智能音箱里那些神秘的聲學(xué)技術(shù)

時(shí)間：

2016-01-15

作者：

分類：

企業(yè)新聞

音箱行業(yè)有著悠久的歷史，但是在過去十多年里，傳統(tǒng)的音箱行業(yè)面臨著極大的市場(chǎng)困境，例如藍(lán)牙音箱剛出現(xiàn)各個(gè)廠商便直接殺成了一片紅海。而2015年隨著智能音箱的涌現(xiàn)，特別是亞馬遜的Echo、京東的叮咚、阿里的小飛，不僅對(duì)外展現(xiàn)出了智能音箱行業(yè)百花齊放的局面，也使沉悶的音箱市場(chǎng)看到了突破性發(fā)展的希望。但是，隨著這些巨頭們的集體涌入，這也讓在智能音箱行業(yè)摸爬滾打的創(chuàng)業(yè)者倍感艱難。

音箱特別是中高端音箱，本來就是強(qiáng)調(diào)品牌且技術(shù)門檻較高的領(lǐng)域。而智能音箱將聲學(xué)設(shè)計(jì)、無線技術(shù)、語音識(shí)別、遠(yuǎn)場(chǎng)拾音、語義分析等眾多技術(shù)融合在一起，不僅技術(shù)更為復(fù)雜，而且更加依賴音樂內(nèi)容平臺(tái)的支持，這些諸多因素都是創(chuàng)業(yè)者需要直面解決的難題。當(dāng)然，技術(shù)還是其中的根本，本文希望從市面上現(xiàn)有的流行產(chǎn)品分析其中的幾項(xiàng)關(guān)鍵技術(shù)，以及一些不可規(guī)避的用戶體驗(yàn)問題，也給正在創(chuàng)業(yè)或者準(zhǔn)備進(jìn)入這個(gè)領(lǐng)域的創(chuàng)業(yè)者一些參考。

（1）小型便攜與低音增強(qiáng)技術(shù)

音箱行業(yè)早在數(shù)年前就開始流行小型便攜化，最具代表性的就是藍(lán)牙音箱的持續(xù)熱銷。隨后的WiFi音箱并沒有復(fù)制藍(lán)牙音箱的奇跡，主要還是受制于內(nèi)容平臺(tái)和技術(shù)的缺陷，并沒有帶來比藍(lán)牙音箱更好的用戶體驗(yàn)。智能音箱實(shí)際上還是在WiFi音箱的基礎(chǔ)上發(fā)展的，除了繼承其小型便攜和無線連接的特點(diǎn)，其本質(zhì)畢竟還是音箱，其音質(zhì)設(shè)計(jì)還應(yīng)該是第一位的。但是現(xiàn)在看來，市面上的智能音箱基本都忽略了這個(gè)問題，在筆者看來，目前還沒有音質(zhì)上乘的智能音箱出現(xiàn)。反而銷量并不理想的WiFi音箱更加專注于音質(zhì)設(shè)計(jì)，這其中不乏有傳統(tǒng)的消費(fèi)級(jí)音箱巨頭Bose、JBL和Sony等品牌，也逐漸形成了兩大風(fēng)格派系。以Bose為代表的歐美系更加注重低音的增強(qiáng)體驗(yàn)，而以Sony為代表的日系則尤為看重中高頻的細(xì)節(jié)呈現(xiàn)。我們知道小型箱體設(shè)計(jì)中很難同時(shí)兼具中高頻和低頻的雙重音質(zhì)保證，而對(duì)于大部分消費(fèi)用戶來說，感受最為明顯的則是低音的提升，這也是小型箱體設(shè)計(jì)中的技術(shù)難點(diǎn)。

小型箱體的低音增強(qiáng)主要有兩類方法：其一是箱體的結(jié)構(gòu)設(shè)計(jì)，例如結(jié)構(gòu)上可采用密封式、倒相式、迷宮式、聲波管式和多腔諧振式等等，這些結(jié)構(gòu)需要專業(yè)計(jì)算確定，適當(dāng)?shù)脑O(shè)計(jì)可以有效提升音箱的音質(zhì)和低音效果。

