視覺中國供圖

◎本報記者都芃

如今，用語音操控智能車機、一句話喚醒智能家電、手機智能助手隨叫隨到等場景屢見不鮮。憑借便捷、自然的體驗，語音交互正深刻改變著智能時代的生產(chǎn)生活方式。而回聲消除作為語音交互的核心技術(shù)之一，其技術(shù)水平直接影響著人們的語音交互體驗。

不久前，國家知識產(chǎn)權(quán)局公布了第二十五屆中國專利金獎項目名單，科大訊飛股份有限公司憑借“基于時延估計的回聲消除方法及裝置”專利成功入選。該專利技術(shù)顯著提升了語音系統(tǒng)中的回聲消除效果，極大改善了語音系統(tǒng)的實際應(yīng)用體驗。

抓住時延這個關(guān)鍵“鑰匙”

提到回聲，很多人會想到在山中對著山谷呼喊，隨后傳來陣陣回聲的場景。這是聲音傳播受阻反射形成的現(xiàn)象。但在語音系統(tǒng)里，回聲更多是由麥克風(fēng)和揚聲器耦合導(dǎo)致的。科大訊飛相關(guān)技術(shù)負(fù)責(zé)人張科舉例說：“比如進(jìn)行視頻會議時，揚聲器播放對方聲音，如果不進(jìn)行回聲消除，對方聲音會被我方麥克風(fēng)接收并傳回對方，使其聽到自己說話的回聲。”

要消除回聲，系統(tǒng)得先識別出回聲。張科表示，理想情況下可將揚聲器播放前的信號作為基礎(chǔ)來抵消回聲，但實際情況復(fù)雜得多，參考信號與麥克風(fēng)信號存在時延，所以準(zhǔn)確估計時延、矯正對齊信號很關(guān)鍵，這就是基于時延估計的回聲消除方法。

該方法的核心是，麥克風(fēng)收錄聲音時，系統(tǒng)先通過時延估計算法算出揚聲器聲音到麥克風(fēng)的傳輸時間差，再據(jù)此構(gòu)建動態(tài)濾波器，從混合信號中精準(zhǔn)剝離揚聲器回聲，最終留下純凈的用戶語音。

例如用語音控制智能機頂盒時，要避免電視聲音回傳導(dǎo)致誤操作。消除回聲時，可將機頂盒輸出給電視的音視頻源信號作為參考信號，計算其與麥克風(fēng)信號的時延，進(jìn)而消除回聲，得到純凈的語音控制聲音。

實現(xiàn)時延估計又快又準(zhǔn)

準(zhǔn)確計算時延參數(shù)并非易事。在真實語音交互環(huán)境中，基于時延估計進(jìn)行回聲消除面臨三大問題。一是設(shè)備振動使信號變形，加上交互時的目標(biāo)人聲，影響時延估計準(zhǔn)確率。二是揚聲器與麥克風(fēng)之間的時延受設(shè)備采樣率、音效變聲、網(wǎng)速變化等多種因素影響，動態(tài)估計時延是一大挑戰(zhàn)。此外，時延估計要及時準(zhǔn)確，否則會導(dǎo)致回聲消除不干凈，系統(tǒng)出現(xiàn)嘯叫、自說自話等現(xiàn)象。

針對這些挑戰(zhàn)，科大訊飛研發(fā)團(tuán)隊在該專利研發(fā)中有三大創(chuàng)新。針對設(shè)備振動引起信號變形和目標(biāo)人聲疊加難題，團(tuán)隊首創(chuàng)基于相似度的異常頻點檢測技術(shù)，能在聲音信號中準(zhǔn)確排除變形信號和說話人語音的異常時頻點，精準(zhǔn)過濾回聲。

由于時延會動態(tài)變化，團(tuán)隊首創(chuàng)統(tǒng)計與瞬時結(jié)合的動態(tài)時延估計技術(shù)，引入瞬時信息決策，解決時延多變問題。應(yīng)用該技術(shù)后，時延估計準(zhǔn)確率從60%大幅提升至98%。

張科稱，用統(tǒng)計與瞬時結(jié)合的方法進(jìn)行時延估計仍有不準(zhǔn)確問題。團(tuán)隊分析發(fā)現(xiàn)，要提升準(zhǔn)確率，需先篩選統(tǒng)計量，得到準(zhǔn)確的瞬時候選位置，再與統(tǒng)計量結(jié)合，難點是平衡速度和準(zhǔn)確性。“速度快了可能不準(zhǔn)確。”張科介紹，團(tuán)隊經(jīng)大量實驗改進(jìn)方法，靈活選更短窗長，復(fù)用歷史濾波器系數(shù)，大幅提高濾波器更新及時性，使延遲確認(rèn)時間從40毫秒降至10毫秒。

廣泛應(yīng)用于多樣場景

該專利技術(shù)通用性良好，不僅用于回聲消除，還廣泛用于多類語音場景。比如可為手機、汽車、家電等多麥克風(fēng)智能硬件語音降噪；在工業(yè)生產(chǎn)、智能制造等噪聲多樣場景中，可快速追蹤與識別噪聲；還能用于醫(yī)療領(lǐng)域，幫助聽力輔助設(shè)備抑制嘯叫。

張科介紹，目前該技術(shù)已深度融入科大訊飛智能終端產(chǎn)品矩陣，在消費級產(chǎn)品中廣泛應(yīng)用。像訊飛翻譯機、訊飛錄音筆等都運用了相關(guān)技術(shù)。

下一步，團(tuán)隊打算將該技術(shù)與深度學(xué)習(xí)結(jié)合，開展基于數(shù)據(jù)驅(qū)動的模型訓(xùn)練，更快更準(zhǔn)確地估計時延，進(jìn)一步提升回聲消除效果和降噪能力，以適應(yīng)更多不同硬件及應(yīng)用場景。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com