Wie beeinflusst die Geometrie eines Mikrofonarrays die lokale Spracherkennung?

Die Geometrie eines Mikrofonarrays beeinflusst die Erkennung, indem sie bestimmt, wie gut das System Sprache räumlich orten sowie Rauschen und Nachhall unterdrücken kann.

Ein lokaler Sprachassistent auf einem Küchenserver kann denselben Befehl durch Geräusche von Haushaltsgeräten, Wandreflexionen und Musik aus einer anderen Richtung hören. Mehr Mikrofone helfen nur dann, wenn ihr Abstand, ihre Form, Synchronisierung und Platzierung dem Beamformer nutzbare räumliche Unterschiede liefern. Die Geometrie verändert das Audiosignal, das Wake-Word- und Sprachmodellen zugeführt wird; sie erweitert jedoch nicht den Wortschatz des Sprachmodells und behebt nicht jedes akustische Problem.

Abstände wandeln Laufzeitunterschiede in Richtungsinformationen um

Eine Schallwelle erreicht Mikrofone zu leicht unterschiedlichen Zeitpunkten, weil jeder Sensor an einer anderen Position sitzt. Diese Zeit- und Phasenunterschiede liefern Richtungsinformationen. Wenn Mikrofone für die relevanten Frequenzen zu dicht beieinander liegen, lassen sich die Verzögerungen nur schwer unterscheiden; bei zu großen Abständen kann räumliches Aliasing mehrdeutige Richtungen erzeugen.

Beamforming mit Mikrofonarrays modelliert die Verzögerung anhand der Einfallsrichtung der Welle und der Position jedes Mikrofons. Die Geometrie bestimmt daher die Steuerverzögerungen, die der Prozessor anwenden kann, sowie die Richtungen, in denen sich Signale verstärken oder auslöschen.

Deshalb ist die Anzahl der Mikrofone allein keine Geometriespezifikation. Vier Elemente in einer kurzen Reihe, einem Quadrat oder einem Kreisring erfassen unterschiedliche Richtungsverteilungen. Der geeignete Abstand hängt außerdem von Abtastrate, akustischer Wellenlänge, Gehäuseabmessungen und dem Frequenzband ab, das die Sprachmerkmale trägt.

Die Arrayform verändert die Abdeckung und die Vorne-hinten-Mehrdeutigkeit

Ein lineares Array erfasst räumliche Veränderungen hauptsächlich entlang einer Achse. Dadurch eignet es sich gut zur Steuerung über ein horizontales Sichtfeld, unterscheidet jedoch bestimmte spiegelbildliche Richtungen schlechter. Planare oder kreisförmige Anordnungen erfassen mehr Dimensionen und können eine breitere Azimutabdeckung unterstützen, erfordern dafür aber aufwendigere Kalibrierung und Gehäusekonstruktion.

Untersuchungen zur räumlichen Diversität zeigen, dass mehrere Geräte den Raum als zusätzliche Verarbeitungsdimension einbeziehen, zugleich aber Synchronisierungs- und Koordinationsprobleme verursachen. Ein verteiltes Heimarray kann eine größere Apertur bieten, doch Taktabweichungen und unterschiedliche Geräteeigenschaften können den erwarteten Geometrievorteil verringern.

Die Montage kann die nominelle Anordnung dominieren. Ein kreisförmiges Array, das an eine Wand gedrückt wird, erfasst kein symmetrisches akustisches Feld mehr, und eine lineare Leiste unter einem Display kann starke Reflexionen vom Schreibtisch aufnehmen. Die Geometrie muss im tatsächlich eingerichteten Raum bewertet werden, nicht nur als Diagramm auf der Mikrofonplatine.

Beamforming verbessert das Signal vor der Erkennung

Beim Beamforming werden Mikrofonkanäle verzögert und gewichtet, sodass sich Schall aus einer ausgewählten Richtung konstruktiv überlagert, während die Energie aus anderen Richtungen reduziert wird. Das Ergebnis ist ein einzelner verbesserter Audiostream oder eine kleinere Anzahl räumlicher Streams, die der Wake-Word-Erkennung und der automatischen Spracherkennung zugeführt werden.

zeitverzögerte Signale können räumliche Filter bilden, die eine gewünschte Richtung verstärken und Störungen unterdrücken. Ein besseres Signal-Rausch-Verhältnis kann Ersetzungen und überhörte Wake-Words reduzieren, insbesondere wenn das konkurrierende Rauschen räumlich vom Sprecher getrennt ist.

Der Vorteil verschwindet, wenn Sprache und Rauschen nahezu aus derselben Richtung eintreffen, die Richtungsschätzung falsch ist oder der Nachhall zahlreiche verzögerte Kopien erzeugt. Beamforming verändert die akustischen Informationen; es kann keine Wörter erschließen, die an jedem Mikrofon überdeckt waren, und kein Erkennungsmodell kompensieren, das nicht zum Sprecher oder Wortschatz passt.

Featured

ZimaCube 2 Persönliche Cloud Home NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Geometrie und Raumakustik müssen gemeinsam bewertet werden

Räume erzeugen Reflexionen, die jedes Mikrofon nach dem Direktschall erreichen. Im Nahbereich kann der direkte Schall dominieren, während Fernfeldbefehle starke Echos von Decke, Wänden und Arbeitsflächen enthalten können. Ein Array, das für die Richtungsbestimmung im freien Schallfeld optimiert wurde, kann daher in einem halligen Wohnraum eine instabile Ausrichtung erzeugen.

Zu den bei der Spracherkennung im Fernfeld beschriebenen Fehlerquellen gehören Entfernung, Nachhall, Rauschen, Geometrie und eine nicht passende Raumumgebung. Die Geometrie hilft am meisten, wenn sie unter den tatsächlichen Aufstellungsbedingungen und Hörwinkeln die Trennung zwischen Direktsprache und Störgeräuschen verbessert.

Testen Sie die Erkennungsrate von Wake-Words und die Wortfehlerrate aus mehreren Entfernungen und Richtungen mit realistischem Rauschen von Haushaltsgeräten, Fernsehern und Musik. Vergleichen Sie das beste Rohmikrofon mit dem beamgeformten Ausgang, um den Vorteil des Arrays zu isolieren. Eine größere oder komplexere Anordnung ist nicht automatisch besser, wenn Kalibrierungsdrift, Reflexionen am Gehäuse oder die Platzierung im Raum ihren räumlichen Vorteil zunichtemachen.