人工智能中遠場語音識別技術的研究

彭洪松，李洪斌，李 莉，稅國梅

（四川九州電子科技股份有限公司，綿陽 621000）

0 引言

“機器能聽懂我們說話嗎？機器能知道我們想做什么？”，答案是人工智能機器能。那人工智能是如何聽懂人的語言，這就是遠場語音識別技術。遠場語音識別技術顧名思義即在較遠或者較寬敞的空間內，進行語音采集和識別的技術。依靠遠場語音識別技術，人工智能機器可以聽見人說話，提取有用信息，獲取人的意圖。

1 遠場拾音技術

顧名思義是指遠場（5-8m 范圍）語音的采集技術。5-8m 的遠場拾音距離基本滿足常見空間場景中的語音交流。主要采用麥克風陣列形式，通過2-7顆麥克風按照一定位置排布形成陳列，通過軟件算法的支撐，將多路麥克風采集的語音信號進行復用，實現降噪，方向定位，波束成型等，持續提升語音體驗。

與近場語音采集相比，遠場拾音技術中增加了多路信號和軟件算法。因為近場情況下音源單一，信噪比（SNR）比較高，信號清晰。遠場識別情況下聲源位置不定，噪聲源比較多，噪聲大，信噪比（SNR）下降劇烈，這種情況下傳統的方法效果不理想。近幾年來，隨著遠場拾音技術的發展，麥克風陣列排布和軟件算法越來越豐富，遠場拾音能力提升明顯。但即便是這樣，仍然有很大的挑戰，尤其是背景噪聲很大的環境里，如家里開空調、開電扇，或者是在汽車里面等，效果仍然還有很大的提升空間。

2 回聲消除技術

語音交互是全雙工的過程，即在播放的同時可以拾音。近場拾音環境下，播放音樂或是語音播報的時候可以通過按鍵停止，但這限制了人工智能的智慧化程度；前面我們介紹了遠場拾音技術，遠場拾音技術的目的盡可能多的采集有用的信息，那無用信息包括哪些呢？包括環境噪音，這個主要通過算法解決；但更嚴重的是人工智能設備自身發出聲音，這個聲音離麥克風距離近、音量大，干擾非常嚴重；要想實現不受限制的語音控制，必須得實現回聲消除。回聲消除的常見方案是從人工智能設備喇叭側拉一組參考信號給主控，直接告訴主控這個聲音是我自己的，不是有用信息。這種方案會有一定的效果。回聲消除的難點在于功放、喇叭的非線性失真，即參考信號與實際聲音會存在一定的差異。例如音響設備重低音比較好，結構等就容易形成共振，這樣參考信號的真實性就會大打折扣，此時就需要軟件回聲消除算法做一定的補償。

3 喚醒引擎技術

喚醒引擎可以理解為喊名字，可以想象成課堂點名。比如蘋果的“嗨Siri”、百度的“小度小度”、Google 的“OK Google”等。喚醒引擎的目的是告訴人工智能機器，接下來的話是對你講的哦，認真聽好了。喚醒引擎通常工作于本地，通常是遠場語音采集后，他要判斷人說的話是不是喚醒詞（喚醒詞就是上面的“嗨Siri”、“小度小度”、“OK Google”等），如果是喚醒詞，那么后續的語音就進行上傳識別，否則后續的語音不進行處理。

喚醒引擎技術難點體現在以下幾個方面：

3.1 功耗要低

語音采集和喚醒引擎都屬于長時間的監聽過程，需要設備保持常態化運行。iphone4s 出現“嗨Siri”，但直到iphone6s 之后才允許不接電源的情況下直接喊“嗨Siri”進行語音喚醒，在此之前都需要接入電源的情況下進行語音喚醒。這是因為iphone6s 上有一顆專門進行語音激活的低功耗芯片，在未被喚醒前，除低功耗芯片外，主設備可以進入休眠模式，既實現了設備超長待機，又保證了設備的可靠性。當然，不是所有人工智能設備都必須外掛低功耗芯片，部分多核處理器，可以將喚醒引擎運行在協處理器中，實現其他核的待機，以實現低功耗的目的。

3.2 計算量要小

計算量小一方面是低功耗芯片或者協處理器運算能力的限制，另一方面是實時率的要求。即1s 的語音至少要在1s 之內計算完畢，這樣才能保障可實用。

3.3 喚醒效果

理想狀況下的喚醒引擎應該是一呼即應，不喊它的時候它乖乖的不要插話。古人云：動若脫兔，靜若寒蟬。但事與愿違，喊它的時候它不答應這叫做漏喚醒，沒喊它的時候它跳出來講話叫做誤喚醒。漏喚醒和誤喚醒這倆老兄是此消彼長的關系：比如喚醒詞很長有10個字，那么誤喚醒肯定很低，但同時漏喚醒也就多了，喊了好幾次都不理你是不是很氣人！再比如喚醒詞很短只有一個字，這個時候漏報是少了，每次喊都很快回應你，但是誤報也多了呀，大半夜突然誤喚醒應答也是相當驚悚的。因此喚醒引擎需經過上百萬次訓練，匹配各類聲音信息，保證喚醒和誤喚醒率。

4 云平臺的語意解析

語意解析，不論是遠場還是近場，基本都是在云端完成的。云平臺依靠大數據，多模型和高速率運算，將采集到的語音信息進行語義檢查和處理，提取關鍵字，獲取用戶意圖，實現了語義識別。你可以把云平臺理解為人的大腦，大腦聰明程度決定了人工智能的智慧程度。云平臺的語義解析能力涉及到大數據、模型和運算速率等各個方面，這里單獨介紹下語音分離模型。單個人說話，云端解析不會存在干擾；但如果多個人說話，尤其是幾個說話人距離較近時，波束成型技術也無能為力，這就需要云平臺的語音分離技術。語音分離是指多人同時說話，語音有重疊，這種情況下云平臺根據每個個體聲音的響度、音調和音色將語音拆分重組，將混合音還原為每個人的單通道聲音信息。從目前各家云平臺的實測結果來看，性能還有提升的空間。

5 結束語

智能音箱的普及，家庭語音助手作為一個切入點，讓我們體驗到了人工智能帶來的優質生活。語音作為最常用和最便利的交流方式，遠場語音識別技術仍然會是人工智能中的重要組成部分。