智能语音控制是怎么样的

今天我们来说说智能语音控制，可以想象一下我们使用小度小度、天猫精灵、Siri等带有语音控制的产品，我们呼唤她，她给我们反馈，我们告诉他们我们的需求，比如设置闹钟，比如开空调，紧接着这些设备就能完成设置并反馈给我们设置结果，看似简单的流程，其中其实也包含了很多技术，下面我们就一起来看看吧。

先来看一张架构图：

这张图表达了从设备端接收到语音开始一系列的处理后分析，最终完成我们的指令，我们一步一步来展开详细解释吧。

1、麦克风阵列

麦克风很好理解，用于拾音，也就是接收我们的声音，但是不同的是，我们在给智能音箱等设备下达指令的时候，我们可能在比较远的地方，这就要求智能音箱设备有更强大的拾音能力，因此用到了麦克风阵列。麦克风阵列就是多个麦克风按照一定的规则排序，例如四面八方都有麦克风的话，搭配相应的算法就可以解决很多房间声学问题。下面我们就看看都有哪些技术在为此工作。

2、设备端语音处理

我们继续来看语音的处理，在拾音完成后，设备要对语音进行处理，这些处理技术包括回声消除（Acoustic Echo Cancellaction, AEC）、噪音抑制（Noise Suppression，NS）、语音检测（Voice Activity Detection，VAD）、声源定位（Direction of Arrival estimation，DOA）、波束成型（Beamforming）和混响消除（Speech Dereverberation）等。

回声消除用于消除智能音箱在播放音乐时，外放的声音对麦克风采集声音的影响。回想一下，小度智能音箱播放着音乐，但是依然可以听到你的呼唤，就是利用了回声消除。
噪音抑制用于降低周围环境噪声的影响。
语音检测用于检测出声音的开始和结束，过滤掉非语音的声音。
声源定位是指确认声源的位置，在麦克风阵列中，一般是基于声音到达的时间差进行定位的，这有助于进行波束成型。
波束成型用于降噪，在声音处理中通过滤波算法，将声源方向的信号增强，将其他方向的声音，比如其他方向的噪声进行抑制，从而实现降噪。
混响消除通过算法将人声分离出来，为后续的语音唤醒和识别提供高质量的语音信号。

3、语音唤醒

语音唤醒是通过特定的唤醒词来唤醒音箱的，例如“小度小度”、“天猫精灵”和“Hi，Siri”。这样做最大的好处是，只有在唤醒的时候才开始监听声音，可以保护用户的隐私，同样可以简化语音识别的难度。回到上边的架构图，我们可以看到ASR语音识别是放在云端进行的，而唤醒需要放在设备端，这是因为语音识别和控制需要大量的算法，同样科技公司为了算法保密也不会部署在前端，前端只保留唤醒即可，这件事也很好验证，我们断开智能音箱的网络，这时候你可以唤醒音箱，但是无法后续的指令。