另外，音箱結(jié)構(gòu)設(shè)計(jì)中還包括了被動(dòng)振膜技術(shù)。通常來說小型箱體比如智能音箱一般常用3寸以下的喇叭，這種喇叭本身低頻下潛就不是太好，至少也要在100Hz以上。但是小型音箱受制于體積也無法采用更大的喇叭，而被動(dòng)振膜的出現(xiàn)就是為了更好的彌補(bǔ)這個(gè)缺陷。實(shí)際上，被動(dòng)振膜的結(jié)構(gòu)與喇叭有幾分相似之處，都有推動(dòng)空氣的振膜和讓振膜恢復(fù)正常位置所需要的折環(huán)。但不同的是，被動(dòng)振膜沒有喇叭那類驅(qū)動(dòng)機(jī)構(gòu)，也就是說，它自身并不能發(fā)出聲音。那么，被動(dòng)振膜是如何工作的？由于被動(dòng)振膜和喇叭單元是安裝在密封的箱體內(nèi)，這樣，當(dāng)喇叭工作發(fā)出聲音時(shí)，喇叭振膜的運(yùn)動(dòng)，會(huì)導(dǎo)致箱體內(nèi)的空氣被壓縮和擴(kuò)展，在氣壓變化的作用下，被動(dòng)振膜也伴隨產(chǎn)生振動(dòng)，推動(dòng)箱體外的空氣，這樣就可以發(fā)出聲音來。被動(dòng)振膜可以根據(jù)需求設(shè)計(jì)在音箱的不同位置，其振動(dòng)面積往往可以做得比較大。這樣，推動(dòng)空氣的體積也隨之增加，這就大大提升了低音的量感，獲得更好的低音下潛深度。

其二是算法方面的低音增強(qiáng)，比如常用的虛擬低音增強(qiáng)技術(shù)。虛擬低音增強(qiáng)的原理是采用了人耳的生理學(xué)特點(diǎn)來虛擬低音效果，人耳能夠把低音基頻中高頻段諧波的差頻聲音聽成原來低音基頻的音調(diào)，這就給我們實(shí)現(xiàn)虛擬低音提供了理論基礎(chǔ)。通過低音信號(hào)基頻的諧波序列在人耳中再現(xiàn)普通揚(yáng)聲器無法達(dá)到的低頻音調(diào)，從而在聽感上就會(huì)讓人覺得低音分量更足了，有效彌補(bǔ)了小口徑揚(yáng)聲器重放低頻不足的問題。這種虛擬低音增強(qiáng)方法也是耳機(jī)中常用的低音增強(qiáng)方法，特點(diǎn)是只需要嵌入特定算法，在播放前對(duì)音頻處理即可

（2）無線技術(shù)及聲音對(duì)碼技術(shù)

前面提到，智能音箱是由WiFi音箱發(fā)展而來，因此無線技術(shù)特別是WiFi的連接尤為重要，但是我們也知道，WiFi連接的過程比較復(fù)雜，連接成功后也會(huì)經(jīng)常出現(xiàn)掉線、堵塞、延遲較大、切換太慢等問題，而這些都是導(dǎo)致WiFi音箱體驗(yàn)較差的重要因素。另外智能音箱一般還是黑盒子產(chǎn)品，通常不安裝觸摸操作屏，而WiFi初始連接則要求用戶選擇網(wǎng)絡(luò)、輸入用戶和密碼等操作，這顯然不是智能音箱的特長。可是若無法聯(lián)網(wǎng)，那么智能音箱的語音識(shí)別也無法發(fā)揮作用，這反而成了一個(gè)場(chǎng)景悖論。那么有什么技術(shù)可以解決上述的這些問題呢？

首先我們看WiFi的初始連接問題，這如同當(dāng)初的路由器配置一樣麻煩，何況大部分用戶根本沒有配置過路由器的經(jīng)驗(yàn)，因此讓用戶按照配置路由器的邏輯去配置智能音箱顯然不現(xiàn)實(shí)，但是目前很多產(chǎn)品其實(shí)就是這種模態(tài)，就連智能音箱中的翹楚——亞馬遜Echo，也是如此。配置路由器，一個(gè)熟知技術(shù)的人員尚且還要折騰一段時(shí)間，把如此復(fù)雜的產(chǎn)品甩給用戶簡直就是一種折磨！

