亞馬遜Echo和谷歌Home爭奇斗艷，除了云端服務(wù)，他們在硬件上到底有哪些差異？我們先將Echo和Home兩款音箱拆開來看，區(qū)別最大的還是麥克風(fēng)陣列技術(shù)。Amazon Echo采用的是環(huán)形6+1麥克風(fēng)陣列，而Google Home（包括Surface Studio）只采用了2麥克風(fēng)陣列。這里想稍微深入談?wù)匊溈孙L(fēng)陣列技術(shù)，以及智能語音交互設(shè)備到底應(yīng)該選用怎樣的方案。

　　什么是麥克風(fēng)陣列技術(shù)？

　　學(xué)術(shù)上有個概念是“傳聲器陣列”，主要由一定數(shù)目的聲學(xué)傳感器組成，用來對聲場的空間特性進(jìn)行采樣并處理的系統(tǒng)。而這篇文章講到的麥克風(fēng)陣列是其中一個狹義概念，特指應(yīng)用于語音處理的按一定規(guī)則排列的多個麥克風(fēng)系統(tǒng)，也可以簡單理解為2個以上麥克風(fēng)組成的錄音系統(tǒng)。

　　麥克風(fēng)陣列一般來說有線形、環(huán)形和球形之分，嚴(yán)謹(jǐn)?shù)膽?yīng)該說成一字、十字、平面、螺旋、球形及無規(guī)則陣列等。至于麥克風(fēng)陣列的陣元數(shù)量，也就是麥克風(fēng)數(shù)量，可以從2個到上千個不等。這樣說來，麥克風(fēng)陣列真的好復(fù)雜，別擔(dān)心，復(fù)雜的麥克風(fēng)陣列主要應(yīng)用于工業(yè)和國防領(lǐng)域，消費(fèi)領(lǐng)域考慮到成本會簡化很多。

　　為什么需要麥克風(fēng)陣列？

　　消費(fèi)級麥克風(fēng)陣列的興起得益于語音交互的市場火熱，主要解決遠(yuǎn)距離語音識別的問題，以保證真實場景下的語音識別率。這涉及了語音交互用戶場景的變化，當(dāng)用戶從手機(jī)切換到類似Echo智能音箱或者機(jī)器人的時候，實際上麥克風(fēng)面臨的環(huán)境就完全變了，這就如同兩個人竊竊私語和大聲嘶喊的區(qū)別。

　　前幾年，語音交互應(yīng)用最為普遍的就是以Siri為代表的智能手機(jī)，這個場景一般都是采用單麥克風(fēng)系統(tǒng)。單麥克風(fēng)系統(tǒng)可以在低噪聲、無混響、距離聲源很近的情況下獲得符合語音識別需求的聲音信號。但是，若聲源距離麥克風(fēng)距離較遠(yuǎn)，并且真實環(huán)境存在大量的噪聲、多徑反射和混響，導(dǎo)致拾取信號的質(zhì)量下降，這會嚴(yán)重影響語音識別率。而且，單麥克風(fēng)接收的信號，是由多個聲源和環(huán)境噪聲疊加的，很難實現(xiàn)各個聲源的分離。這樣就無法實現(xiàn)聲源定位和分離，這很重要，因為還有一類聲音的疊加并非噪聲，但是在語音識別中也要抑制，就是人聲的干擾，語音識別顯然不能同時識別兩個以上的聲音。

　　顯然，當(dāng)語音交互的場景過渡到以Echo、機(jī)器人或者汽車為主要場景的時候，單麥克風(fēng)的局限就凸顯出來。為了解決單麥克風(fēng)的這些局限性，利用麥克風(fēng)陣列進(jìn)行語音處理的方法應(yīng)時而生。麥克風(fēng)陣列由一組按一定幾何結(jié)構(gòu)（常用線形、環(huán)形）擺放的麥克風(fēng)組成，對采集的不同空間方向的聲音信號進(jìn)行空時處理，實現(xiàn)噪聲抑制、混響去除、人聲干擾抑制、聲源測向、聲源跟蹤、陣列增益等功能，進(jìn)而提高語音信號處理質(zhì)量，以提高真實環(huán)境下的語音識別率。