872
作者：Gunar Lorenz博士 英飛凌科技技術(shù)市場高級總監(jiān)
校對：丁越 英飛凌科技消費(fèi)、計(jì)算與通訊業(yè)務(wù)大中華區(qū) 首席工程師
導(dǎo)言
在英飛凌，我們一直堅(jiān)信卓越的音頻解決方案對于提升消費(fèi)類設(shè)備的用戶體驗(yàn)至關(guān)重要。我們堅(jiān)定不移地致力于創(chuàng)新，在主動(dòng)降噪、語音透傳、錄音室錄音、音頻變焦和其他相關(guān)技術(shù)方面取得了顯著進(jìn)步，對此我們深感自豪。作為MEMS麥克風(fēng)的領(lǐng)先供應(yīng)商，英飛凌集中資源改善MEMS麥克風(fēng)的音頻質(zhì)量，為TWS和耳罩式耳機(jī)、筆記本電腦、平板電腦、會(huì)議系統(tǒng)、智能手機(jī)、智能音箱、助聽器甚至汽車等各種消費(fèi)設(shè)備帶來卓越體驗(yàn)。
今天，我們生活在一個(gè)激動(dòng)人心的時(shí)代，人工智能正在徹底改變?nèi)粘Ｉ?，?a class="article-link" target="_blank" href="/tag/ChatGPT/">ChatGPT等工具正在通過直觀的文本和語音交互重新定義工作效率。隨著人工智能系統(tǒng)的不斷進(jìn)步，傳統(tǒng)的商業(yè)模式、信仰和假設(shè)正在受到挑戰(zhàn)。語音在新興的人工智能生態(tài)系統(tǒng)中扮演什么角色？作為企業(yè)領(lǐng)導(dǎo)者，我們是否需要重新思考我們的信念？ 生成式人工智能的興起是否會(huì)降低高質(zhì)量語音輸入的重要性，或者高質(zhì)量語音輸入是否會(huì)成為廣泛采用人工智能服務(wù)和個(gè)人助理的必要條件？
人工智能，從得力助手到最好的朋友
人類不僅會(huì)根據(jù)問題的內(nèi)容，也會(huì)根據(jù)提問的形式調(diào)整自己的回答，這是很自然的事情。人類的聲音提供了各種線索，可用來判斷提問者的年齡、性別、社會(huì)和文化背景以及情緒狀態(tài)。此外，識別所處的環(huán)境（如機(jī)場、辦公室、交通或跑步等體育活動(dòng)）也有助于確定提問者的意圖，并相應(yīng)地調(diào)整答案并更好的對話。
盡管人工智能的能力有了長足的進(jìn)步，但人們?nèi)匀徽J(rèn)為，基于人工智能的輔助工具缺乏正確預(yù)測人類提問意圖或特定信息將如何被解讀的能力。為了改善人機(jī)交互，人工智能在做出修辭選擇時(shí)應(yīng)考慮三個(gè)關(guān)鍵因素：對聽者的了解、聽者的情緒狀態(tài)和環(huán)境背景。
在許多情況下，僅憑接收到的音頻信號就足以提取有用的信息并做出適當(dāng)?shù)姆磻?yīng)。例如，考慮一下與素未謀面的人進(jìn)行電話或音頻會(huì)議的情況。更重要的是，考慮一下在沒有機(jī)會(huì)當(dāng)面交流的情況下，一個(gè)人在反復(fù)交談后對另一個(gè)人的感知是如何發(fā)展和變化的。
最近的研究表明，即使人工智能的語言反應(yīng)風(fēng)格發(fā)生微小的變化，也會(huì)導(dǎo)致人工智能的社交能力和個(gè)性發(fā)生明顯變化。我們有理由假設(shè)，在適當(dāng)?shù)穆曇糨斎胨较?，未來的人工智能系統(tǒng)將能夠作為有效的伙伴發(fā)揮作用，表現(xiàn)出人類朋友的行為，例如詢問并真正傾聽答案，或者只是傾聽并在適當(dāng)?shù)臅r(shí)候保留判斷。
人類如何體驗(yàn)音頻信號？
與任何語言交流一樣，音頻信息也使用語言和文字來傳達(dá)思想、情感和觀點(diǎn)。此外，音調(diào)、速度、音量和背景噪音等其他交流元素也會(huì)影響對信息的整體感知。