聲學(xué)總是這么奇妙，對(duì)此，聰明的聲學(xué)研究人員早就找到了應(yīng)對(duì)方法：聲波通訊對(duì)碼技術(shù)。這種技術(shù)是利用聲波調(diào)制技術(shù)，將WiFi連接需要的信息通過手機(jī)的喇叭發(fā)送到智能音箱上，利用智能音箱本身配置的麥克風(fēng)接收聲音信號(hào)進(jìn)行解調(diào)獲取信息，從而完成配置聯(lián)網(wǎng)，用戶僅僅需要在手機(jī)屏幕上輸入信息即可，這成功解決了智能音箱缺乏屏幕顯示和操控的問題。聲音對(duì)碼技術(shù)難度實(shí)際不是太大，但是要做的穩(wěn)定可靠也需要長時(shí)間積累，這個(gè)領(lǐng)域目前市場(chǎng)上幾乎沒有成熟的方案，據(jù)說小聲科技公司正在準(zhǔn)備這項(xiàng)技術(shù)的開源工作，相信不久這項(xiàng)技術(shù)也將很快普及。

下面接著再說WiFi的切換及延遲問題，除了在硬件和協(xié)議上做些優(yōu)化，也可以通過聲學(xué)方法進(jìn)一步優(yōu)化。我們知道大部分WiFi音頻傳遞的都是解碼后的音頻流，這很容易造成丟幀現(xiàn)象，其實(shí)傳輸過程中少量丟幀對(duì)語音甚至音樂播放來說影響并不大，因此這可以采用一定的算法進(jìn)行適配。另外，隨著智能音箱浮點(diǎn)運(yùn)算能力的加強(qiáng)，我們也可以考慮傳遞編碼的音頻文件流，當(dāng)編碼的時(shí)候就將WiFi的問題考慮進(jìn)去提前做出冗余，自然會(huì)大幅提高WiFi方面的性能。

（3）遠(yuǎn)場(chǎng)語音喚醒和識(shí)別技術(shù)

“Alexa”，這是激活Echo音箱的默認(rèn)喚醒詞，而“叮咚”這是激活京東叮咚音箱的喚醒詞。那么為什么音箱需要這種專用詞語喚醒呢？實(shí)際上這也是語音識(shí)別中的技術(shù)難題，有時(shí)候也稱為語音識(shí)別啟動(dòng)特定詞。我們知道如果要想識(shí)別用戶說出的命令，麥克風(fēng)必須一直在錄音狀態(tài)，并且語音識(shí)別算法也要一直在工作，這就是連續(xù)語音識(shí)別的基本前提。那么總要告知一下對(duì)方，什么時(shí)候才算開始。當(dāng)然機(jī)器是非常愚笨的，一個(gè)眼神或者一個(gè)動(dòng)作顯然不可能引起“她”的注意，自然就需要定義一個(gè)特別適合切換進(jìn)入語音識(shí)別狀態(tài)的詞語，我們稱這種技術(shù)為語音喚醒，也就是把音箱從其他狀態(tài)切換到了語音識(shí)別工作狀態(tài)。

顯然上面提到的喚醒問題在Siri上是使用觸摸按鍵來解決的，但是智能音箱就不行了，因?yàn)槲覀儾豢赡芸傇谝粝渑赃?，而一般都?huì)距離音箱一段距離欣賞音樂。這就產(chǎn)生了一個(gè)更加困難的問題：遠(yuǎn)場(chǎng)語音識(shí)別。遠(yuǎn)場(chǎng)實(shí)際是聲學(xué)領(lǐng)域常用的一個(gè)概念，一般在智能音箱領(lǐng)域來說是指混響起主要作用的聲場(chǎng)。這個(gè)概念怎么解釋呢？這么說吧，我們聽到的聲音簡單分為兩種，一種是直接到達(dá)耳朵的，稱為直達(dá)聲。另外一種是墻壁反射后到達(dá)耳朵的，稱為反射聲，亂七八糟混在一起的聲場(chǎng)就理解為混響聲吧。顯然當(dāng)距離聲源較近的時(shí)候，直達(dá)聲將起主要作用，而當(dāng)距離聲源較遠(yuǎn)以后，混響的影響就會(huì)增大。不要輕視這種混響，當(dāng)混響嚴(yán)重到一定程度的時(shí)候，我們是很難聽清對(duì)方說話的。事實(shí)上，混響對(duì)于語音識(shí)別的影響是非常嚴(yán)重的，直接導(dǎo)致了識(shí)別率的下降。

