人工智能電視遠場語音設(shè)計

作者 / 郭斌 林敏強 劉澤民 康佳集團(廣東 深圳 518053)

　　郭斌(1980— )，男，康佳集團多媒體研發(fā)中心新技術(shù)所所長，主研電視前沿技術(shù)，無線通信方向。

　　林敏強(1990— )，男，康佳集團多媒體研發(fā)中心硬件工程師，主研智能前沿技術(shù)，人機交互方向。

　　劉澤民(1994— )，男，康佳集團多媒體研發(fā)中心硬件工程師，主研無線智能產(chǎn)品方向。

摘要：本文介紹一種服務于人工智能電視，實現(xiàn)遠場語音應用的麥克風陣列設(shè)計方案，闡述系統(tǒng)框架和硬件設(shè)計，同時介紹軟件設(shè)計的部分要點。通過麥克風陣列，協(xié)助語音增強算法的實現(xiàn)，達到遠距離拾音、回聲消除、聲源定位，滿足當前智能語音應用的需求。

0 引言

　　人工智能是20世紀新興的一門學科，從發(fā)展之初就受到業(yè)界的廣泛關(guān)注。人工智能從廣義上定義是指具備語音感知、圖像感知以及其他信息感知，具備邏輯運算能力，以仿人類的思維方式工作的智能系統(tǒng)。目前已經(jīng)取得了不俗的成果，人工智能產(chǎn)品也覆蓋到了人們生活的方方面面。人工智能科學具有廣闊的發(fā)展前景和巨大的發(fā)展?jié)摿?正確引導和規(guī)范人工智能科學的技術(shù)性發(fā)展和應用,必將會給人類帶來巨大的財富^[1]。

　　隨著大數(shù)據(jù)、云計算、深度學習技術(shù)的不斷普及，語音技術(shù)的不斷優(yōu)化，人工智能越來越具備從"感知"到"認知"的能力，產(chǎn)品形態(tài)的智能化程度越來越高^[2]。人工智能技術(shù)在電視上的應用，將內(nèi)容和交互結(jié)合，聽歌、看劇、查詢...用戶都只需要開口就行，結(jié)合大數(shù)據(jù)后臺，便會根據(jù)用戶的喜好推送個性化歌曲推薦;接入智能家居系統(tǒng)，即可語音操控各種設(shè)備，十分便捷。

　　本文圍繞人工智能電視的遠場語音設(shè)計展開，介紹功能實現(xiàn)的框架和原理。

1 硬件設(shè)計

　　基礎(chǔ)功能硬件實現(xiàn)架構(gòu)如圖1，采用4麥克風條形線性陣列，模擬麥克風經(jīng)ADC傳輸音頻信號給MCU處理。MCU采用ST的STM32F401CDU6作為主控方案，STM32F401CDU6是一顆32位 ARM核芯片，內(nèi)置512 KB Flash/96 KB RAM，低延遲，工作頻率高達84 MHz,支持寬電壓1.7 V~3.6 V。模塊方案通過ADC將A-MIC模擬信號轉(zhuǎn)成I2S傳輸給MCU，MCU通過USB2.0和TV SOC傳輸音頻數(shù)據(jù)。通過麥克風陣列模塊搭配算法有效實現(xiàn)聲源定位、波束成形、去混響、降噪、增益調(diào)節(jié)、回聲消除等功能(下文結(jié)合軟件模塊展開闡述)。

　　1.1 麥克風選料

　　麥克風選用靈敏度-25 dB，信噪比74 dB的A-MIC，同時采用接線外拉的形式，有效避免生產(chǎn)過程中因高溫焊接導致的麥克風靈敏度下降或損壞等問題，保證陣列麥克風靈敏度的一致性，對整體算法的精確度有比較好的控制和要求。不過相應的會對整機生產(chǎn)裝配造成難度以及增加人工成本，設(shè)計之初需要做好防呆設(shè)計，提高安裝可靠性和效率。

　　1.2 供電設(shè)計

　　模塊采用獨立的供電，電視待機時，可支持通過模塊待機喚醒操作。模塊需要區(qū)分電視待機和開機狀態(tài)，開機狀態(tài)下，喚醒詞拉起語音應用。待機狀態(tài)下，喚醒詞本地處理通過I/O口發(fā)起開機信號。因此待機時，供電關(guān)閉500 ms后重啟，模塊重新讀取USB數(shù)據(jù)信號是否為空，以此來判斷主機狀態(tài)。

　　1.3 參考信號設(shè)計

　　參考信號指的是主機端提供給模塊的音頻參考，作為回聲消除算法的依據(jù)。參考音頻由功放輸出信號，經(jīng)過分壓、濾波后傳輸給模塊。根據(jù)芯片取值范圍要求，確保輸入到模塊的參考信號幅值≤1 Vrms，即圖2中從AMP+/-經(jīng)分壓后到SPK+/-的信號≤1 Vrms。

　　這里提到另外一種分壓方式，如圖3，由于R36、R38阻值存在誤差以及喇叭的寄生電容等影響，改變了差分信號走線的阻抗，使得其對于共模干擾抑制能力減弱，且容易在參考信號中引入雜音、破音。實際測試對比兩者播放1 kHz測試音頻時，該分壓方式產(chǎn)生明顯的失真，如圖4對比。

