語義理解平臺是一種實(shí)現(xiàn)人機(jī)間自然語言通信的軟件系統(tǒng)。從形式上看，中文文本是由漢字（包括標(biāo)點(diǎn)符號等）組成的一個字符串。由字可組成詞，由詞可組成詞組，由詞組可組成句子，進(jìn)而由一些句子組成段、節(jié)、章、篇。但在不同的場景或不同的語境下，可以理解成不同的詞串、詞組串等，并有不同的意義。一般情況下，它們中的大多數(shù)都是可以根據(jù)相應(yīng)的語境和場景的規(guī)定而得到解決的。但是，為了消解歧義，是需要大量的知識并進(jìn)行推理。語義理解平臺就是將這些知識較完整地加以收集和整理，以合適的形式將它們存入計算機(jī)系統(tǒng)中，有效地利用它們來消除歧義，實(shí)現(xiàn)準(zhǔn)確識別、理解自然語言含義的功能。

4 語音文字化功能

在會議系統(tǒng)中整合語音文字化產(chǎn)品，以符合安全要求的離線方式，將會議場景下的發(fā)言語音內(nèi)容實(shí)時轉(zhuǎn)換成文字，方便有效地解決了語言與文字的互換關(guān)系，從而有效提高會議系統(tǒng)的智能化程度。

如果要真正實(shí)現(xiàn)語音轉(zhuǎn)寫在會議場景下的應(yīng)用能力，需要提升語音轉(zhuǎn)寫結(jié)果的可讀性，提高智能語音轉(zhuǎn)寫系統(tǒng)的易用性，就需要開展轉(zhuǎn)寫結(jié)果可讀性提升、段落劃分、摘要及意圖檢測方面的研究工作。

（1）語音轉(zhuǎn)寫結(jié)果的可讀性提升：使用基于多信息融合及基于聲學(xué)屬性識別的聲學(xué)置信度技術(shù)，并結(jié)合語義信息，進(jìn)一步提升異常語音的檢測能力；基于CRF（Conditional Random Field）模型的標(biāo)點(diǎn)技術(shù)、基于CRF模型的句子順滑及基于最大熵模型的關(guān)鍵信息抽取等技術(shù)，通過這些技術(shù)的組合，進(jìn)一步改善轉(zhuǎn)寫內(nèi)容的可閱讀性。

（2）語義段落的自動劃分：基于句子級別語義聚類和關(guān)聯(lián)邏輯關(guān)系的分析以及一些特殊的提示型詞匯、停頓長度等額外信息，自動將較長的內(nèi)容轉(zhuǎn)寫結(jié)果切分為語義相對獨(dú)立的若干個段落，為關(guān)鍵信息和摘要做準(zhǔn)備。

（3）語義摘要：借鑒傳統(tǒng)的文本自動摘要，并根據(jù)語音中說話人、語氣強(qiáng)調(diào)重復(fù)等信息，自動對每一段語音進(jìn)行關(guān)鍵信息的抽取和自動摘要，以便快速地從長時語音中找到所需轉(zhuǎn)寫的內(nèi)容，進(jìn)一步提升人機(jī)結(jié)合方式的語音轉(zhuǎn)寫的投入產(chǎn)出比。

會議語音轉(zhuǎn)寫的核心價值在于語音轉(zhuǎn)寫的實(shí)時性和準(zhǔn)確率，采用的智能會議系統(tǒng)可達(dá)到實(shí)時語音轉(zhuǎn)寫效率≤500 ms，基本達(dá)到零延遲的出材效果感知。而基于“即聽即所見”的核心技術(shù)，其對標(biāo)準(zhǔn)普通話的轉(zhuǎn)寫準(zhǔn)確率超過95%，達(dá)到無紙化記錄水平。

目前，國內(nèi)相關(guān)的前沿技術(shù)主要為采用13 000小時以上連續(xù)語流數(shù)據(jù)訓(xùn)練而成的聲學(xué)模型及二遍解碼技術(shù)，其獨(dú)有的文本順滑、標(biāo)點(diǎn)識別、英文數(shù)字后處理等自然語言處理能力，使識別結(jié)果更加準(zhǔn)確、規(guī)范。

5 工程案例

某會議室尺寸為長9.5 m、寬4.5 m、高3.4 m，如圖7所示。經(jīng)建聲專業(yè)裝修后混響時間T60=0.4 s；系統(tǒng)配置包括降噪傳聲器系統(tǒng)、會議音響系統(tǒng)、視頻顯示系統(tǒng)、智能照明系統(tǒng)、語音控制系統(tǒng)、語言轉(zhuǎn)寫系統(tǒng)，視頻會議系統(tǒng)、電動窗簾系統(tǒng)、中央空調(diào)系統(tǒng)、集中控制系統(tǒng)，系統(tǒng)原理圖如圖8所示。

6 結(jié)束語

綜上所述，自適應(yīng)語控智能會議系統(tǒng)以數(shù)字處理為核心技術(shù)，形成由數(shù)字傳聲器-數(shù)字處理器-數(shù)字有源揚(yáng)聲器組成的智能會議系統(tǒng)，有利于提高會場系統(tǒng)工程質(zhì)量；以降噪技術(shù)為手段，體現(xiàn)在會場語言清晰度的提高從聲源上解決問題； “即聽即所見”技術(shù)實(shí)現(xiàn)了語音文字化，對會議紀(jì)要整理、資料保存以及無紙化辦公具有實(shí)際應(yīng)用價值。

參考文獻(xiàn)：

[1] 顧克明，彭妙顏，周錫韜等. 會場系統(tǒng)工程[M]. 北京：中國電力出版社，2013.

[2] 高玉龍. 小房間聲學(xué)設(shè)計及建筑聲學(xué)處理[M]. 北京：國防工業(yè)出版社， 2014.

[3] 顧克明，陳敏，顧 锃. 昆明滇池國際會展中心萬人會場的擴(kuò)聲系統(tǒng)設(shè)計[J]. 電聲技術(shù)，2015（8）.endprint