第二章：语音信号处理基础
各位同学，今天我们来聊聊语音信号处理的基础。这部分内容，说白了就是车载语音系统的“耳朵”和“听力”。你想想看，如果麦克风连声音都收不清楚，后面的语义理解再强也是白搭。
我个人习惯把语音信号处理分成三个核心模块：麦克风阵列、降噪与回声消除、唤醒词检测。咱们一个一个来拆解。
2.1 麦克风阵列原理
为什么车载系统要用多个麦克风？一个不够吗？
嗯，还真不够。单个麦克风就像人用一只耳朵听声音，你很难判断声音从哪来，也容易受噪声干扰。麦克风阵列，说白了就是多个麦克风按特定几何位置排列，通过算法实现“波束成形”。
我在项目中遇到过最典型的场景：驾驶员在高速上开着窗，风噪特别大。单麦克风系统基本就废了，但四麦克风阵列可以通过波束成形，把拾音方向对准驾驶员嘴巴，大幅提升信噪比。
麦克风阵列的核心能力：
- 波束成形：增强目标方向声音，抑制其他方向
- 声源定位：判断声音来自哪个方位
- 空间滤波：利用空间位置差异分离声源
常见的阵列布局有线性阵列、环形阵列和L型阵列。车载场景下，我建议优先考虑环形或L型，因为车内空间复杂，需要覆盖多个座位。
| 阵列类型 | 优点 | 缺点 | 车载适用场景 |
|---|---|---|---|
| 线性阵列 | 结构简单，算法成熟 | 只能分辨一维方向 | 前排双麦克风 |
| 环形阵列 | 360°覆盖，定位精准 | 计算量大，成本高 | 顶棚中央安装 |
| L型阵列 | 兼顾水平和垂直方向 | 非对称，算法复杂 | 仪表盘两侧 |
2.2 降噪与回声消除
这部分是车载语音的“硬骨头”。车内噪声种类太多了：发动机轰鸣、轮胎摩擦、空调风声、雨刮器声音……还有最头疼的——回声。
回声消除的原理，说白了就是让系统“记住”自己播放了什么声音，然后从麦克风采集的信号里减掉它。但实际做起来远没那么简单。
避坑指南：
我曾经在一个项目中，回声消除算法在实验室跑得好好的，一上车就崩了。后来排查了两周才发现，是车载功放的非线性失真导致参考信号和实际播放信号对不上。所以，回声消除一定要考虑功放的非线性特性。
降噪方面，我常用的方法分三类：
- 谱减法：简单粗暴，但容易产生“音乐噪声”
- 维纳滤波：效果更好，但需要准确的噪声估计
- 深度学习降噪：目前最主流，但算力要求高
我个人习惯在车载场景下用混合方案：传统算法做实时处理，深度学习做辅助增强。这样既能保证低延迟，又能提升降噪效果。
小技巧：
降噪不是越强越好。过度降噪会损伤语音的细节，导致语义理解准确率下降。我一般会把降噪强度控制在6-12dB之间，具体要看车型的NVH水平。
2.3 唤醒词检测技术
唤醒词，就是那句“你好，XX”。它的核心挑战是：在低功耗下持续监听，同时保持高唤醒率和低误唤醒率。
你想想看，车机不可能一直全功率运行。所以唤醒词检测通常跑在DSP或NPU上，功耗控制在毫瓦级别。
唤醒词检测的技术路线，我总结为三代：
- 第一代：基于HMM/GMM的传统方法，准确率低，已基本淘汰
- 第二代：基于DNN/CNN的端到端模型，目前主流方案
- 第三代：基于Transformer的轻量化模型，正在兴起
我在项目中踩过最大的坑是“误唤醒”。有一次测试，车机在播放广播时频繁被唤醒，后来发现是广播里的某个广告词和唤醒词发音相似。解决方案是加入“声纹确认”环节，只有特定人的声音才能唤醒。
// 唤醒词检测的典型流程（伪代码）
while (true) {
audio_frame = mic_array.capture();
if (vad.detect(audio_frame)) { // 语音活动检测
feature = extract_mfcc(audio_frame);
score = wakeup_model.infer(feature);
if (score > threshold) {
if (voice_verify.match(audio_frame)) { // 声纹确认
trigger_wakeup();
}
}
}
}
这里要注意VAD（语音活动检测）的阈值设置。阈值设高了，容易漏唤醒；设低了，误唤醒又飙升。我一般会根据实车噪声水平动态调整阈值，比如高速时自动降低阈值，停车时提高阈值。
关键指标：
- 唤醒率：>95%（安静环境），>90%（高速环境）
- 误唤醒率：<1次/小时（正常使用）
- 响应延迟：<200ms（从说话到唤醒）
好了，这一章的内容就到这里。语音信号处理是车载语音系统的地基，地基不牢，上面盖再多功能也是白搭。下一章我们会讲语音识别技术，到时候再聊。