從科學(xué)的角度來看，人耳基于兩個(gè)關(guān)鍵因素來感知音頻信號：頻率和聲壓級。聲壓級（SPL）以分貝（dBSPL）為單位，表示圍繞環(huán)境大氣壓振蕩的聲壓幅度。100dBSPL的聲壓級相當(dāng)于割草機(jī)或直升機(jī)發(fā)出的巨大噪音。聲壓級范圍內(nèi)的最低點(diǎn)（0dB）等效于20μPa的聲壓振蕩，這代表具有最佳聽力的健康年輕人在1kHz頻率下的聽力閾值。所有與語言有關(guān)的人類聲音都屬于100Hz至8kHz的頻段。根據(jù)ISO 226:2023 標(biāo)準(zhǔn)，相應(yīng)的人類聽力閾值如圖1所示。
圖1:聽力閾值：根據(jù)ISO 226:2023，人在重復(fù)試驗(yàn)中做出 50%正確檢測反應(yīng)的聲級
如圖1所示人耳對 500Hz至6kHz 范圍內(nèi)的頻率特別敏感。這些頻率上的任何頻率平衡問題都會(huì)對聲音和樂器的感知質(zhì)量產(chǎn)生重大影響。500Hz至4kHz 之間的頻率包含了人類語音中影響語音清晰度的大部分信息。具體來說，2 kHz 左右的頻率尤為重要。5kHz至10kHz 的頻率對音樂非常重要。這些頻率為聲音增添了 "活力 "和 "亮度"。然而，這些頻率包含的語音信息相對較少，只有咝聲，即 "zhi"、"chi"和 "shi"等詞開頭的嘶嘶聲。降低 6-8kHz左右的咝聲會(huì)對語音清晰度產(chǎn)生不利影響。
我們大多數(shù)人都知道，人類的聽力閾值會(huì)隨著年齡的增長而下降，如圖 2 所示。
圖 2: 該圖顯示了不同年齡段本體正常的男性在單聲道耳機(jī)聆聽條件下的聽閾衰減情況。請注意，女性也有類似的圖表，其聽力衰減程度隨年齡增長而略有降低（ISO7029:2017）
值得注意的是，即使是輕度聽力損失（大多數(shù)人的聽力損失發(fā)生在40至50歲之間）也會(huì)對個(gè)人生活產(chǎn)生重大影響。例如，患有輕度聽力損失的人在嘈雜的環(huán)境中跟不上集體談話可能會(huì)遇到困難。此外，他們還可能錯(cuò)過重要的聽覺提示，如警告信號或警報(bào)。
目前的音頻硬件是否足以滿足未來人工智能的需要？
既然我們已經(jīng)對人類如何感知音頻信號有了更好的了解，那么讓我們重新審視一下最初的問題，即當(dāng)前和未來的人工智能需要什么樣的音頻輸入質(zhì)量，才能達(dá)到與人類無異的水平。
目前市場上的大多數(shù)消費(fèi)類設(shè)備都使用MEMS麥克風(fēng)記錄音頻信號。MEMS 麥克風(fēng)是人工智能個(gè)人助理的主要音頻捕捉技術(shù)，使用人工智能助理技術(shù)的設(shè)備目前已開始在市場上銷售。
MEMS 麥克風(fēng)的錄音質(zhì)量取決于其動(dòng)態(tài)范圍（dynamic range）。動(dòng)態(tài)范圍的上限由聲學(xué)過載點(diǎn) (AOP) 確定，它定義了麥克風(fēng)在高聲壓級時(shí)的失真性能。麥克風(fēng)的自噪聲確定了其動(dòng)態(tài)范圍的下限。衡量麥克風(fēng)自噪聲的方法是信噪比(SNR)，它定義了麥克風(fēng)的自噪聲與其捕獲的信號(靈敏度)之間的比率。不過，就我們的討論而言，信噪比有些不合適，因?yàn)樾旁氡鹊淖栽肼暿褂昧薃計(jì)權(quán)（A-weighting），而A計(jì)權(quán)其實(shí)是基于人類感知音頻信號的能力來定義的。
如果音頻信號的預(yù)期接收者是人工智能，則相關(guān)的麥克風(fēng)的等效噪聲級ENL（equivalent noise level）是衡量性能的更合適參數(shù)，因?yàn)樗雎粤虽浿坡曇舻娜祟惛兄蛩?。等效噪聲級ENL指的是在沒有外部聲源的情況下麥克風(fēng)產(chǎn)生的信號。等效噪聲級ENL以分貝（dBSPL）為單位，表示與麥克風(fēng)自噪聲相同電壓的聲壓級。
值得注意的是，無論后期采用何種聲音處理方法，低于等效噪聲級ENL的任何聲音信息基本上都會(huì)丟失，無法恢復(fù)。因此，如果音頻鏈路中沒有其他元件在信號到達(dá)人工智能算法之前引入噪音，麥克風(fēng)ENL就可以被視為人工智能算法的聽覺閾值。應(yīng)該注意的是，這是一個(gè)高度簡化的假設(shè)，因?yàn)橐纛l鏈中通常還有許多其他組件，包括聲道、防水保護(hù)膜和音頻處理鏈路。
