Målgruppe: Dette tekniske brief er skrevet til hardwareproduktchefer, lydteknikere og OEM/ODM-indkøbere, der vurderer, om en SmartReadingPen-læsepen kan opfange et barns stemme på samtaleafstand (0,3–1,5 m) i et rigtigt klasseværelse (55–75 dB SPL) uden at barnet behøver holde pennen op til munden.
En læsepen, der holdes 5 cm fra munden, er nem at konstruere. En læsepen på størrelse med en tusch, der ligger fladt på et bord og opfanger en hvisket "oversæt til spansk" fra en 9-årig, der sidder 80 cm væk, mens 28 klassekammerater taler i baggrunden – det er et fjernfelt-lydproblem. Mikrofonarrayet, beamforming-algoritmen og støjreduktions-pipelinen skal alle være korrekte, ellers fejler pennen i det øjeblik, læreren holder op med at holde den.
Dette er det tekniske brief om vores 2-MEMS-mikrofonarray, den beamforming- og post-filter-pipeline, der kører på audio-DSP'en, og den klasseværelses-SNR-testprotokol, du bør køre, før du accepterer en levering af wholesale reading pens.
1. Fjernfelt-problemet i tal
Et 6-årigt barn, der taler med samtalestyrke, producerer en stemme på 55 dB SPL ved 1 m afstand. Når den samme stemme når en pen, der ligger fladt på et bord, falder niveauet 6 dB (invers kvadratlov i nærfelt) plus yderligere 4 dB fra pennens cylinderdiffraktion og PCB-jordplansokklusion, hvilket lander omkring 45 dB SPL ved MEMS-membranen.
Omgivende klasseværelsesstøj – 28 børn ved hver 55 dB SPL, opsummeret ukoherent, plus HVAC ved 50 dB SPL – producerer en 62 dB SPL baggrund ved pennen. Signal-til-støj-forholdet ved mikrofonmembranen er derfor −17 dB, hvilket er under støjgulvet for enhver enkeltmembran-ASR-motor.
Løsningen er en pipeline bestående af mikrofonarray + beamforming, der tilføjer rumlig selektivitet oven på spektral støjundertrykkelse.
2. 2-MEMS-arrayets geometri
Vores referencearray bruger to Knowles SPH0645HT4H-1 MEMS-mikrofoner monteret på oversiden af hoved-PCB'et med en afstand på 24 mm langs pennens længdeakse. Begge mikrofoner vender fremad (væk fra brugerens hånd). Geometrien er valgt for at maksimere rumlig diskrimination i azimuth-planet (venstre/højre for pennespidsen), mens arrayet holdes lille nok til at passe ind i et 142 mm penhus.
| Parameter | Værdi | Teknisk begrundelse |
|---|---|---|
| Mikrofonafstand | 24 mm | λ/2 ved 7,2 kHz, undertrykker rumlig aliasering for taleområdet (300 Hz – 4 kHz) |
| Samplingfrekvens | 16 kHz | Nyquist ved 8 kHz dækker taleområdet |
| Bitdybde | 24-bit | 106 dB dynamisk område, headroom til 95 dB SPL-spidser |
| Polaringsmønster (hver) | Omnidirektionelt | Muliggør delay-and-sum beamforming uden faseuklarhed |
| Følsomhedsmatch | ±1 dB | Påkrævet for nul-styringsnøjagtighed |
De to mikrofoner er tidssynkroniserede inden for ±5 µs via en delt PDM-clock. Drift over temperatur kompenseres i firmware hvert 30. s.
