Jak geometria macierzy mikrofonów wpływa na lokalne rozpoznawanie mowy?

Geometria układu mikrofonów wpływa na rozpoznawanie, ponieważ decyduje o tym, jak dobrze system może lokalizować mowę oraz przestrzennie tłumić hałas i pogłos.

Lokalny asystent głosowy działający na serwerze kuchennym może słyszeć to samo polecenie wśród hałasu urządzeń, odbić od ścian i muzyki dobiegającej z innego kierunku. Większa liczba mikrofonów pomaga tylko wtedy, gdy ich rozstaw, kształt, synchronizacja i rozmieszczenie zapewniają układowi formującemu wiązkę użyteczne różnice przestrzenne. Geometria zmienia sygnał audio docierający do modeli słów wybudzających i mowy; nie zmienia słownictwa modelu językowego ani nie rozwiązuje każdego problemu akustycznego.

Rozstaw zamienia różnice czasu dotarcia w informacje o kierunku

Fala dźwiękowa dociera do mikrofonów w nieco różnym czasie, ponieważ każdy czujnik znajduje się w innym miejscu. Te różnice czasowe i fazowe dostarczają informacji o kierunku. Jeśli mikrofony są zbyt blisko siebie w stosunku do interesujących nas częstotliwości, opóźnienia stają się trudne do rozróżnienia; jeśli rozstaw jest zbyt duży, aliasing przestrzenny może tworzyć niejednoznaczne kierunki.

formowanie wiązki przez układ mikrofonów modeluje opóźnienie na podstawie kierunku nadejścia fali oraz położenia każdego mikrofonu. Geometria decyduje więc o opóźnieniach sterujących, które może zastosować procesor, oraz o kierunkach, w których sygnały będą się wzmacniać lub wygaszać.

Dlatego sama liczba mikrofonów nie stanowi specyfikacji geometrii. Cztery elementy ułożone w krótkiej linii, kwadracie lub okręgu rejestrują różne wzorce kierunkowe. Użyteczny rozstaw zależy również od częstotliwości próbkowania, długości fali akustycznej, wymiarów obudowy oraz pasma częstotliwości zawierającego cechy mowy.

Kształt układu zmienia zasięg i niejednoznaczność przód–tył

Układ liniowy mierzy zmienność przestrzenną głównie wzdłuż jednej osi, dzięki czemu dobrze nadaje się do sterowania w poziomym polu, ale słabiej rozróżnia niektóre symetryczne kierunki. Układy płaskie lub okrągłe próbkują więcej wymiarów i mogą zapewnić szersze pokrycie azymutu, kosztem większych wymagań dotyczących kalibracji i złożoności obudowy.

Badania nad różnorodnością przestrzenną pokazują, że wiele urządzeń dodaje przestrzeń jako wymiar przetwarzania, jednocześnie wprowadzając problemy z synchronizacją i arbitrażem. Rozproszony układ domowy może zyskać większą aperturę, jednak przesunięcia zegarów i nierówne charakterystyki urządzeń mogą osłabić oczekiwane korzyści geometrii.

Sposób montażu może zdominować nominalny układ. Okrągły układ przysunięty do ściany nie tworzy już symetrycznego pola akustycznego, a liniowa listwa umieszczona pod ekranem może odbierać silne odbicia od biurka. Geometrię należy oceniać w zamontowanym pomieszczeniu, a nie tylko jako schemat na płytce mikrofonowej.

Formowanie wiązki poprawia sygnał przed rozpoznawaniem

Formowanie wiązki opóźnia i waży kanały mikrofonów tak, aby dźwięk z wybranego kierunku łączył się konstruktywnie, a energia z innych kierunków była ograniczana. Wynikiem jest pojedynczy ulepszony strumień lub mniejszy zestaw strumieni przestrzennych, który trafia do wykrywania słów wybudzających i automatycznego rozpoznawania mowy.

sygnały z opóźnieniem czasowym mogą tworzyć filtry przestrzenne wzmacniające wybrany kierunek i tłumiące zakłócenia. Lepszy stosunek sygnału do szumu może ograniczyć błędne podstawienia i pominięte słowa wybudzające, zwłaszcza gdy konkurencyjny hałas pochodzi z innego kierunku niż mówiący.

Korzyść znika, gdy mowa i hałas docierają niemal z tego samego kierunku, oszacowanie kierunku sterowania jest błędne albo pogłos tworzy wiele opóźnionych kopii. Formowanie wiązki zmienia dowody akustyczne; nie odtworzy słów, które zostały zamaskowane we wszystkich mikrofonach, ani nie skompensuje modelu rozpoznawania niedopasowanego do mówcy i słownictwa.

Featured

ZimaCube 2 Osobisty domowy NAS w chmurze

ZimaCube2

$799.00 - $2,499.00

Buy Now

Geometrię i akustykę pomieszczenia trzeba oceniać łącznie

Pomieszczenia tworzą odbicia, które docierają do każdego mikrofonu po dźwięku bezpośrednim. Z małej odległości może dominować ścieżka bezpośrednia, natomiast polecenia wypowiadane z większej odległości mogą zawierać silne echa sufitu, ścian i blatu. Układ zoptymalizowany do wykrywania kierunku w wolnym polu może więc zapewniać niestabilne sterowanie w pełnym odbić domowym pomieszczeniu.

Wśród trybów awarii opisanych dla rozpoznawania mowy z większej odległości znajdują się odległość, pogłos, hałas, geometria i niedopasowanie do pomieszczenia. Geometria pomaga najbardziej wtedy, gdy zwiększa separację mowy bezpośredniej w rzeczywistych warunkach montażu i dla faktycznych kątów nasłuchu.

Testuj skuteczność wykrywania słowa wybudzającego i współczynnik błędów słów z wielu odległości i kierunków, przy realistycznym hałasie urządzeń, telewizora i muzyki. Porównaj najlepszy surowy sygnał z pojedynczego mikrofonu z wynikiem po formowaniu wiązki, aby oddzielić korzyści układu. Większy lub bardziej złożony układ nie jest automatycznie lepszy, jeśli dryf kalibracji, odbicia od obudowy lub umiejscowienie w pomieszczeniu niwelują jego przewagę przestrzenną.