請參考圖 3兩種MEMS麥克風(fēng)等效噪聲級ENL曲線與人類聽力閾值的直觀對比。
圖 3:中端和高端MEMS麥克風(fēng)的1/3倍頻程等效噪聲級ENL與典型男性聽力閾值的比較
紅色線條的是信噪比為65dB(A)的麥克風(fēng)的等效噪聲級ENL曲線，麥克風(fēng)集成了防塵設(shè)計(jì)。相應(yīng)的MEMS麥克風(fēng)目前已用于多家供應(yīng)商生產(chǎn)的多款高端智能手機(jī)中。
下面的紫色線條表示英飛凌最新高端數(shù)字麥克風(fēng)的等效噪聲級ENL曲線，該麥克風(fēng)具有創(chuàng)新的防護(hù)設(shè)計(jì)，可實(shí)現(xiàn)防塵防水效果。這款麥克風(fēng)代表了當(dāng)前的技術(shù)水平，今年才在高端平板電腦上發(fā)布。我們預(yù)計(jì)，到今年年底，性能相當(dāng)?shù)柠溈孙L(fēng)將出現(xiàn)在高端智能手機(jī)上。值得注意的是，將麥克風(fēng)的自噪聲降低 5-10dB是一項(xiàng)重大成就，特別是考慮到聲壓是使用對數(shù)刻度來表示的。
雖然英飛凌在降低高端MEMS麥克風(fēng)的自噪聲方面取得了顯著進(jìn)展，但與人耳相比，麥克風(fēng)在辨別低聲壓級的能力方面仍有很大差距。尤其是2kHz附近，對于確保人類聽眾獲得高水平的聲音清晰度至關(guān)重要。年輕人的聽覺能力與英飛凌最先進(jìn)的麥克風(fēng)之間的差距超過12dBSPL。與目前高端手機(jī)中使用的麥克風(fēng)相比，差距明顯更大，達(dá)到17dBSPL。需要再次指出的是，這一評估僅考慮了MEMS麥克風(fēng)的自噪聲，并未考慮音頻鏈中會(huì)進(jìn)一步降低整體性能的額外噪聲源。
目前MEMS麥克風(fēng)技術(shù)的局限性在包含大部分人類語音信息的頻率范圍（500Hz - 4kHz）內(nèi)最為明顯。即使是市場上最先進(jìn)的MEMS麥克風(fēng)，其聲音理解能力也只能達(dá)到60歲老人的水平。根據(jù)現(xiàn)有數(shù)據(jù)，可以合理地預(yù)計(jì)，使用最新MEMS麥克風(fēng)技術(shù)的人工智能虛擬助手將出現(xiàn)與老年人類似的聽力障礙，特別是在需要在嘈雜環(huán)境中或遠(yuǎn)距離跟讀對話的情況下。
總結(jié)與展望
人工智能的飛速發(fā)展不僅不會(huì)減緩，反而會(huì)加速M(fèi)EMS麥克風(fēng)向更高信噪比發(fā)展的趨勢。雖然最新的MEMS麥克風(fēng)還無法與人耳的音頻質(zhì)量相媲美，但英飛凌在降低麥克風(fēng)自噪聲方面取得的進(jìn)展有利于現(xiàn)有和未來的人工智能。進(jìn)一步改進(jìn)音頻鏈路將是增強(qiáng)人工智能能力的關(guān)鍵，例如周圍環(huán)境分辨、語境理解、情感意識、說話者識別和多人對話記錄。有了更好的音頻輸入，人工智能與人類的互動(dòng)方式將能與人類之間的互動(dòng)相匹配，甚至不相上下。
此外，人機(jī)交互水平的提高將促成新的基于人工智能的用例和服務(wù)。例如，想象一下未來的微軟Copilot，它不僅能總結(jié)團(tuán)隊(duì)會(huì)議內(nèi)容，還能提供對交談氛圍的整體評估。未來的人工智能輔助功能或許可以基于人類的語音和音頻，突出顯示重點(diǎn)或按照重要性進(jìn)行排序。此外，還可以添加輔導(dǎo)功能，為用戶提供有用的建議，幫助他們更好地將未來的對話引向所需的方向。
試想一下，人工智能可以對新的求職者進(jìn)行第一輪面試，或者僅憑音頻就能識別說話者，其安全級別足以滿足網(wǎng)上購物的需要。
所有這些可能只是未來人工智能的一小部分，未來人工智能的聽力能力將達(dá)到或超過人類。憑借我們的增強(qiáng)型 MEMS麥克風(fēng)解決方案，英飛凌很榮幸能夠參與這一激動(dòng)人心的旅程。
