Olvasótoll sugárformálásos mikrofonarray-tervezés

Célközönség: Ez a cikk audiohardver-fejlesztőknek és beszerzési szakembereknek szól, akiknek olvasótollak (reading pen) gyártósorán kell értékelniük vagy specifikálniuk a mikrofon-array nyalábformálást (beamforming). Feltételezi, hogy már tudja, mi az a MEMS mikrofon, és most a 2026-os buildjéhez a delay-and-sum, az MVDR és a GCC-PHAT közül kell választania.

Egyetlen MEMS mikrofon az olvasótollon a gyermek hangját és a szoba minden egyéb zaját is érzékeli. Két, ismert távolságra elhelyezett MEMS mikrofon olyasmit tud, amit egy mikrofon nem: előnyben részesítheti az egyik irányból érkező hangot, és elnyomja a más irányból jövőt. Ezt a térbeli szűrést nevezzük nyalábformálásnak (beamforming), és az L5, T2 és Y6 olvasótoll platformokon ez a hatékony SNR-t az RNNoise által már elért értékhez képest további 4–7 dB-lel javítja. Egy olvasótollnál, amelyet 5–15 cm távolságra használnak a szájtól, egy 30 dBA-s osztályteremben, az egy- és a kétmikrofonos nyalábformálás közötti különbség a 72%-os és a 84%-os ASR-pontosság közötti különbség. Ez a cikk bemutatja, hogyan működik a nyalábformálás az olvasótollon, a 11 modellen (B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2, Y6) gyártásban lévő három algoritmust, valamint hogyan kell a nyalábformálást a beszerzési szerződésben specifikálni.

1. Miért van szüksége egy olvasótollnak mikrofon-arrayra

Az olvasótoll egy kézi eszköz, amelynek hegyében egyetlen mikrofon található. Otthoni használatban, 1–3 cm-re a szájtól, a beszéd-zaj viszony a mikrofonnál elég magas ahhoz, hogy az egymikrofonos ASR működjön. Osztálytermi használatban, 5–15 cm-re, ahol 25–30 másik gyermek is beszél, az SNR 5–10 dB-re esik, és az egymikrofonos ASR az esetek 35–40%-ában meghibásodik. A hagyományos megoldás az agresszívabb zajszűrés, de az RNNoise az L5-ön körülbelül 12 dB SNR-javítás felett csökkenő hozamot mutat.

A nyalábformálás más problémát old meg, mint a zajszűrés. A zajszűrés eltávolítja a zajt a jelből; a nyalábformálás a nem kívánt irányból érkező hangot szűri ki. Egy osztályteremben a nem kívánt irány az „olvasótoll mögötti” — a többi gyermek, a tanár, a projektor. A kívánt irány az „olvasótoll előtti” — a gyermek szája. Egy 30 mm-es osztású kétmikrofonos array egy kardioid iránykarakterisztikát hoz létre, amely elöl 6–10 dB-lel érzékenyebb, mint hátul, ami egy tipikus osztálytermi zajmezőben 4–7 dB-lel javítja az SNR-t.

Az L5, T2 és Y6 platformokon kifejezetten ezért van két MEMS mikrofon. A B1, B2, F8, K7, KF1, P2, Q6 és Q8 modellekben egyetlen mikrofon van, ezért nyalábformálásra nem képesek; náluk csak a zajszűrás jelenti az egyetlen védelmi vonalat.

2. A kétmikrofonos array geometriája

Az L5 a két MEMS mikrofonját a toll hossztengelye mentén, 32 mm-re egymástól, a fejrészhez közel helyezi el. A T2 ugyanazt a geometriát használja 36 mm-es osztással. Az Y6 28 mm-es osztást alkalmaz. Mindháromnál az elsődleges mikrofon a hegy felőli végén, a másodlagos mikrofon pedig a fejrész felé eltolva található. A két mikrofon párosított alkatrész (azonos gyártói széria, érzékenység ±1 dB-en belül), és az audiokodek egyidejűleg mintavételezi őket.