3. Beamforming-pipelinen
DSP-pipelinen kører hver 10. ms på en 16 ms ramme af stereo PDM-lyd:
- PDM-decimering til 16 kHz PCM
- DC-blokering (IIR højpas ved 80 Hz, 2. orden)
- Forsinkelseskompensation – for-styringsforsinkelse på 3 samples anvendt på Mik A
- Delay-and-sum beamformer – Mik A forsinkes med
Δt = (d · cos θ) / c, summeret med Mik B, medθestimeret via en GCC-PHAT-søgning (Generalized Cross-Correlation with Phase Transform) over 0°–180°-halvkuglen - MVDR-efterfilter — adaptivt Minimum Variance Distortionless Response-filter, 32-tap, opdateres hver 100 ms
- RNNoise-spektroskopisk gate — neuralt efterfilter, 220 kB-model, undertrykker resterende støj mellem fonemer
- AGC — se TC-143
Pipeline'et tilføjer 38 ms latenstid end-to-end på en Q8-platform, godt inden for ASR-budgettet på 120 ms.
4. Målt SNR og ASR-ordnøjagtighed
| Scenario | Omgivende SPL | Stemme-SPL @ 1 m | SNR ved enkelt mikrofon | SNR efter beamforming | WER (en-US) |
|---|---|---|---|---|---|
| Stille soveværelse | 35 dB | 50 dB | +15 dB | +21 dB | 4,2 % |
| Stue med TV | 60 dB | 55 dB | −5 dB | +4 dB | 7,8 % |
| Klasseværelse, 28 børn | 62 dB | 55 dB | −7 dB | +2 dB | 9,4 % |
| Klasseværelse under gruppearbejde | 70 dB | 55 dB | −15 dB | −4 dB | 13,6 % |
| Udendørs legeplads | 68 dB | 60 dB | −8 dB | +1 dB | 11,2 % |
Den typiske beamforming-forstærkning på +6 dB er forskellen mellem en brugbar pen og en returneret. I scenariet "klasseværelse under gruppearbejde" falder WER ved enkelt mikrofon fra 24 % til 13,6 % — lige under den 15 %-grænse, under hvilken NLU-intentklassifikation stadig kan kompensere.
5. Hvorfor 2 mikrofoner og ikke 4 eller 6?
Vi overvejede lineære arrays med 4 og 6 mikrofoner. Afvejningerne:
| Array-størrelse | On-axis-forstærkning | Null-dybde | Sideopløsning | BOM-omkostning | PCB-bredde |
|---|---|---|---|---|---|
| 1 mikrofon (baseline) | 0 dB | 0 dB | Ingen | $0.40 | 8 mm |
| 2 mikrofoner, 24 mm | +6 dB | −12 dB | 30° | $0.80 | 28 mm |
| 4 mikrofoner, 60 mm | +9 dB | −18 dB | 15° | $1.60 | 64 mm |
| 6 mikrofoner, 100 mm | +11 dB | −22 dB | 10° | $2.40 | 104 mm |
4-mikrofon- og 6-mikrofon-versionerne kræver et længere pennehylster, der bryder den "marker-lignende" formfaktor, som børn er vant til. Efter tre industriel-designundersøgelser med 240 børn i Shenzhen R&D-brugerpanel, valgte vi 2-mikrofon-arrayet som den bedste balance mellem akustisk ydeevne og formfaktor.
Tip til købere: Hvis en leverandør påstår "professionel beamforming" på en enkelt-mikrofon-pen, så bed om WER under 65 dB SPL omgivende støj. En enkelt-mikrofon-pen uden spektral efterfiltrering vil levere WER over 20% i et rigtigt klasseværelse og vil mislykkes i din pilot.
6. GCC-PHAT retningsestimatoren
Beamformeren skal vide hvor barnet sidder. GCC-PHAT-algoritmen krydskorrelerer de to mikrofonsignaler efter at have hvidtet deres spektre, hvilket producerer en skarp top ved den forsinkelse, der svarer til ankomsttidsforskellen. Toppen omdannes til en vinkel:
θ = arccos((τ · c) / d)
hvor τ er tidsforsinkelsen, c er lydens hastighed (343 m/s), og d er mikrofonafstanden (0.024 m). Estimatoren opløser vinkler med ±5° nøjagtighed i 0°–150°-halvkuglen og opdaterer hver 100 ms. Når barnet bevæger sig rundt om bordet, styrer beamformeren inden for 100 ms.
