從諾基亞到iPhone X，手機在這些年產(chǎn)生了天翻地覆的變化。按鍵消失了、邊框消失了、連耳機孔都消失了，屏幕越來越大、攝像頭也越來越清晰……

不過人們很難感知到的一點變化是，通話中的噪聲變得越來越小了。在機場、火車站一類地方嘈雜的背景音中，清晰地聽到彼此的聲音并不是一件容易的事，麥克風會把環(huán)境音一起收集起來，接聽時會受到巨大的干擾。

為了解決這個問題，手機廠商做出了很大努力。目前主流的解決方案是雙麥克風，一個放在靠近嘴巴的地方收集人聲，一個放在頂端或背部收集環(huán)境音，再通過算法將人聲從背景音中剝離出來，傳送到手機的另一端。

但雙麥克風+算法真的是主動降噪最好的選擇嗎？

兩個麥克風，仍然解決不了一個老問題

顯然不是這樣的。

首先雙麥克風降噪本身就有一定的局限性，因為算法要在手機終端運行，所以規(guī)模不能太大，實現(xiàn)效果也相對有限。具體表現(xiàn)為，有時用戶不再說話時，靠近嘴部的麥克風收集的其實還是環(huán)境噪音，對于人聲剝離的計算會產(chǎn)生一種斷斷續(xù)續(xù)的狀況。而且當用戶使用藍牙耳機或有線耳機通話時，手機端的雙麥克風降噪算法往往又會失效。

同時雙麥克風在工業(yè)設(shè)計上也會造成很多阻礙。兩個麥克風會讓聲學音頻路徑的設(shè)計更加復雜，在ODM和OEM角度都會增加生產(chǎn)設(shè)計成本。尤其在如今手機越來越追求屏占比和輕巧的今天，元件自然是越少越好。

而且在一些使用場合中，用來收集人聲的麥克風不一定會被放在人們的嘴邊。例如在錄音，或者應(yīng)用一些App上的對講機功能時，人習慣將手機放置在桌子上，或者拿在舉例嘴略遠地方。這時兩個麥克風很難接收到不同的聲音，讓算法起不到作用。

如果腦洞開的再大一點，未來我們的手機不一定還是如今的平板形狀。也許是能卷起來的曲面屏手機，也許是眼鏡形態(tài)，未來通話的交互方式，也不一定是將手機的一部分放在嘴邊收聲。

總之，這種雙麥克風降噪模式絕不是主動降噪最終的解決方案。

并不新鮮的DNN降噪，怎樣才能落實應(yīng)用？

其實早在2015年，中國科技大學語音與語言信息處理國家工程實驗室就創(chuàng)作了關(guān)于通過深度神經(jīng)網(wǎng)絡(luò)+單麥克風實現(xiàn)主動降噪的論文。具體實現(xiàn)方式是，建立含有噪聲+人聲和純凈人聲的數(shù)據(jù)集，以深度神經(jīng)網(wǎng)絡(luò)為架構(gòu)訓練出分離噪聲和人聲的“語音增強回歸”算法。

在初步試驗后，這種算法的結(jié)果還不錯。從訓練成本來看，即使用人工合成的數(shù)據(jù)，算法結(jié)果仍然表現(xiàn)優(yōu)秀。也就是說算法的應(yīng)用者不需要面對到現(xiàn)實世界收集數(shù)據(jù)，可能會侵犯隱私的難題。從應(yīng)用上來說，這一算法的降噪能力并不比雙麥克模式差，甚至還能克服雙麥克風克服不不了的間斷噪聲問題，有時候人們在走路或跑動時接電話會形成偶爾出現(xiàn)的間斷噪聲，以往的雙麥克風模式很難捕捉到這種噪聲，但語音增強回歸算法就能將人聲從中剝離開來。

不過這種算法在這幾年間都沒有得到很好的應(yīng)用，原因很簡單，深度神經(jīng)網(wǎng)絡(luò)模型往往體量較大，很難實現(xiàn)在終端上運行，如果在云端運行，又難免會因為延遲狀況不能在實時通話中應(yīng)用，要知道人類對于交談時延遲的忍耐最多只有200毫秒?？梢怯迷谡Z音的后期處理上，好像也并沒有什么意義，只要換個收聲好一點的話筒就能解決問題，還能保證音質(zhì)還原。

