雜訊抑制 vs. 主動降噪：有何不同？
作者 : Charles Pao，CEVA資深行銷專員
雜訊抑制與主動降噪(ANC)這兩項功能已十分普及，但這些技術以相異但同樣重要的方式降低雜訊所產生的影響。本文將說明箇中差異，同時深入探討其雜訊抑制層面...
想像您在機場打電話給朋友。周遭的人都在講話、飛機起飛和降落、數十個行李箱滑過瓷磚地板，此外可能還有幾個嬰兒在啼哭。電話另一頭的朋友身處高朋滿座的餐廳中。朋友身邊也有必須相應處理的環境噪音，例如餐具和盤子的碰撞聲、其他人的談話聲、背景音樂，可能還夾雜著嬰兒的哭聲。但是對話的兩端卻不再是嘈雜混亂的聲音，而是平靜且清晰的交談。
這一切都要歸功於雜訊抑制與主動降噪(ANC)。在目前的音訊產品中，這兩項功能已十分普及，但此類功能不只是流行用語而已。這些技術以相異但同樣重要的方式降低雜訊所產生的影響。本文將說明箇中差異，同時深入探討其雜訊抑制層面。
雜訊抑制
一起來看看方程式的第一部份：您在嘈雜的環境中對著麥克風說話。
在此範例中，車輛會發出一致的背景噪音。這就是所謂的穩態雜訊，也是我們不想要的重複模式雜訊。空調、飛機、汽車引擎和風扇都屬於穩態雜訊的範例。然而，嬰兒哭鬧時並不會發出穩定且一致的聲音，所以很貼切地命名為非穩態雜訊。其他例子還包括哈士奇的嚎叫、使用電鑽或錘子時所發出的聲音、鍵盤敲擊聲或是餐廳裡不鏽鋼餐具的叮噹聲。這種噪音來得快，去得也快。
麥克風可以捕捉這兩種類型的雜訊，無須任何處理，就能在您原本的訊息上產生同樣嘈雜的輸出。如同圖左所示。然而，雜訊抑制功能會消除背景雜音以傳輸您的聲音，而且僅傳輸您的聲音。
主動降噪
現在，您清晰的聲音已透過空氣傳送到朋友的那一頭，但他們仍然得面對是否能清楚聽見的挑戰。這就是主動降噪功能派上用場的時候了。
就像以前一樣，穩態雜訊和非穩態雜訊會影響透過耳機傳入的聲音。與之前的雜訊處理方式不同，主動降噪旨在完全消除外部雜訊以進行減輕。麥克風會捕捉傳入的聲音，並且產生惱人雜訊的反向訊號及播放，以盡可能地中和聲波。以高層次的概念來說，就像是將+5和-5相加得到0。
這種主動降噪的一般原理可以透過兩種主要方式搭配硬體一起使用。其一為前饋 ANC，麥克風位於耳機外側，另一種是反饋ANC，麥克風位於耳機內側，更靠近耳朵。
前饋ANC由於位在耳外，因此對雜訊更敏感。當它靠近聽戴式裝置時，就能清楚地蒐羅雜訊。其接收雜訊後就會開始處理並輸出相位相抵訊號。這使其能夠隔離特定聲音，尤其是中頻範圍的聲音。其中包括我們先前在文章中提到的穩態雜訊，以及說話的聲音。但是，位於裝置外的前饋 ANC 更容易受到外部雜訊的影響，例如風聲或耳機持續與連帽衫側面摩擦的聲音(這絕對不是經驗談)。
位於耳機內側的反饋ANC則不會受礙事的連帽衫影響，而且還能抵抗其他類型的突發干擾。此種遮蔽聲音的效果很好，但不太能消除透過耳機傳來的較高頻率聲音。同樣地，內部反饋麥克風也需要區分播放的音樂與雜訊。而且，由於其反饋(嗯嗯？) 更接近耳朵，需要更快速地處理此資訊，才能維持與前饋設定相同的延遲。
最後，還有混合式主動降噪(沒錯，您猜對了)，這種設計結合前饋及反饋ANC，以功耗和硬體成本來創造兩全其美的優勢。
深入瞭解雜訊抑制
瞭解雜訊抑制 (為遠端聽者抑制說話者周遭噪音) 與主動降噪 (為自己消除聽者周遭的噪音) 之間的根本差異後，現在來探討如何完成雜訊抑制。
方法之一是使用多個麥克風來抑制資料。當裝置從多個位置收集資料時，會取得相似 (但仍不同) 的訊號。距離嘴巴較近的麥克風所收到的語音訊號明顯比輔助麥克風更強。兩個麥克風都接收到類似強度的非語音背景訊號。從較強的語音麥克風減去輔助麥克風的聲音，您就可以得到大部份的語音資訊。麥克風之間的距離越遠，就越能使用這個簡單的運算法抑制雜訊，因為較近和較遠的麥克風之間訊號差異會更大。但是，當您不說話或預期的語音資料隨時間發生變化時 (例如，您正在走路或跑步，同時手機一直在晃動)，這種方法的效果會降低。多麥克風雜訊抑制當然很強大，但有其他硬體和處理上的缺點。
如果我們只有單一麥克風，會發生什麼事？在不使用額外音源加以驗證/比較的情況下，單一麥克風解決方案仰賴於對其接收到的噪聲的理解及進行過濾。這與先前的穩態雜訊和非穩態雜訊定義有所關聯。穩態雜訊可透過DSP演算法有效過濾，但非穩態雜訊需要深度神經網路(DNN)的協助。
此方法需要使用資料集來訓練網路。該資料集由不同的雜訊 (非穩態和穩態) 及清晰的語音所組成，以建立合成嘈雜語音模式。將其輸入DNN後，就會輸出清晰的語音。這會建立遮罩或神經網路模型，能夠消除雜訊，僅輸出清晰明確的語音。
就算使用訓練過的DNN，仍會有需要考量的挑戰和指標。如果想以低延遲的方式即時執行，您會需要大量處理效能，或是較小的DNN。DNN中的參數越多，執行的速度就越慢。音訊取樣率對語音抑制有類似的影響。取樣率越高代表DNN需要處理的參數越多，但也能獲得更高的輸出品質。為了即時抑制雜訊，窄頻語音通訊是理想的選擇。
此流程中的所有處理作業相當密集，雲端善於完成這類工作，但是這種方法會顯著增加延遲。人類能確實察覺到大約108毫秒的延遲，因此會增加延遲的雲端並非理想的做法。但是，我們需要做些巧妙的調整，才能在邊緣執行DNN。例如，CEVA一直致力於讓我們在聲音和語音方面的能力臻於完美。這包括經現場驗證的語音清晰度和指令識別演算法，即使在邊緣也能提供清晰的通訊和語音控制。
從無線連接、更快的處理和運算、網路安全機制、更複雜的虛擬實境(VR)到人工智慧(AI)等技術，都將在未來的每一個嵌入式系統中發揮更關鍵功能。「嵌入式系統設計研討會」將全面涵蓋在電子產業最受熱議的「智慧」、「互連」、「安全」與「運算」等系統之相關硬體和軟體設計。
會中將邀請來自嵌入式設計相關領域的研究人員、代表廠商以及專家，透過專題演講、產品展示與互動交流，從元件、模組到系統，從概念設計到開發工具，深入介紹嵌入式系統設計領域的最新趨勢、創新和關注重點，並深入分享關於嵌入式系統設計的經驗、成果以及遇到的實際挑戰及其解決方案。
加入LINE@，最新消息一手掌握！