A 28–36 mm-es osztás tudatos kompromisszum. 16 kHz-es mintavételi frekvencián (ezen a nyalábformáló fut) a hang hullámhossza 8 kHz-en 42 mm. A 28–36 mm-re lévő két mikrofon legfeljebb körülbelül 8 kHz-ig tud térbeli információt feloldani; efölött a térbeli aliasolási határ lép életbe, és a nyaláb-minta rendezetlenné válik. Beszéd esetén, amelynek energiája 4 kHz alatt koncentrálódik, ez elfogadható. Zenénél, ahol 8 kHz felett is jelentős az energia, már nem — de az olvasótollak nem zenehallgatásra szolgálnak.

A maximális érzékenység iránya a másodlagos mikrofonból az elsődleges felé eső tengely, vagyis az az irány, amerre a gyermek a tollat tartja (a szája vagy az oldal felé). A minimális érzékenység iránya az ellentétes — a toll mögötti, ahol az osztályterem többi része található.

3. A három nyalábformáló algoritmus

A 11 gyártásban lévő modellen három nyalábformáló megközelítést alkalmaznak. Nem minden platformon érhető el mindhárom — csak az L5, T2 és Y6 rendelkezik két mikrofonnal, így csak ez a három platform futtat nyalábformálást.

Delay-and-sum a legegyszerűbb. A két mikrofonjelet időben igazítjuk a közelebbi késleltetésével, majd átlagoljuk. Ez egy kardioid mintát hoz létre, körülbelül 4–6 dB elülső-hátsó elnyomással. A MIPS-költség Cortex-A53-on 2 alatt van. Az L5 firmware a delay-and-sumot használja alapértelmezettként energiatakarékos üzemmódban.

MVDR (Minimum Variance Distortionless Response) az ismert zajmező optimális lineáris szűrője. Frekvenciánkénti súlyokat adaptál, hogy minimalizálja a zajteljesítményt a célirányban egységnyi erősítés fenntartása mellett. Az MVDR diffúz zajmezőben (például osztályteremben) 6–10 dB elülső-hátsó elnyomást biztosít. A MIPS-költség Cortex-A53-on 8–14. Az L5, T2, Y6 firmware az MVDR-t használja alapértelmezettként osztálytermi ASR-hez.

GCC-PHAT (Generalized Cross-Correlation with Phase Transform) egy iránybecslő (direction-of-arrival) algoritmus, amelyet forrás-lokalizációra használnak. Kiszámítja a két mikrofonjel közötti időkésleltetést, és visszaadja a beesési szöget. A T2 a GCC-PHAT segítségével állapítja meg, hogy a beszéd elölről (a gyermek) vagy oldalról (tanár, testvér) érkezik-e, és ennek megfelelően vált az MVDR és egy megengedőbb mindenirányú (omnidirekcionális) mód között.

4. Modell szerinti mikrofon-konfiguráció

Az alábbi táblázat a 11 gyártásban lévő modell mikrofon-konfigurációját foglalja össze. A „Mics” a házban lévő MEMS mikrofonok számát jelenti; a „Spacing” a közép–közép távolságot mm-ben; az „Algorithm” a nyalábformáló algoritmust (vagy „n/a”, ha egymikrofonos); a „Front-back rejection” 1 kHz-en, anechoikus kamrában mérve; az „SNR gain” a nyalábformáló kimenetén mért SNR-javítás a jobbik egyszeres mikrofonhoz képest, 30 dBA-s diffúz osztálytermi zajmezőben mérve.

A számok elmesélik a beszerzési történetet. Az L5, T2 és Y6 5,0–6,1 dB SNR-nyereséget biztosítanak az egymikrofonos platformokhoz képest osztálytermi zajban. Az RNNoise 11,8–12,4 dB zajszűrési javulásával kombinálva a teljes SNR-emelkedés a bemeneti mikrofontól az ASR-motorig 16,8–18,5 dB. Hasonlítsa össze a B1-gyel, amely egymikrofonos Wiener MMSE-vel összesen 6,5 dB SNR-javulást nyújt – az L5 körülbelül 2,7-szeres SNR-előnnyel rendelkezik.

5. Nyalábformázás és zajszűrés: rétegezett vagy redundáns?

Gyakori kérdés, hogy a nyalábformázás és a zajszűtés redundánsak-e. Nem azok – különböző szakaszokban működnek, és különböző problémákat kezelnek. A nyalábformázás térbeli szűrést végez: elutasítja a nem kívánt irányból érkező hangot, miközben megőrzi a kívánt irányból érkezőt. A zajszűrés spektrális szűrést végez: a spektrális aláírása alapján minden irányból kiszűri a zajt.

