Hur påverkar mikrofonarrayens geometri lokal röstigenkänning?

Mikrofonarrayens geometri påverkar igenkänningen genom att avgöra hur väl systemet kan lokalisera tal och spatialt dämpa brus eller efterklang.

En lokal röstassistent på en köksserver kan höra samma kommando genom ljud från hushållsapparater, väggreflektioner och musik från en annan riktning. Fler mikrofoner hjälper bara när deras avstånd, form, synkronisering och placering ger strålformaren användbara spatiala skillnader. Geometrin förändrar ljudet som når modellerna för väckningsord och tal; den ändrar inte språkmodellens ordförråd och löser inte alla akustiska problem.

Avstånd omvandlar tidsskillnader i ankomsten till riktningsinformation

En ljudvåg når mikrofonerna vid något olika tidpunkter eftersom varje sensor befinner sig på en annan plats. Dessa tids- och fasskillnader ger riktningsinformation. Om mikrofonerna sitter för nära varandra för de aktuella frekvenserna blir fördröjningarna svåra att urskilja; om avståndet är för stort kan spatial aliasering skapa tvetydiga riktningar.

strålformning med mikrofonarray modellerar fördröjningen utifrån den infallande ljudvågens riktning och varje mikrofons position. Geometrin avgör därför vilka styrfördröjningar processorn kan tillämpa och i vilka riktningar signaler förstärks eller släcks ut.

Det är därför antalet mikrofoner i sig inte är en geometrisk specifikation. Fyra element i en kort rad, en kvadrat eller en cirkulär ring registrerar olika riktningsmönster. Det användbara avståndet beror också på samplingsfrekvens, akustisk våglängd, kapslingens dimensioner och det frekvensband som bär talets kännetecken.

Arrayens form förändrar täckning och framåt-bakåt-tvetydighet

En linjär array mäter främst spatial variation längs en axel, vilket gör den väl lämpad för styrning över ett horisontellt fält men sämre på att skilja vissa speglade riktningar åt. Planära eller cirkulära layouter registrerar fler dimensioner och kan ge bredare azimutal täckning, men kräver mer kalibrering och en mer komplex kapsling.

Forskning om spatial mångfald visar att flera enheter tillför rummet som en bearbetningsdimension, samtidigt som synkroniserings- och samordningsproblem uppstår. En distribuerad hemarray kan få en större apertur, men klockförskjutningar och ojämna enhetsegenskaper kan försämra den förväntade geometrin.

Monteringen kan dominera den nominella layouten. En cirkulär array som trycks mot en vägg uppfattar inte längre ett symmetriskt akustiskt fält, och en linjär list under en skärm kan få starka reflektioner från skrivbordet. Geometrin måste utvärderas i det installerade rummet, inte bara som ett diagram på mikrofonkortet.

Strålformning förbättrar signalen före igenkänningen

Strålformning fördröjer och viktar mikrofonkanaler så att ljud från en vald riktning kombineras konstruktivt, medan energi från andra riktningar minskas. Resultatet blir en enda förbättrad ström eller ett mindre antal spatiala strömmar som matar väckningsordsdetektering och automatisk taligenkänning.

tidsfördröjda signaler kan bilda spatiala filter som förstärker en önskad riktning och dämpar störningar. Ett bättre signal-brusförhållande kan minska substitutioner och missade väckningsord, särskilt när det konkurrerande bruset kommer från en annan riktning än talaren.

Vinsten försvinner när tal och brus kommer från nästan samma riktning, när uppskattningen av styrningen är fel eller när efterklang skapar många fördröjda kopior. Strålformning förändrar den akustiska informationen; den kan inte avgöra ord som maskerats vid alla mikrofoner och kan inte heller kompensera för en igenkänningsmodell som inte passar talaren eller ordförrådet.

Featured

ZimaCube 2 personlig molnhem NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Geometri och rumsakustik måste utvärderas tillsammans

Rum skapar reflektioner som når varje mikrofon efter det direkta ljudet. På nära håll kan den direkta ljudvägen dominera, medan kommandon på långt avstånd kan innehålla starka ekon från tak, väggar och köksbänkar. En array som optimerats för riktningsbestämning i fri ljudmiljö kan därför ge instabil styrning i ett reflekterande hem.

De feltyper som beskrivs för röstigenkänning på långt avstånd omfattar avstånd, efterklang, brus, geometri och skillnader i rummet. Geometrin hjälper mest när den ökar separationen mellan direkttal och störningar vid den faktiska placeringen och de verkliga lyssningsvinklarna.

Testa återkallning av väckningsord och ordfelet från flera avstånd och riktningar, med realistiskt brus från hushållsapparater, tv och musik. Jämför den bästa råa mikrofonsignalen med den strålformade utsignalen för att isolera arrayens bidrag. En större eller mer komplex layout är inte automatiskt bättre om kalibreringsdrift, reflektioner i kapslingen eller rummets placering eliminerar dess spatiala fördel.