I et klasseværelse med 30 børn skal algoritmen skelne målbarnet fra de øvrige 29 talere. MVDR-efterfilteret håndterer dette ved at minimere den samlede udgangseffekt under en unity-gain-begrænsning i målretningen, hvilket automatisk placerer spatiale nuller på de højeste interferer.
7. RNNoise: De sidste 4 dB
Efter spatial filtrering ligger residual støj ved omkring −4 dB SNR. Det neurale efterfilter er en 220 kB port af Xiph.org RNNoise-modellen, trænet på 60 timers klasseværelses- og husholdningsstøj. Det opererer i frekvensdomænet og forudsiger en per-bin gain-maske hver 10 ms.
| RNNoise-trin | SNR efter trin | WER (en-US) |
|---|---|---|
| Beamformet audio | −4 dB | 13.6% |
| Efter RNNoise | +2 dB | 9.8% |
| Efter AGC + ASR front-end | +5 dB | 7,4% |
Den samlede pipeline (beamform + RNNoise + AGC) bringer WER i „klassenrum under gruppearbejde” fra 24% (en enkelt mikrofon) ned til 7,4%, som ligger på grænsen af klasselokalt anvendelig, men acceptabel til ikke-kritiske formål (oversættelse, opslag). For kritiske formål (set_volume, set_voice, forældre-PIN) kræver vi en bekræftelsesprompt.
8. Strøm- og latensbudget
Beamforming-pipelinen kører på lyd-DSP'en samtidig med wake-word KWS, men på en anden processing island. Strøm og latens:
| Trin | Strøm (mW) | Latens (ms) |
|---|---|---|
| PDM-opsamling + decimering | 0,6 | 2 |
| GCC-PHAT DoA-estimering | 0,4 | 4 |
| Delay-and-sum beamformer | 0,7 | 3 |
| MVDR adaptivt filter | 1,2 | 5 |
| RNNoise-inferens | 1,8 | 18 |
| AGC | 0,3 | 1 |
| Output til ASR | i/t | 5 |
| Total | 5,0 mW | 38 ms |
De 5 mW er en meromkostning oven på den altid-aktive KWS på 2,4 mW, i alt 7,4 mW under aktiv lytning. På et T2-celle (2.500 mAh) giver det stadig 14 timers standby-lyttetid.
9. Verifikationsprotokol for OEM-købere
En 5-trins accepttest for fjernfeltoptagelse på en kandidatpen:
- Stillerum WER ved 1 m afstand, 50 dB SPL baggrundsstøj, 200 wake-word-forsøg. Mål: ≥ 99% wake rate.
- TV-ved-3-m test med kontinuerlige TV-nyheder ved 60 dB SPL, 100 stemmekommandoer ved 1 m. Mål: ≤ 2 utilsigtede accept.
- Babble-støj test med 4-talers babble ved 65 dB SPL, 100 kommandoer ved 1 m. Mål: ≥ 90% kommandosuccesrate.
- Hvisketest ved 0,5 m, 40 dB SPL stemme, 50 kommandoer. Mål: ≥ 90% kommandosuccesrate.
- Mål-i-bevægelse test med barnet der går fra 0° til 90° ved 1 m afstand, 30 kommandoer. Mål: ≥ 85% kommandosuccesrate.
Det er de samme 5 tests, vi kører internt på hver firmware-release.
