麦克风处理的现代数字方法

当然，麦克风在许多音频应用中已经使用了几十年。最近，它们在消费和汽车产品中占据了新的位置，其使用量以每年 17% 以上的速度增长。先进的消费应用范围从汽车中的噪音消除到驯服风噪声的相机，再到“永远在线”物联网设备的监听功能。

麦克风现在需要超越“电话”功能到“机器学习”应用程序——聆听和理解他们所听到的内容的设备。 例如，基于音频的安全系统不能只检测“声音”，它需要知道打破玻璃和过往汽车之间的区别。为了使这些系统以最佳状态运行，音频信号必须尽可能好，具有适当的信号电平，没有噪声和伪影。

尽管它们无处不在，但麦克风通常是信号链中最薄弱的环节。通常，这些是 MEMS 麦克风，需要特定的工程和处理才能达到预期的效果。它们通常较差的信噪比 (SNR) 特性意味着信号电平可能会根据它们与说话人的接近程度而有很大差异（近场与远场）。信号质量受风噪声和其他环境“背景”声音的影响，即使是人类也很难理解，更不用说设备了。此外，信号完整性受到产品物理特性的影响——麦克风的位置和外壳的声学特性。

其中一些问题可以通过使用多个麦克风来解决。使用 2、4、8 甚至更多的阵列，允许设备使用输入之间的差异来获得“最佳”信号。但是多个麦克风也会带来增益不匹配、需要适当混音等问题。幸运的是，这些问题中的许多问题都可以通过处理这些信号来解决。

表 1：常见的麦克风问题及其算法解决方案。

例如，可以实现 AGC，以便放大软信号并抑制响亮的信号。该过程可能涉及各种算法组件，包括最终信号的滤波、延迟线、选择性增益提升、压缩、限制和整体平滑。在下面的示例中，需要十几个单独的块，这只是为了向下一个 过程提供一个良好的信号，无论是检测碎玻璃的算法还是将其发送到云端进行文本分析。

图 1：Audio Weaver AGC 实现。

虽然其中大部分可以基于“应该”听起来不错的测量和频率图，但最终 AGC 系统的调谐需要通过耳朵进行最终调整，以确保这种信号处理的结果实际上是有效的。

然而，虽然算法开发本身已经足够困难，但在实际实现和集成到产品中时往往会出现重大困难。我是否选择了最好的处理器？有没有更便宜的选择？我确定音频处理是否正确实施？

使这些问题更加复杂的是，设计这些系统通常需要音频算法程序员、可以在硬件中实现该过程的嵌入式系统设计人员和可以“调整”系统的音频工程师（“金耳朵”）开发人员的罕见交集，做出必要的心理声学决定，以使整个事情听起来不错。

有许多可用的工具可以极大地帮助整个设计过程。一个例子是基于 PC 的音频系统开发平台，称为 Audio Weaver。 

图 2：Audio Weaver 模板。

该工具支持从输入到输出的整个音频信号路径的软件开发，适用于嵌入式音频应用，包括汽车、消费类和专业音频设备。设计时对音频系统如何以及为什么运作良好有丰富的理解，它简化并增强了整个音频系统研发过程——从产品概念到部署和持续维护。

Audio Weaver 具有直观的拖放式图形设计环境和基于信号流的用户界面，将多个学科联合起来：音频设计师、音频算法设计师和嵌入式系统工程师。设计人员可以使用 400 多个优化的音频模块并将他们自己的 IP 合并到布局中，另外还可以创建便于设计和重用的可视化自我文档。此外，该平台允许各个工程团队同时进行开发，从而支持提高生产力。