Egy hozzávetőleg diffúz osztálytermi zajtérben (ahol a hang minden irányból érkezik) a nyalábformázás önmagában 5–6 dB SNR-nyereséget ad, mivel elutasítja a zajtér felét. A zajszűrés önmagában további 11–12 dB-t ad ugyanazon a zajtéren, mivel a maradék zaj stacionárius spektrális profilú, amelyet a zajszűrés ki tud vonni. A kettő multiplikatív: 5 dB a nyalábformázásból plusz 12 dB az RNNoise-ból 17 dB összesen, amit az L5-ön mérünk.

Ha az osztálytermi zajtér nem diffúz (pl. egyetlen hangos beszélő 1 m-re oldalig mellettünk), a nyalábformázás 8–10 dB SNR-nyereséget ad, mivel képes nullázni ezt a konkrét irányt. A zajszűrés 4–6 dB-t ad, mivel nem tud egyszerűen kivonni egy nem stacionárius egyszeri beszélőt. A kettő együtt 12–16 dB-t ad.

Ezért fontos a T2 GCC-PHAT érkezési irány-érzékelője: amikor egy hangos beszélőt észlel, agresszívabb null-kormányzási módra válthat, ezzel 2 dB-rel növelve a hatékony SNR-t ebben az esetben.

6. Nyalábformázás intercom módban

Az intercom mód a legnehezebb nyalábformázási feladat, mert a toll hangot játszik le a hangszórón keresztül (amit az AEC eltávolít), és a szoba másik végéből rögzíti a szülő hangját (amit a nyalábformázónak kellene előnyben részesítenie). Az L5/T2/Y6 két mikrofonja folyamatosan futtatja a nyalábformázást intercom közben, a célirány „a toll tengelye mentén, a hangszórótól elfelé” – az irány, ahol a szülő általában tartózkodik.

A gyakorlatban a szülők különböző szögekben tartják a tollat, ezért a T2 GCC-PHAT időszakosan újraszámítja a célirányt aszerint, hogy a szülő hangja honnan érkezik. Az L5 és az Y6 rögzített célirányt használ, mivel a GCC-PHAT nincs a firmware-jükben; ez mérhető, de kis különbség az intercom tisztaságában. A QA laborunkban 100 intercom-munkamenet során a T2-t az idő 92 százalékában „tisztának” értékelték, az L5-öt 87, az Y6-ot 85 százalékában.

7. Mikrofonillesztés és kalibráció

A nyalábformázáshoz a két MEMS mikrofon szoros illesztése szükséges. A két mikrofon közötti 3 dB érzékenység-eltérés 5–8 fokkal eltéríti a nyalábformázó irányát, ami körülbelül 1 dB elülső-hátsó elnyomás-veszteséget okoz 1 kHz-en. Az L5, T2 és Y6 gyártósorokon a mikrofonillesztést ±1 dB érzékenységen és ±2 fok fázison belül tartják tartjuk 1 kHz-en, amit a bejövő QA-nál történő lot-illesztéssel érünk el.

A mikrofonok közötti távolság is kalibrációs paraméter. Az L5 firmware per-egység kalibrációs értéket tárol a végszerelésnél mért tényleges távolsághoz, és a nyalábformázó ezt az értéket használja a névleges 32 mm helyett. Per-unit kalibrálás nélkül a nyalábformázó 1–2 mm-rel elcsúszna egyes egységekeken, és az elülső-hátsó elnyomás 6 dB-re romlana 8 dB helyett.

Egy ODM-től vásárló importőr számára ez a kalibrációs lépés az első, amit ellenőrizni kell. Ha az ODM névleges távolságértékeket használ per-egység mért értékek helyett, a nyalábformázási teljesítmény egységről egységre változni fog, és a terepi meghibásodási arány megnő.

8. Mikrofon-tömb elhelyezés és akusztikai tervezés

Az, hogy a mikrofonok hol helyezkednek el a tollban, ugyanolyan fontos, mint az algoritmus. Az L5 két MEMS portja 32 mm-re van egymástól, mindkettő a toll ugyanazon oldalán, a fej végéhez közel, az elsődleges mikrofon közelebb a hegyhez, a másodlagos mikrofon pedig 32 mm-rel mögötte. A portok közötti műanyag szilárd akadály, légrés nélkül. A portok átmérője 0,8 mm, a ház felületével egy síkban vannak, és vízálló membrán védi őket, amely 200 Hz felett nem csillapítja jelentősen a hangot.

