亞馬遜Echo和谷歌Home爭奇斗艷，除了云端服務，他們在硬件上到底有哪些差異？我們先將Echo和Home兩款音箱拆開來看，區(qū)別最大的還是麥克風陣列技術。Amazon Echo采用的是環(huán)形6+1麥克風陣列，而Google Home（包括Surface Studio）只采用了2麥克風陣列。這里想稍微深入談談麥克風陣列技術，以及智能語音交互設備到底應該選用怎樣的方案。
什么是麥克風陣列技術？
學術上有個概念是“傳聲器陣列”，主要由一定數(shù)目的聲學傳感器組成，用來對聲場的空間特性進行采樣并處理的系統(tǒng)。而這篇文章講到的麥克風陣列是其中一個狹義概念，特指應用于語音處理的按一定規(guī)則排列的多個麥克風系統(tǒng)，也可以簡單理解為2個以上麥克風組成的錄音系統(tǒng)。
麥克風陣列一般來說有線形、環(huán)形和球形之分，嚴謹?shù)膽撜f成一字、十字、平面、螺旋、球形及無規(guī)則陣列等。至于麥克風陣列的陣元數(shù)量，也就是麥克風數(shù)量，可以從2個到上千個不等。這樣說來，麥克風陣列真的好復雜，別擔心，復雜的麥克風陣列主要應用于工業(yè)和國防領域，消費領域考慮到成本會簡化很多。
為什么需要麥克風陣列？
消費級麥克風陣列的興起得益于語音交互的市場火熱，主要解決遠距離語音識別的問題，以保證真實場景下的語音識別率。這涉及了語音交互用戶場景的變化，當用戶從手機切換到類似Echo智能音箱或者機器人的時候，實際上麥克風面臨的環(huán)境就完全變了，這就如同兩個人竊竊私語和大聲嘶喊的區(qū)別。
前幾年，語音交互應用最為普遍的就是以Siri為代表的智能手機，這個場景一般都是采用單麥克風系統(tǒng)。單麥克風系統(tǒng)可以在低噪聲、無混響、距離聲源很近的情況下獲得符合語音識別需求的聲音信號。但是，若聲源距離麥克風距離較遠，并且真實環(huán)境存在大量的噪聲、多徑反射和混響，導致拾取信號的質(zhì)量下降，這會嚴重影響語音識別率。而且，單麥克風接收的信號，是由多個聲源和環(huán)境噪聲疊加的，很難實現(xiàn)各個聲源的分離。這樣就無法實現(xiàn)聲源定位和分離，這很重要，因為還有一類聲音的疊加并非噪聲，但是在語音識別中也要抑制，就是人聲的干擾，語音識別顯然不能同時識別兩個以上的聲音。
顯然，當語音交互的場景過渡到以Echo、機器人或者汽車為主要場景的時候，單麥克風的局限就凸顯出來。為了解決單麥克風的這些局限性，利用麥克風陣列進行語音處理的方法應時而生。麥克風陣列由一組按一定幾何結(jié)構（常用線形、環(huán)形）擺放的麥克風組成，對采集的不同空間方向的聲音信號進行空時處理，實現(xiàn)噪聲抑制、混響去除、人聲干擾抑制、聲源測向、聲源跟蹤、陣列增益等功能，進而提高語音信號處理質(zhì)量，以提高真實環(huán)境下的語音識別率。