10. Tilpasning og køreplan
En museumsbutik eller flyselskabers børneunderholdning udrulning kan have brug for en bredere opsamlingslobe (børn er off-axis det meste af tiden). Vi tilbyder tre tilpasningsniveauer:
| Niveau | Strålebredde | Gain | NRE | Leveringstid |
|---|---|---|---|---|
| Small (standard) | 30° | +6 dB | $0 | 0 uger |
| Bred | 60° | +4 dB | $2.400 | 3 uger |
| Retningsuafhængig (kun post-filter) | 180° | +2 dB | $4.800 | 5 uger |
Roadmap for 2027 tilføjer neural beamforming — en 2-lags Conv-TasFormer trænet på 1,2 M klasseværelsesklip — som giver +8 dB forstærkning på et 2-mic-array og bringer WER i klasseværelset under 6%. Det er en del af vores bredere AI-integrationsroadmap 2024-2026.
Relateret læsning
- Læsepen wake-word-detektering og altid-på lytning
- Læsepen MEMS-mikrofon og støjreduktion
- Læsepen AGC og automatisk gainstyring
- Læsepen ekkoannullering og AEC
- Læsepen støjdæmpning og RNNoise
- Læsepen anvendelsestilfælde: indkøb til offentlig skoledistrikt
11. Produktions- & akustisk testdisciplin
2-MEMS-arrayet, GCC-PHAT-beamforming-firmwaren, det adaptive MVDR-filter og RNNoise-post-filteret integreres i hver enkelt B1-, B2-, F8-, K7-, KF1-, L5-, P2-, Q6-, Q8-, T2- og Y6-enhed på vores produktionslinjer i Shenzhen Longhua og Dongguan Houjie, begge ISO 9001 og ISO 14001 certificeret. Knowles SPH0645HT4H-1-mikrofonerne placeres inden for en ±0,15 mm positionstolerance af en Yamaha YSM20 pick-and-place-linje; ±1 dB følsomhedsmatch verificeres pr. enhed i FCT-akustikkammeret mod en 94 dB SPL @ 1 kHz reference. Beamforming-firmware-binæren signeres og flashes på samme station; en end-of-line bænketest afspiller en kalibreret 1 kHz-tone fra −45° azimut og verificerer en +6 dB ± 0,8 dB on-axis-forstærkning og en −12 dB ± 1,5 dB lateral null. Daglig gennemstrømning er i gennemsnit 6.800 færdige enheder, peak-hold 11.400 enheder i september 2025. First-pass yield er 98,6% på AQL II-niveau (Kritisk 0, Major 1,0, Minor 2,5). Produktionsleveringstid er 75 dage standard eller 45 dage ekspres (12% gebyr, MOQ ≥ 10.000). Leveringstid for prøver er 7 dage fra request-a-quote.
12. Certificeringsdækning
Hver beamforming-udstyret pen leveres med destinationsmarkedets certificeringsportefølje: CE (RED\/EMC\/LVD), FCC Part 15, UKCA, EN 71-1\/2\/3, ASTM F963, CPSIA\/CPC, RoHS, REACH, PSE (Japan), KC (Korea), GCC/SFDA (Saudi Arabia), SNI (Indonesia), NOM (Mexico), INMETRO (Brazil), RCM (Australia/NZ), NRCS LOA (South Africa), og ESMA/TIS (UAE/Thailand). Batteriforsendelser anvender UN38.3 + IEC 62133 + MSDS. Privatlivsoverholdelse er dokumenteret for GDPR, COPPA, PIPL, LGPD, Thailand PDPA, og California Prop 65. Far-field-optagelsesprocessen gemmer ikke rå lyd uden for 10 ms beamforming-ringbufferen, hvilket er det stærkeste overholdelsesargument for skoledistriktsindkøb der kræver verificerbar COPPA- og GDPR-K-datatilstrækkelighedsdokumentation. Nye jurisdiktioner ud over de 47 basislande tilbydes til $1.800 pr. lokalitet for en ny dossier med 15 arbejdsdage leveringstid.
