一、概述

当将语音识别算法接入到设备时，务必要保证设备的音频通路具有足够的质量。因此对设备进行音频测试，以评估能够影响语音识别性能的音频前端的音频参数。如下要点对语音识别至关重要：

• 自然声音
• 合适的增益
• 良好的信噪比
• 一致的响应，信号不能包括如下信息： 自动增益控制 AGC  启动响应  直流偏置过大
• 适当的频响 （高低滚降，理想平滑，没有混跌）

二、测试设备

• 带有录音软件的被测试设备
• 音频测试仪器：CD机，均衡器，音箱，人工嘴和声压计
• 带分析工具的PC机（CoolEditor、Audition、Audacity和Wavesurfer等）

三、音频文件

• 正常音频文件：用于主观判断音频质量和增益设置以及信噪比；
• 大增益文件：用于判定削波时的增益设置；
• 1K-sine增益Sweep文件0~105dB：用于评估削波，决定最大数值和判定AGC存在与否；
• 0~8K/16K扫频文件：用于测试设备的频响和混跌；

四、测试项目

1. 主观听音

用质量好的耳机去听设备的音质，从而发现一些非正常声音；比如：杂音、谐波和共振等；

音频路径上过多的信号处理可能导致声音畸变为人造声，不符合正常自然声音，会对软件识别造成很大困难。

2. 增益评估

设备在各种使用场景下，务必保持增益的设置不要使信号削波；削波会严重降低识别性能，必须禁止。

95dB的声音应该刚好填满16bit音程；

3. 信噪比

静默值作为底噪，声音波形的中部作为信号；尤其注意某些记录将具有数据实际值为零的引导/拖尾部分，不要使用这部分作为静默测量；麦克风单体的信噪比，除了本身规格书之外，在实际产品中收到电路噪声影响很大，尤其注意模拟麦克风bias电源。

信号比：S/N＞30对于识别是良好的比值，大于20也是可行的；如果小于20的话，则说明音频路径上太吵了导致很难识别成功。

 

4. 自动增益控制AGC

AGC的存在，当音频信号的幅度增大时，它通常表现为增益逐步减小。它会影响识别效果，所以得关闭此功能，类似的有自动电平控制寄存器ALC等。

同时部分功放带有动态调节音量的功能，务必关闭此项功能，否则严重影响AEC效果；所有的动态调节都务必在AEC采样点之前进行，具体如下图示意：

 

 

 

5. 启动瞬态Startup transients

音频系统经常在录音命令下达后，需要一段时间才能真正启动操作，这导致了启动瞬态；如果这主要包括低频的话，将不会对识别造成影响，因为识别器中有低通滤波器。

然而试图消除瞬态的话，将信号钳位在零电平上超过几十毫秒的话，会严重影响识别。在这种情况下，最好完全跳过音频，而不是将此错误信息发送给识别器。

                

上图中红色框中125ms的启动瞬态，应该跳过。

6. 直流偏置过大DC offset

直流偏置可以看作是静音信号在零信号线上高于或者低于的信号；

如果偏移量为满刻度限制的百分之几或者更少，是没有问题的；

但是如果超过10%则需要纠正，很大的偏移将导致不对称削波。

7. 频响曲线Response curve

为了隔绝麦克分录音到其他杂音，麦克风需要与喇叭足够近，大致2.5cm处录音。

检查FFT大小设置为2048个采样点，采样窗口设置为Blackmann Harris；

理想的频率响应曲线在顶端220Hz和3200~3900Hz之间的几分贝内是平坦的，差值一般控制在10dB以内是可以接受的（16K采样率的为6400Hz～7400Hz）如下图所示：

                                          

频响曲线是个慢慢的渐变过程，如果个别区域出现急剧变化，应该重点关注并研究，音频可能存在其他问题。

8. 混叠Aliasing

当超过采样速率的一半（奈奎斯特极限）的信号被允许进入模数转换器（ADC）时，出现混叠现象。如下为ES7210调试初期出现的混叠现象：

                                  

混叠是影响识别的一个重大因素，必须消除混叠；

故ADC需要有抗混叠处理，例如抗混叠滤波器等。

9. 谐波失真Harmonic distortion

当录音系统增加输入信号的泛音时，会出现谐波失真；

AEC对信号失真是非常敏感的，音频通路的整体谐波失真需要控制在5%以内，故从麦克风到功放到扬声器和音腔，均需要严格控制；除了单体品质之外，尤其注意功放和扬声器的功率匹配、阻抗匹配和频率匹配；

如下图为1K-sine信号的频谱图，有奇次谐波、偶次谐波：

                                           

 

如下图为8K-sweep信号的频谱图，有奇次谐波、偶次谐波：

                                          

谐波失真越小越好，一般要求最好是小于3%。

 

补充小结项：

1-灵敏度和谐波失真

2-频响和混叠

3-失真和完整性

4-麦阵相关性

5-相对延迟、系统延迟

6-底噪

汇总补充如下：

麦克风信噪比：60~70 分近中远三场景；

麦克风灵敏度：-40（模拟）  -26（数字）；

频响平坦度：2dB （100Hz~6KHz）；

收音孔气密性：大于20dB；

麦克风一致性：相位小于10，幅度小于2dB；

麦克风间距：25~60mm之间； 间距小影响低频，间距大影响高频；叠加装配的误差率，体验上在常规噪音环境下影响唤醒率和打断率1个点左右；

 

采样信号幅度：最大幅度下不截幅；

采样信号非线性失真：低频小于10%，300Hz~2KHz小于3%；

采样信号底噪：小于-70dB；

各通道信号同步；采样波形无畸变，无混叠；

参考信号信噪比：大于40dB；

参考信号：无截幅；