當然，麥克風在許多音頻應用中已經使用了幾十年。最近，它們在消費和汽車產品中占據了新的位置，其使用量以每年 17% 以上的速度增長。先進的消費應用范圍從汽車中的噪音消除到馴服風噪聲的相機，再到“永遠在線”物聯網設備的監聽功能。

麥克風現在需要超越“電話”功能到“機器學習”應用程序——聆聽和理解他們所聽到的內容的設備。 例如，基于音頻的安全系統不能只檢測“聲音”，它需要知道打破玻璃和過往汽車之間的區別。為了使這些系統以最佳狀態運行，音頻信號必須盡可能好，具有適當的信號電平，沒有噪聲和偽影。

盡管它們無處不在，但麥克風通常是信號鏈中最薄弱的環節。通常，這些是 MEMS 麥克風，需要特定的工程和處理才能達到預期的效果。它們通常較差的信噪比 (SNR) 特性意味著信號電平可能會根據它們與說話人的接近程度而有很大差異（近場與遠場）。信號質量受風噪聲和其他環境“背景”聲音的影響，即使是人類也很難理解，更不用說設備了。此外，信號完整性受到產品物理特性的影響——麥克風的位置和外殼的聲學特性。

其中一些問題可以通過使用多個麥克風來解決。使用 2、4、8 甚至更多的陣列，允許設備使用輸入之間的差異來獲得“最佳”信號。但是多個麥克風也會帶來增益不匹配、需要適當混音等問題。幸運的是，這些問題中的許多問題都可以通過處理這些信號來解決。

?

表 1：常見的麥克風問題及其算法解決方案。

例如，可以實現 AGC，以便放大軟信號并抑制響亮的信號。該過程可能涉及各種算法組件，包括最終信號的濾波、延遲線、選擇性增益提升、壓縮、限制和整體平滑。在下面的示例中，需要十幾個單獨的塊，這只是為了向下一個 過程提供一個良好的信號，無論是檢測碎玻璃的算法還是將其發送到云端進行文本分析。

圖 1：Audio Weaver AGC 實現。

雖然其中大部分可以基于“應該”聽起來不錯的測量和頻率圖，但最終 AGC 系統的調諧需要通過耳朵進行最終調整，以確保這種信號處理的結果實際上是有效的。

然而，雖然算法開發本身已經足夠困難，但在實際實現和集成到產品中時往往會出現重大困難。我是否選擇了最好的處理器？有沒有更便宜的選擇？我確定音頻處理是否正確實施？

使這些問題更加復雜的是，設計這些系統通常需要音頻算法程序員、可以在硬件中實現該過程的嵌入式系統設計人員和可以“調整”系統的音頻工程師（“金耳朵”）開發人員的罕見交集，做出必要的心理聲學決定，以使整個事情聽起來不錯。

有許多可用的工具可以極大地幫助整個設計過程。一個例子是基于 PC 的音頻系統開發平臺，稱為 Audio Weaver。?

圖 2：Audio Weaver 模板。

該工具支持從輸入到輸出的整個音頻信號路徑的軟件開發，適用于嵌入式音頻應用，包括汽車、消費類和專業音頻設備。設計時對音頻系統如何以及為什么運作良好有豐富的理解，它簡化并增強了整個音頻系統研發過程——從產品概念到部署和持續維護。

Audio Weaver 具有直觀的拖放式圖形設計環境和基于信號流的用戶界面，將多個學科聯合起來：音頻設計師、音頻算法設計師和嵌入式系統工程師。設計人員可以使用 400 多個優化的音頻模塊并將他們自己的 IP 合并到布局中，另外還可以創建便于設計和重用的可視化自我文檔。此外，該平臺允許各個工程團隊同時進行開發，從而支持提高生產力。

Audio Weaver 平臺支持在 ARM、Analog Devices、Freescale、Intel、NXP、TI、STMicro 等公司的 DSP 處理器、處理器內核和微控制器上進行嵌入式音頻開發。Audio Weaver 可免費下載，商業用途基于發貨單位版稅。您可以在www.dspconcepts.com找到更多信息。
?