Como é que a geometria da matriz de microfones afeta o reconhecimento de voz local?

A geometria da matriz de microfones afeta o reconhecimento ao determinar até que ponto o sistema consegue localizar a fala e suprimir espacialmente o ruído ou a reverberação.

Um assistente de voz local num servidor de cozinha pode ouvir o mesmo comando através do ruído dos eletrodomésticos, das reflexões nas paredes e da música proveniente de outra direção. Mais microfones só ajudam quando o espaçamento, a forma, a sincronização e a colocação proporcionam ao formador de feixe diferenças espaciais úteis. A geometria altera o áudio que chega aos modelos de palavra de ativação e de fala; não altera o vocabulário do modelo de linguagem nem resolve todos os problemas acústicos.

O espaçamento converte diferenças no tempo de chegada em informação direcional

Uma onda sonora chega aos microfones em momentos ligeiramente diferentes, porque cada sensor ocupa uma posição distinta. Essas diferenças temporais e de fase fornecem informação direcional. Se os microfones estiverem demasiado próximos para as frequências em causa, torna-se difícil distinguir os atrasos; se o espaçamento for demasiado grande, a aliasing espacial pode criar direções ambíguas.

A formação de feixe com matriz de microfones modela o atraso com base na direção da onda incidente e na posição de cada microfone. A geometria determina, por isso, os atrasos de orientação que o processador pode aplicar e as direções em que os sinais são reforçados ou anulados.

É por isso que o número de microfones, por si só, não constitui uma especificação de geometria. Quatro elementos dispostos numa linha curta, num quadrado ou num anel circular observam padrões direcionais diferentes. O espaçamento útil também depende da taxa de amostragem, do comprimento de onda acústico, das dimensões da caixa e da banda de frequências que transporta os elementos da fala.

A forma da matriz altera a cobertura e a ambiguidade frente-trás

Uma matriz linear mede a variação espacial sobretudo ao longo de um eixo, sendo adequada para orientar a captação num campo horizontal, mas menos eficaz a distinguir algumas direções simétricas. Disposições planares ou circulares amostram mais dimensões e podem proporcionar uma cobertura azimutal mais ampla, à custa de maior complexidade de calibração e da caixa.

A investigação sobre diversidade espacial mostra que vários dispositivos acrescentam o espaço como dimensão de processamento, introduzindo simultaneamente desafios de sincronização e arbitragem. Uma matriz doméstica distribuída pode beneficiar de uma abertura mais ampla, mas as diferenças entre relógios e as respostas desiguais dos dispositivos podem reduzir a vantagem geométrica esperada.

A montagem pode ser mais determinante do que a disposição nominal. Uma matriz circular encostada a uma parede deixa de observar um campo acústico simétrico, e uma barra linear colocada por baixo de um ecrã pode receber fortes reflexões da secretária. A geometria deve ser avaliada na divisão onde será instalada, e não apenas como um diagrama na placa de microfones.

A formação de feixe melhora o sinal antes do reconhecimento

A formação de feixe atrasa e pondera os canais dos microfones para que o som proveniente de uma direção escolhida se combine construtivamente, enquanto a energia proveniente de outras direções é reduzida. A saída é um único fluxo melhorado ou um conjunto menor de fluxos espaciais que alimenta a deteção da palavra de ativação e o reconhecimento automático da fala.

Os sinais com atraso temporal podem formar filtros espaciais que amplificam uma direção pretendida e suprimem interferências. Uma melhor relação sinal-ruído pode reduzir substituições e falhas na deteção da palavra de ativação, sobretudo quando o ruído concorrente está espacialmente separado do orador.

A vantagem desaparece quando a fala e o ruído chegam praticamente da mesma direção, quando a estimativa de orientação está errada ou quando a reverberação cria muitas cópias atrasadas. A formação de feixe altera a informação acústica; não consegue inferir palavras que tenham sido mascaradas em todos os microfones nem compensar um modelo de reconhecimento desadequado ao orador e ao vocabulário.

Featured

ZimaCube 2 NAS Pessoal Cloud para Casa

ZimaCube2

$799.00 - $2,499.00

Buy Now

A geometria e a acústica da divisão devem ser avaliadas em conjunto

As divisões criam reflexões que chegam a cada microfone depois do som direto. A curta distância, o percurso direto pode dominar, enquanto os comandos em campo distante podem conter fortes ecos do teto, das paredes e da bancada. Assim, uma matriz otimizada para localizar direções em campo livre pode produzir uma orientação instável num espaço doméstico refletor.

Os modos de falha descritos para o reconhecimento de voz em campo distante incluem distância, reverberação, ruído, geometria e incompatibilidade com a divisão. A geometria é mais útil quando aumenta a separação da fala direta nas condições reais de colocação e dos ângulos de escuta.

Teste a taxa de deteção da palavra de ativação e a taxa de erro de palavras a várias distâncias e de várias direções, utilizando ruído realista de eletrodomésticos, televisão e música. Compare o melhor microfone em bruto com a saída formada pelo feixe para isolar o benefício da matriz. Uma disposição maior ou mais complexa não é automaticamente melhor se a deriva da calibração, as reflexões da caixa ou a colocação na divisão eliminarem a sua vantagem espacial.