2 軟件設(shè)計

　　軟件分本地處理和云端處理兩部分。如圖6，淺灰色部分為本地處理，深灰色部分為云端處理。本地算法包括回聲消除AEC、聲源定位DOA、波束形成BF、去混響DER、降噪NS、自動增益調(diào)節(jié)AGC、頻域均衡EQ，最終編碼傳輸。云端主要負責對接收到的音頻進行文本識別、自然語言處理NLP、最終經(jīng)過業(yè)務邏輯和技能處理，將結(jié)果經(jīng)TTS服務器反饋給用戶。其中，在識別處理的同時，音頻信號經(jīng)VPR服務器進行讀取，對音頻分析特征值，也就是聲紋識別。聲紋識別的結(jié)果也提供給業(yè)務單元處理。

　　2.1 回聲消除

　　自適應回聲抵消的基本思想是估計回聲路徑的特征參數(shù)，產(chǎn)生一個模擬的回音路徑，得出模擬回聲信號，從接收信號中減去該信號，實現(xiàn)回聲抵消。圖5給出了單向傳輸?shù)穆晫W消回聲器AEC的原理圖。圖5中，x(n)代表麥克風拾音的信號，包含了本地聲音和目標人聲;y(n)是經(jīng)過回聲通道而產(chǎn)生的不期望的回聲;r(n)是經(jīng)算法抵消后的目標人聲;A口的信號x(n)疊加有不期望的回聲^[3]。

　　2.2 聲源定位及波束形成

　　麥克風拾音在實際應用環(huán)境中不僅僅有直接到達的目標語音，還有目標語音經(jīng)過墻面反射、衍射等其他路徑到達的部分及混響，以及環(huán)境噪音及本地噪音的干擾。聲源定位即依靠分布式麥克風陣列，對接收到的信號進行函數(shù)運算，根據(jù)計算的信號時延差獲取目標音源的角度方向。波束形成的原理利用麥克風陣列的特性，將噪聲進行抑制或進行非常大的衰減以提高接受目標信號的質(zhì)量^[4]。

　　2.3 語音識別

　　語音識別的過程主要由遠場或近場方式進行拾音，由語音識別服務器(ASR)和語義理解服務器(NLP)完成錄音文件識別和結(jié)果轉(zhuǎn)換。識別結(jié)果經(jīng)語音合成服務器(TTS)合成人聲將結(jié)果反饋給用戶。

　　語音識別服務器(ASR)主要將電視端錄入的音頻文件進行識別，將識別結(jié)果的文本直接發(fā)送給語義理解服務器進行解析，可以分為遠場/近場以及不同方言進行處理。

　　語義理解服務器(NLP)，目前使用主服務器加輔助服務器的模式進行語義理解處理，在語音識別服務將文字傳給語義理解服務器后，使用第三方提供的主服務器進行優(yōu)先解析，識別結(jié)果進行權(quán)重值計算，權(quán)重值高的識別結(jié)果直接返回客戶端進行處理;權(quán)重值低的識別結(jié)果返回給康佳語義理解服務器，由康佳語義理解服務器進行二次處理和轉(zhuǎn)發(fā)，如果主服務器不能識別的語句則由康佳語義理解服務器進行識別，然后根據(jù)識別結(jié)果的領(lǐng)域分發(fā)給其他對應在該領(lǐng)域處理比較好的其它服務器進行語義理解處理，識別之后返回康佳服務器再統(tǒng)一返回客戶端進行處理。

　　語音合成服務器，主要將識別結(jié)果和理解處理結(jié)果的文本進行語音合成和人聲播報，可以定義不同的人聲播報達到不同的效果，處理結(jié)果為生成一個音頻文件返回給客戶端。

3 小結(jié)

　　隨著人工智能技術(shù)的發(fā)展，語音成為了不可或缺的主要交互手段。麥克風陣列在智能音箱、智能電視甚至智能空調(diào)、冰箱、抽油煙機等家電上都逐漸開始應用，市場一度出現(xiàn)了人工智能熱。麥克風陣列的設(shè)計及應用是AI智能服務落地的基礎(chǔ)，本文提出人工智能電視遠場語音麥克風陣列的設(shè)計，從硬件系統(tǒng)、軟件模塊、性能原理、以及器件選型等多方面進行了原理分析研究和設(shè)計方案闡述，配合云端后臺，實現(xiàn)電視人工智能對話的場景。

　　參考文獻：

　　[1]王太忠,呂葉. 人工智能淺析[J]. 科教文匯(上旬刊). 2012(09):70-71

　　[2]陳長偉. 人工智能+內(nèi)容開啟廣電智媒體時代[J]. 有線電視技術(shù). 2017(11)：26-29

　　[3]王慶輝,李永哲. VoIP聲學回聲消除算法研究[J] , 現(xiàn)代電子技術(shù), 2009 (07).

　　[4]杜軍,桑勝舉. 基于麥克風陣列的語音增強技術(shù)及應用[J]. 計算機應用與軟件. 2009(10)

　　本文來源于《電子產(chǎn)品世界》2018年第10期第50頁，歡迎您寫論文時引用，并注明出處。