那怎么解決這個(gè)問題呢？當(dāng)然我們也有主動(dòng)和被動(dòng)兩種方法。主動(dòng)的方法我們這里先暫且賣個(gè)官司，請(qǐng)您關(guān)注聲學(xué)在線的后續(xù)文章，我們會(huì)詳細(xì)介紹。下面我們來說被動(dòng)的方法，就是我們常常說到的麥克風(fēng)陣列技術(shù)，麥克風(fēng)陣列的具體技術(shù)我們這里也不再贅述，聲學(xué)在線已經(jīng)發(fā)布了很多相關(guān)文章，您可以重溫回憶一下。這里我們只說下麥克風(fēng)陣列的技術(shù)難點(diǎn)。當(dāng)然很多同學(xué)會(huì)首先想到算法的問題，多個(gè)麥克風(fēng)協(xié)同工作確實(shí)是一個(gè)技術(shù)難點(diǎn)。另外，結(jié)構(gòu)設(shè)計(jì)和器件方面也是一直制約麥克風(fēng)陣列應(yīng)用普及的重要因素，之所以這項(xiàng)技術(shù)到現(xiàn)在才能實(shí)用，也是因?yàn)镸EMS技術(shù)很好的解決了目前麥克風(fēng)器件的一致性問題。當(dāng)然多聲道的采集技術(shù)也是非常重要的基礎(chǔ)技術(shù)。

這部分筆者覺得對(duì)于智能音箱來說極其重要，因此我們也拆解了市場(chǎng)上兩款流行的智能音箱做些麥克風(fēng)陣列方面的比較。

第一款就是亞馬遜的Echo音箱，下圖綠色圈中的地方就是7個(gè)麥克風(fēng)組成的陣列，型號(hào)是S10530090。Echo音箱并沒有采用多聲道采集處理芯片，而是用了4個(gè)立體聲ADC實(shí)現(xiàn)7個(gè)麥克風(fēng)聲音的采集，這款A(yù)DC型號(hào)是TI的TLV320ADC3101。顯然Echo將來還會(huì)有更好的遠(yuǎn)場(chǎng)語音識(shí)別性能方面的提升。亞馬遜Echo使用的是自家的語音識(shí)別引擎，因此國內(nèi)使用的時(shí)候非常麻煩，需要連接到國外的服務(wù)器。

第二款便是京東的叮咚音箱，這款音箱采用了8個(gè)麥克風(fēng)和4個(gè)喇叭以PK亞馬遜的Echo，但實(shí)際上意義不大，這個(gè)口徑的情況下，8個(gè)麥克風(fēng)和7個(gè)麥克風(fēng)并沒有本質(zhì)上的區(qū)別，甚至4個(gè)也就夠用了。而且我們通過兩幅拆解圖對(duì)比就可以看到，叮咚所用的麥克風(fēng)顯然沒有像Echo那樣升級(jí)到MEMS，傳統(tǒng)駐極體麥克風(fēng)的一致性很難保證，這不利于陣列信號(hào)處理。叮咚采用的是CONEXANT科勝訊的CX20810-11Z芯片，這款芯片是4通道遠(yuǎn)場(chǎng)語音捕獲的ADC，專門用于語音識(shí)別，控制和網(wǎng)絡(luò)會(huì)議等，因此叮咚只需要兩片ADC即可實(shí)現(xiàn)對(duì)8個(gè)麥克風(fēng)的采集。很明顯，CONEXANT的芯片相比TI還是略遜一籌。不過，即便有如此遜色之處，叮咚音箱也屬于國內(nèi)當(dāng)前水平較高的智能音箱。另外，叮咚采用的是科大訊飛的語音識(shí)別引擎，因此國內(nèi)使用起來特別方便。

（4）內(nèi)容集成與智能學(xué)習(xí)技術(shù)