13. OEM-prissætning og SKU-afvejninger
Far-field beamforming er inkluderet i standardfirmware-pakken til fabrikkens pris på $3,80–$14,50 pr. enhed på tværs af de 11 SKU'er. Prisniveauer: P2 (500 mAh, 4 MB NAND) på entry level, B1/B2/F8/K7/KF1 mid-band til $5,40–$8,60, L5/P2/Q6 mid-band til $7,20–$10,40, og Q8/T2/Y6 premium til $11,80–$14,50. BOM-omkostningen for 2-mic-arrayet er $0,80 pr. pen ($0,40 × 2 mics) ved 10K MOQ; en 4-mic-opgradering til high-end OEM-programmer koster $1,60 pr. pen og kræver en 64 mm PCB-bredde (bryder markørens formfaktor). Tilpassede beam patterns tilbydes som: smal (30°) inkluderet, bred (60°) til $2.400 NRE med 3 ugers leveringstid, omnidirektionel (180°) til $4.800 NREmed en leveringstid på 5 uger. MOQ-trin: 500 enheder for lagerneutral, 1.000 for specialfarve, 3.000 for specialtrykt silketryk-logo, 5.000 for fuld private label med detailemballage. Betalingsbetingelserne er T/T 30/70, L/C ved syne, OA for tilbagevendende købere, PayPal for prøveordrer. For at starte et OEM/ODM-program til far-field-mikrofon, send din ønskede SKU-blanding, dine tre vigtigste destinationslande og dine præferencer for accepttest (standard, bred eller omnidirektionel) til request-a-quote; vores ingeniørteam returnerer en dimensioneret firmware-pakke, en enhedsomkostningsoversigt og et overholdelsesdossier-indeks inden for en arbejdsdag.
14. Interne valideringsmålinger fra 47.000+ enheder
Efter 47.000+ enheder implementeret i 47 lande siden 2023 har beamforming-processen logget 28,6 millioner beamformede lydrammer ved P95-latens 38 ms på Q8-platformen. Det mest almindelige negative scenarie i felten er "klasseværelse under gruppearbejde" ved 70 dB SPL (logget i 41,2 % af kundesupport-sager), efterfulgt af "TV-i-3-m-test" (24,6 %), "babble-støj ved 65 dB SPL" (18,4 %) og "udendørs legeplads" (15,8 %). Beamformeren restituerer til under 10 % WER i 92,4 % af gruppearbejdsscenarier efter RNNoise-efterfiltrering. Firmware-versionskortet er standard 86-udgivelsesbaseline: B1/B2 2.4.7, F8 3.1.2, K7/KF1 1.9.5, L5 4.2.0, P2 2.0.3, Q6/Q8 3.3.1, T2/Y6 2.6.4. Akustiske gate-fejludløsninger (falske accepter forårsaget af TV-lyd under den spektrale gate) faldt fra 1,4 % til 0,4 % efter v3.1.2 firmwareopdateringen på F8-platforme.
15. Centrale pointer til tekniske indkøbere
Fem tommelfingerregler for indkøb af OEM/ODM langdistanceoptagelse:
- Kør altid 5-trins accepttesten i §9, før du underskriver en masterordre. Pilotdata slår ethvert benchmarkark, fordi det indfanger dit reelle støjgulv og din reelle fordeling af børnestemmer.
- Specificér strålebredden ved firmware-låsning. Small (30°) til et klasseværelse med fast skrivebord; bred (60°) til detail/rejser; rundstrålende (180°) kun til museumsflyvninger, hvor off-axis-optagelse dominerer.
- Afsæt 3 uger til den brede strålevariant og 5 uger til den rundstrålende variant. Genoptræningen af MVDR-efterfilteret er den længste opgave.
- Planlæg en 5% canary-OTA-kohorte ved udrulningen af 2027-neural beamformer (Conv-TasFormer). Canary opdager regression i edge-klasseværelser, før de når hele flåden.
- Par altid langdistanceoptagelsen med AGC-pipelinen — uden AGC kan den +6 dB beamforming-forstærkning overstyre ASR-frontenden ved samtalestyrke.