¿Cómo afecta la geometría de la matriz de micrófonos al reconocimiento de voz local?

La geometría de una matriz de micrófonos afecta al reconocimiento al determinar hasta qué punto el sistema puede localizar el habla y suprimir espacialmente el ruido o la reverberación.

Un asistente de voz local en un servidor de cocina puede oír el mismo comando entre el ruido de los electrodomésticos, los reflejos de las paredes y la música procedente de otra dirección. Más micrófonos solo ayudan cuando su separación, forma, sincronización y ubicación proporcionan al conformador de haces diferencias espaciales útiles. La geometría cambia el audio que llega a los modelos de palabras de activación y habla; no cambia el vocabulario del modelo de lenguaje ni soluciona todos los problemas acústicos.

La separación convierte las diferencias en el tiempo de llegada en información direccional

Una onda sonora llega a los micrófonos en momentos ligeramente diferentes porque cada sensor ocupa una posición distinta. Esas diferencias temporales y de fase proporcionan información direccional. Si los micrófonos están demasiado cerca para las frecuencias de interés, resulta difícil distinguir los retardos; si la separación es demasiado grande, el aliasing espacial puede crear direcciones ambiguas.

El conformado de haces con matrices de micrófonos modela el retardo a partir de la dirección de la onda incidente y de la posición de cada micrófono. Por tanto, la geometría determina los retardos de direccionamiento que puede aplicar el procesador y las direcciones en las que las señales se refuerzan o cancelan.

Por eso, el número de micrófonos por sí solo no define la geometría. Cuatro elementos dispuestos en una línea corta, en un cuadrado o en un anillo circular observan patrones direccionales diferentes. La separación útil también depende de la frecuencia de muestreo, la longitud de onda acústica, las dimensiones de la carcasa y la banda de frecuencias que contiene las señales del habla.

La forma de la matriz cambia la cobertura y la ambigüedad frontal-posterior

Una matriz lineal mide la variación espacial principalmente a lo largo de un eje, por lo que resulta adecuada para dirigir la captación en un campo horizontal, pero es menos eficaz para distinguir algunas direcciones especulares. Las configuraciones planas o circulares muestrean más dimensiones y pueden ofrecer una cobertura azimutal más amplia, aunque requieren una calibración y una integración en la carcasa más complejas.

Las investigaciones sobre la diversidad espacial muestran que varios dispositivos añaden el espacio como dimensión de procesamiento, pero también introducen desafíos de sincronización y arbitraje. Una matriz doméstica distribuida puede obtener una apertura mayor, aunque las diferencias de reloj y las respuestas desiguales de los dispositivos pueden reducir las ventajas geométricas esperadas.

El montaje puede ser más determinante que la distribución nominal. Una matriz circular colocada contra una pared ya no percibe un campo acústico simétrico, y una barra lineal situada bajo una pantalla puede recibir fuertes reflejos del escritorio. La geometría debe evaluarse en la habitación y con la instalación reales, no solo como un diagrama en la placa de micrófonos.

El conformado de haces mejora la señal antes del reconocimiento

El conformado de haces retrasa y pondera los canales de los micrófonos para que el sonido procedente de una dirección elegida se combine constructivamente, mientras se reduce la energía de otras direcciones. La salida es una única señal mejorada o un conjunto más pequeño de señales espaciales que alimenta la detección de palabras de activación y el reconocimiento automático del habla.

Las señales con retardo temporal pueden formar filtros espaciales que amplifican una dirección deseada y suprimen las interferencias. Una mejor relación señal-ruido puede reducir las sustituciones y las omisiones de palabras de activación, especialmente cuando el ruido competidor está espacialmente separado del hablante.

La ventaja desaparece cuando el habla y el ruido llegan desde direcciones casi idénticas, la estimación de direccionamiento es incorrecta o la reverberación crea muchas copias retardadas. El conformado de haces modifica la información acústica; no puede inferir palabras que quedaron enmascaradas en todos los micrófonos ni compensar un modelo de reconocimiento que no se ajusta al hablante y al vocabulario.

Featured

ZimaCube 2 NAS personal en la nube para el hogar

ZimaCube2

$799.00 - $2,499.00

Buy Now

La geometría y la acústica de la habitación deben evaluarse conjuntamente

Las habitaciones crean reflejos que llegan a cada micrófono después del sonido directo. A corta distancia, la ruta directa puede dominar, mientras que los comandos en campo lejano pueden contener fuertes ecos del techo, las paredes y la encimera. Por tanto, una matriz optimizada para localizar direcciones en campo libre puede producir un direccionamiento inestable en un espacio doméstico reverberante.

Los modos de fallo descritos para el reconocimiento de voz en campo lejano incluyen la distancia, la reverberación, el ruido, la geometría y la falta de correspondencia con la habitación. La geometría resulta más útil cuando aumenta la separación del habla directa en las condiciones reales de colocación y ángulos de escucha.

Prueba la tasa de detección de palabras de activación y la tasa de error de palabras desde varias distancias y direcciones, con ruido realista de electrodomésticos, televisión y música. Compara el mejor micrófono sin procesar con la salida conformada por haces para aislar el beneficio de la matriz. Una configuración más grande o compleja no es automáticamente mejor si la deriva de calibración, los reflejos de la carcasa o la ubicación en la habitación eliminan su ventaja espacial.