智能音箱一開始就被認(rèn)為是家庭互聯(lián)網(wǎng)的入口之一，各個(gè)巨頭搶占這個(gè)領(lǐng)域也有這方面的考慮，所以與智能家居的融合一直是智能音箱的使命之一。但是聲音似乎和控制系統(tǒng)相差甚遠(yuǎn)，這方面的集成并非那么簡單。智能音箱解決的僅僅是語音的識(shí)別問題，而這個(gè)功能，手機(jī)和電視同樣也可以實(shí)現(xiàn)，那么智能音箱還有什么優(yōu)勢(shì)呢？

筆者認(rèn)為亞馬遜的戰(zhàn)略考慮應(yīng)該更值得借鑒。誠然，接入更多智能家居的控制功能自然是個(gè)好事，但智能家居還沒發(fā)展起來，也不是用戶的剛需，目前來做這塊用戶似乎也不會(huì)買賬。亞馬遜的Echo除了和自身的音樂內(nèi)容匹配，最主要還是看重了Echo將來在音樂內(nèi)容方面的購買功能，所以Shopping自然就成為了Echo最重要的使命。想想也是，一個(gè)公司做硬件不考慮賺錢怎么行，軟件可以隨著用戶數(shù)量的無限增加而將成本攤薄為零，但是硬件的成本是永遠(yuǎn)存在的啊。雖然目前還不了解京東有沒有這方面的考慮，但是自家沒有專有語音識(shí)別引擎，若想和自家產(chǎn)品無縫對(duì)接也非常困難。阿里就聰明很多，阿里做的小飛必然要和自家的音樂內(nèi)容緊密相連。其他的廠商如QQ音樂、百度音樂、酷狗音樂還未發(fā)布自家產(chǎn)品，酷狗筆者有所了解，他們的智能硬件之路走得相當(dāng)緩慢，現(xiàn)在轉(zhuǎn)去搞中國好聲音了。

除了內(nèi)容方面的集成，智能音箱還面臨一個(gè)更大的挑戰(zhàn)。我們仔細(xì)想一下，用戶對(duì)智能音箱的要求其實(shí)遠(yuǎn)非語音識(shí)別所能做到的那樣簡單，顯然還需要深入的語言交互才行，而且這種交互還應(yīng)該是你日常生活中的場(chǎng)景。天哪，即便解決某個(gè)特定領(lǐng)域的語音交互就讓眾多科研人員心力交瘁了，更何況如此廣泛的領(lǐng)域。筆者一聽到這個(gè)需求大腦幾乎就要爆掉，但是如果做不到這點(diǎn)，怎么又能稱得上智能音箱呢？充其量不過是個(gè)語音控制的音箱而已。很多時(shí)候筆者覺得，語音識(shí)別還不如手勢(shì)識(shí)別更為簡單好用！當(dāng)然對(duì)于那些流媒體的音樂內(nèi)容提供商來說，這種前端產(chǎn)品或許是不得不做的產(chǎn)品，至少搶個(gè)賽道再說。

我們一直強(qiáng)調(diào)，智能音箱還是一個(gè)音箱，但是為什么大多數(shù)廠商都把這個(gè)基本訴求給忽略了呢？一味強(qiáng)調(diào)智能而不扎實(shí)做好音箱的品質(zhì)，如此這般，還不如干脆做個(gè)智能盒子好了。筆者相信，就是因?yàn)橛腥绱硕嗟膯栴}，說明智能音箱領(lǐng)域還存在眾多機(jī)會(huì)，若在這個(gè)領(lǐng)域創(chuàng)業(yè)創(chuàng)新，有必要思考下面的3個(gè)問題：

（1）回歸音箱本質(zhì)，發(fā)燒音質(zhì)才是智能的基礎(chǔ)

網(wǎng)上早已不止筆者一人批評(píng)智能音箱的音質(zhì)了。無論智能音箱的產(chǎn)品

程曼詩：劇院“面子”問題，還得從“里子”入手

讓誰來當(dāng)歌劇院院長？

程曼詩：劇院“面子”問題，還得從“里子”入手

讓誰來當(dāng)歌劇院院長？

關(guān)鍵字：