双麦波束成形与神经网络降噪的互斥设计：嵌入式语音模块的架构权衡

在嵌入式免提通话设备中，提升语音清晰度通常有两种技术路径：多麦克风波束成形（Beamforming, BF）和单通道神经网络降噪（Neural Noise Suppression）。两者各有优势，但在资源受限的模块中，往往无法同时运行。A-29P 语音模块的公开文档明确指出：“在开启波束定向模式下，AI 降噪功能会关闭”。这一互斥设计并非偶然，而是反映了嵌入式语音处理中计算资源、算法延迟与声学原理之间的深层权衡。本文从技术角度分析两种方法的原理差异、互斥的根本原因，以及设计者在工程选型中应遵循的决策逻辑。

一、波束成形与神经网络降噪的工作原理对比

波束成形（BF） 利用两个或多个麦克风的空间位置差异，通过延时求和、广义旁瓣相消（GSC）或自适应滤波等方法，形成空间指向性。其核心假设是：目标声源位于特定方向（如正前方），干扰源位于其他方向。算法通过估计声波到达不同麦克风的相位差，增强来自目标方向的信号，抑制来自其他方向的信号。BF 对方向性噪声（如侧方谈话、空调出风口噪声）抑制效果显著，且不会引入非线性失真。但其性能依赖于阵列几何、麦克风一致性以及声源方向的先验知识。

神经网络降噪（NN） 采用单麦克风输入，通过时频掩蔽估计，保留符合人声模式的时频单元，抑制其余成分。其核心能力来自训练阶段学习到的人声统计特征，不依赖空间信息，因此可以处理全向噪声和非平稳瞬态噪声（如敲击、风声）。但 NN 对方向不敏感，无法区分同方向的干扰语音与环境噪声；同时，由于模型泛化能力的限制，在罕见声学场景下可能出现误抑制或语音畸变。

从声学处理角度看，BF 是空间滤波器，NN 是特征保留滤波器。两者解决的是不同类别的噪声问题，理论上可以串联使用（先 BF 抑制方向性噪声，再 NN 压制剩余非平稳噪声）。那么，为何 A-29P 选择了互斥设计？

二、互斥的根源：计算资源、延迟与实时性约束

嵌入式语音模块通常采用低功耗 DSP 或轻量级 NPU，其算力和内存带宽远低于云端服务器或高端移动 SoC。同时运行 BF 和 NN 面临三重挑战：

乘法累加（MAC）运算超载
BF 中的自适应算法（如 NLMS、GSC）需要实时更新滤波器系数，每采样点需多次乘加运算。NN 推理每帧（通常 10~20 ms）需要完成数百至数千次矩阵运算。两者叠加后，模块的工作电流（文档给出 28~35 mA）可能显著上升，甚至超出供电能力或热设计极限。

处理链延迟累加
BF 通常引入的延迟较短（数个采样点，~1 ms），但 NN 因需要加窗、FFT、逐帧推理、逆 FFT，会产生 5~20 ms 延迟。若串联使用，总延迟可能超过通话场景的可接受上限（通常 ITU-T 建议 <100 ms 单向，实际多数模块控制在 <50 ms）。对于全双工通话，过高的延迟会严重影响交互自然度。

实时调度冲突
BF 算法的运行周期与采样率同步（通常 8k/16k Hz，每 0.125~0.0625 ms 一次中断），而 NN 推理以帧为单位批量处理。两种不同时间粒度的任务在同一个 RTOS 或裸机循环中调度，容易导致优先级反转或缓冲区溢出，稳定性难以保证。

因此，模块设计者选择了功能互斥：用户根据场景选择 BF 或 NN 之一启用，而非同时运行。这是一种务实的工程妥协，而非技术能力的缺失。

三、设计者的决策框架：何时选用波束成形，何时选用 AI 降噪

基于上述原理与约束，产品工程师在选型时应建立明确的决策逻辑：

优先选用波束成形的场景

声源方向固定：如车载通话中驾驶员头部位置相对固定、会议麦克风放置于桌面中央。

主要噪声来自特定方向：例如工地对讲机侧方有持续设备噪声、窗边通话有固定方向的风噪。

设备可容纳多麦克风：双麦或阵列有足够间距（通常 >10 mm）形成有效相位差。

对语音保真度要求极高：BF 不会改变频谱结构，不存在“音乐噪声”或语音畸变。

优先选用神经网络降噪的场景

声源方向不定：如监护仪中老人/孩子在房间内移动、手持对讲机方向随机变化。

噪声为非平稳瞬态类型：包括敲击、金属掉落、风吹麦克风、拍打机身等。

设备仅能提供单麦克风：受结构或成本限制，只能布置一个麦克风。

环境噪声复杂且方向弥散：如商场、车站等背景人声混响严重的场景。

需要谨慎评估的灰色区域

既有方向性噪声又有非平稳瞬态噪声：例如车载环境下，既有窗侧风噪（方向性）又有开关门声（瞬态）。此时无论选择 BF 还是 NN，都会有一部分噪声未被有效抑制。可考虑通过额外麦克风或结构优化降低其中一种噪声，或接受一定程度的残留。

四、互斥之外：系统层面的补充设计

既然模块内部无法同时启用 BF 和 NN，工程师可在系统层面进行补偿设计：

麦克风选型与布局优化：选择低噪声、高动态范围的麦克风，并合理设计防风海绵、减震结构，降低风声和固体传导噪声的初始能量，为 NN 或 BF 创造更好条件。

声学腔体隔离：在双麦布局中增加物理隔板，增强空间指向性，使 BF 效果更佳。

外部前置滤波：对于某些特定频率的干扰（如 50/60 Hz 工频噪声），可在模块输入前添加无源高通滤波器，减轻后续算法压力。

五、结论

A-29P 模块中波束成形与神经网络降噪的互斥设计，并非功能缺陷，而是嵌入式语音处理中资源与性能平衡的典型体现。两种算法各有其理论假设与最佳适用场景：BF 依赖空间信息解决方向性噪声，NN 依赖人声模式解决非平稳噪声。设计者的责任在于，根据实际产品使用环境和硬件约束，做出合理取舍。清晰的决策框架和系统级补偿设计，往往比追求“同时开启所有功能”更能带来稳定可靠的通话体验。

审核编辑 黄宇