不過隨著這兩年以來終端算力的增長，以及對AI算法的不斷優(yōu)化，在終端部署這類模型已經(jīng)逐漸成為可能。例如一些藍牙耳機已經(jīng)部署上了可以在本地運行的RNNoise算法，通過簡單的運算來分離單一收音來源的噪聲。

除了手機，AI降噪還有更廣闊的舞臺

這種本地AI降噪技術(shù)的應(yīng)用舞臺，不僅僅在手機一種產(chǎn)品上。除了手機通話之外，我們其實無處不受通話噪音的干擾，尤其當語音交互應(yīng)用的越來也多時，這些問題也越來越嚴重。

比如在游戲直播時，主播的聲音可能會被外放的游戲聲音干擾，必須高價購買專用聲卡和麥克風才能和粉絲暢快的溝通。又比如車載場景下的語音交互，又有可能被駕車時嘈雜的背景音和導航的聲音干擾，最后逼得一些車聯(lián)網(wǎng)方案將麥克風陣列裝置在了方向盤上。以及這幾年很流行的智能音箱，為了防止家庭環(huán)境中的噪音干擾，需要在麥克風陣列上增加很多成本，像是蘋果的HomePod就足足安裝了6個麥克風陣列……

但這一切都在被語音增強回歸算法和終端計算所改變。

就像最近，一家名為Krisp的創(chuàng)業(yè)企業(yè)集合了相關(guān)算法推出了一款應(yīng)用于PC端的軟件，利用PC端本地算力來運行模型，降低PC端收音的噪音。不需要昂貴的聲卡和外置麥克風，和Skype等等軟件也不會產(chǎn)生沖突。同時Krisp還計劃推出針對于游戲的定制版本，專門應(yīng)對游戲語音、游戲直播時被游戲背景音樂困難的問題。

目前這款軟件在英偉達的GPU、英特爾的CPU/GNA和ARM的芯片上都能運行，和高通的合作也在洽談之中。也就是說如今的PC版本只是開始，未來只要能應(yīng)用這些芯片的終端，都可以應(yīng)用上Krisp的軟件，實現(xiàn)在終端的實時主動噪音抑制。

算法路徑逐漸清晰，軟件市場會迎來下一個爆發(fā)期嗎？

因此Krisp也展示出了充分的市場前景，受到了資本的青睞，在首輪融資中就融到了150萬美元。Krisp的出現(xiàn)也帶出了一個問題：隨著終端算力的提升和小規(guī)模AI算法的發(fā)展，這種軟件替代硬件的模式是否會迎來上一個商業(yè)上的小爆發(fā)？

在終端功能的實現(xiàn)上，永遠都有算法和硬件兩條路。降噪可以用雙麥克風解決，也可以用AI算法解決；拍照效果可以用雙攝提升，也可以用單目攝像頭+算法來提升；電量不足可以增大電池容量，也可以用資源調(diào)度算法解決……

雖然以往我們都是通過硬件上的研發(fā)來解決，但這其中也存在不小的問題：硬件的頻繁更新會給廠商帶來巨大的生產(chǎn)和研發(fā)成本，這些成本轉(zhuǎn)嫁到消費者身上時，會導致高端和低端機型在硬件上差距太大，其實還會給開發(fā)者帶來負擔。而且現(xiàn)在硬件追求輕薄小巧，更加大了硬件創(chuàng)新的難度。

但今天我們有了用算法解決問題的條件，事情就會產(chǎn)生很多變化。

首先很多原本在貴價產(chǎn)品上才有的功能，會出現(xiàn)“平價替代”方案。例如此前iPhone X用3D結(jié)構(gòu)光實現(xiàn)的Animoji，如今在快手一類的產(chǎn)品上也可以用AI算法實現(xiàn)類似功能。

同時算法的更新迭代比硬件更加敏捷高效，用戶體驗可以得到極大的提升。一些創(chuàng)新功能可以更快速的來到用戶面前并得到反饋。

最后，終端產(chǎn)品在研發(fā)成本和產(chǎn)品形態(tài)上都有了更廣闊的想象空間。尤其是未來5G應(yīng)用后，算法模型也許也不再需要拘泥于終端算力，或許會徹底改變我們使用終端產(chǎn)品的方式。

如此看來，或許幾年之后軟件市場會迎來自移動應(yīng)用之后的又一次發(fā)展機會，起跑線已經(jīng)劃好，就待哨聲吹響了。

【來源：鈦媒體                 作者：腦極體】