3、音频采集与预处理：麦克风阵列选型、AEC、AGC、降噪算法
好，咱们进入第三章。这一章聊的是车载语音系统的「耳朵」和「听力矫正」。说白了，麦克风就是车的耳朵，而AEC、AGC、降噪这些算法，就是帮这耳朵把声音听清楚、听准确的手段。
我见过不少团队，把精力全砸在语音识别模型上，结果上车一测，识别率惨不忍睹。为什么？因为前端音频没处理好。你想想看，车里开着空调、放着音乐、路噪胎噪嗡嗡响，麦克风收进来的信号就是一锅粥。后端模型再强，也架不住输入信号太烂。
所以，这一章咱们把音频采集和预处理这块掰开揉碎了讲。我个人习惯是：先定硬件选型，再搞算法链路。顺序不能乱。
3.1 麦克风阵列选型：不是越多越好
车载场景下，麦克风阵列的选型有几个硬约束：
- 安装位置：通常在内后视镜、顶棚、A柱或方向盘附近
- 拾音距离：要覆盖主驾、副驾，甚至后排
- 抗干扰：风噪、空调出风口气流、发动机振动
常见的阵列构型有这几种：
| 阵列类型 | 麦克风数量 | 适用场景 | 我的评价 |
|---|---|---|---|
| 单麦 | 1 | 仅主驾唤醒 | 成本低，但基本告别多音区 |
| 双麦线阵 | 2 | 主驾+副驾 | 波束成型勉强能用，但后排没戏 |
| 四麦环形 | 4 | 全车四音区 | 我比较推荐，性价比高 |
| 六麦及以上 | 6-8 | 高端车型、主动降噪 | 效果好，但算法复杂度翻倍 |
选型时还要注意麦克风的灵敏度、信噪比和声学过载点。我踩过一个坑：某款麦克风灵敏度标称-26dB，上车实测发现高频段衰减严重，导致语音识别对「s」「sh」这类齿音特别差。后来换了-24dB、频响更平直的型号，问题才解决。
3.2 AEC（回声消除）：别让车机自己跟自己说话
AEC要解决什么问题？很简单：车机播放音乐或导航语音时，麦克风也把这些声音收进去了。如果不做消除，语音识别就会听到「导航语音+你的指令」的混合体，结果可想而知。
AEC的核心原理是自适应滤波。大致流程是：
- 参考信号提取：从音频播放通道拿到正在播的信号
- 自适应滤波器：模拟声音从扬声器到麦克风的传输路径
- 相减操作：从麦克风采集信号中减去估计的回声分量
- 双讲检测：判断是只有回声，还是人也在说话
代码层面，AEC通常跑在DSP或ARM的Cortex-M核上。一个简化的处理流程如下：
// 伪代码：AEC核心循环
while (1) {
ref_buf = get_playback_buffer(); // 获取参考信号
mic_buf = get_mic_buffer(); // 获取麦克风信号
// 双讲检测
dt_state = double_talk_detect(ref_buf, mic_buf);
if (dt_state == ECHO_ONLY) {
// 只有回声，正常更新滤波器
adapt_filter(ref_buf, mic_buf);
echo_est = apply_filter(ref_buf);
output = mic_buf - echo_est;
} else if (dt_state == DOUBLE_TALK) {
// 人在说话，冻结滤波器系数
echo_est = apply_filter(ref_buf); // 用旧系数
output = mic_buf - echo_est;
}
send_to_voice_engine(output);
}
嗯，这里要注意：滤波器长度要跟车内混响时间匹配。一般车内混响时间在50-150ms，采样率16kHz的话，滤波器阶数大概在800-2400阶。太短消不干净，太长算力扛不住。
3.3 AGC（自动增益控制）：让大声小声都能听清
AGC的作用是：不管说话人离麦克风远还是近，输出音量都保持在一个稳定范围。
车载场景下，主驾离麦克风可能只有30cm，后排乘客可能有1.5米。如果不做AGC，后排说话的声音会比主驾小6-10dB，识别率直接崩。
AGC的实现策略一般分两种：
- 模拟AGC：在ADC之前调整前置放大器增益。好处是动态范围大，坏处是硬件成本高。
- 数字AGC：在数字域做增益调整。灵活，但要注意噪声放大问题。
AGC的典型参数：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 目标电平 | -26 dBFS | 语音信号峰值的目标幅度 |
| 攻击时间 | 5-10 ms | 信号变强时，增益下降的速度 |
| 释放时间 | 100-500 ms | 信号变弱时，增益恢复的速度 |
| 最大增益 | 20-30 dB | 防止噪声过度放大 |
攻击时间要短，这样突然的大声不会削波。释放时间要长，避免增益在说话间隙频繁跳变——你想想看，一句话里增益忽大忽小，听着多难受。
3.4 降噪算法：把信号从噪声里捞出来
车载噪声种类多、变化快。有稳态的（发动机怠速、空调风声），也有非稳态的（转向灯滴答声、雨刮器声、路噪）。
常用的降噪方法有：
- 谱减法：估计噪声谱，从信号谱中减去。简单，但容易产生「音乐噪声」。
- 维纳滤波：基于统计模型，效果比谱减法好，但计算量大。
- 子空间法：把信号分解到噪声子空间和语音子空间，保留语音部分。适合低信噪比场景。
- 深度学习降噪：用DNN/RNN做端到端降噪。效果好，但需要NPU或GPU支持。
降噪算法的一个关键指标是降噪量和语音失真的平衡。降噪太狠，语音会变得「闷」或者「有金属感」。我见过一个方案，降噪量做到20dB，但语音听起来像机器人，车主投诉说「你们这车机是不是坏了」。
所以，我的经验是：降噪量控制在10-15dB就够了。剩下的交给语音识别模型的鲁棒性去处理。别想着一步到位把噪声全干掉，那不现实。
3.5 整体处理链路
把上面这些串起来，一个完整的音频预处理链路是这样的：
- 麦克风阵列采集多通道音频
- 波束成型（Beamforming）：指向说话人方向
- AEC：消除播放回声
- 降噪：去除环境噪声
- AGC：统一音量
- 输出给语音唤醒和识别引擎
这个链路的顺序不能乱。比如，如果先做AGC再做降噪，AGC会把噪声也放大，降噪压力就大了。如果先做降噪再做AEC，AEC的参考信号和麦克风信号之间的相关性会被破坏，回声消除效果大打折扣。
好了，这一章的内容就到这。音频预处理是车载语音系统的地基，地基不稳，上层建筑再漂亮也白搭。下一章咱们聊语音唤醒——怎么让车在嘈杂环境中准确喊出「你好，XX」。