A T2 36 mm-es osztást használ azonos általános elrendezéssel, de a másodlagos mikrofon egy másik oldalon található (a hangszóró nyílásával szemközti oldalon), hogy csökkentse a közvetlen akusztikai csatolást a hangszóróval. A Y6 28 mm-es osztást alkalmaz szűkebb elrendezésben, hogy kisebb tolltestbe illeszkedjen, ami csekély SNR-előnytorzítást jelent magas frekvenciákon.

Egy új tollat tervező OEM számára a mikrofonelhelyezési szabályok a következők: mindkét mikrofon azonos tengelyen, azonos oldalon, legalább 25 mm-re bármely hangszóró-nyílástól, tömör műanyag elválasztóval közöttük. A B1 és B2 megsérti az azonos oldalra vonatkozó szabályt (egy mikrofon a fejrész elülső oldalán, egy pedig a hátoldalán van), ezért gyenge zajszűrést nyújtanak; ezt a L5 újratervezésében korrigálták.

9. Hogyan specifikáljuk a nyalábformálást beszerzési szerződésben

A nyalábformálással ellátott olvasótollra vonatkozó RFG-szövegnek meg kell jelölnie a tömb geometriáját, az algoritmus osztályát és a térbeli szűrési teljesítményt: "A mikrofon tömb két egyeztetett MEMS mikrofonból áll, 28–36 mm-es osztással, közös tengelyen, darabonként végszereléskor kalibrálva. A nyalábformáló érjen el ≥ 7 dB elülső–hátsó elnyomást 1 kHz-en, hangmentes kamrában, ≥ 5 dB SNR-előnyt 30 dBA diffúz tantermi zajtérben a jobb egyedi mikrofonhoz viszonyítva. Algoritmus osztály: MVDR statikus zajtérhez, GCC-PHAT beesési irányérzékelés adaptív null-irányításhoz."

Három részlet számít. Először is, a mikrofonillesztési specifikáció benne kell legyen a szerződésben: ±1 dB érzékenység, ±2 fok fázis 1 kHz-en. Másodszor, a darabonkénti kalibrálás benne kell legyen a szerződésben: a tényleges mikrofonosztás és érzékenység végszereléskori mérése, eltárolva a firmware kalibrációs partíciójában. Harmadszor, a terepi elnyomás mérése benne kell legyen a szerződésban: a nyalábformálót hangmentes kamrában tesztelik 1 kHz-es hanggal 0°-on és 180°-on, az elnyomás a dB-különbség.

Vásárlói tipp: Amikor egy ODM nyalábformálási állítását értékeli, kérje a hangmentes kamrás mérési jegyzőkönyvet, amely 500 Hz, 1 kHz, 2 kHz és 4 kHz mellett mutatja a polárdiagramot. Egy nyalábformáló, amely 8 dB elnyomást ad 1 kHz-en, de csak 2 dB-t 4 kHz-en, nem gyártásra kész – a beszédenergia 2 kHz felett hordozza a mássalhangzókat.

10. Döntési mátrix és ajánlások

Egy 2026-ban induló, osztálytermi bevezetésre célzott vadonatúj olvasótoll-program esetén az ajánlás a kettős MEMS MVDR nyalábformálás az L5/T2/Y6 platformokon darabonkénti kalibrálással és egyeztetett mikrofon-tételellenőrzéssel. Csak otthoni használatra célzott programokhoz az egymikrofonos Wiener MMSE a K7/KF1/Q6/Q8 platformokon elegendő. Költségérzékeny piacokra célzott programokhoz, ahol az osztálytermi bevezetés nem felhasználási eset, a B1/B2/F8/P2 spektrális kivonással elfogadható, de nem szabad kaputelefon üzemmódú funkciókkal együtt értékesíteni.

Egy nyalábformálási specifikációt megfogalmazó beszerzési tisztviselő számára a szerződést lezáró sor így szól: "Kettős MEMS mikrofon tömb, ±1 dB érzékenységre és ±2° fázisra illesztve 1 kHz-en, 28–36 mm-es osztással közös tengelyen, darabonként kalibrálva; MVDR nyalábformáló, ≥ 7 dB elülső–hátsó elnyomás 1 kHz-en és ≥ 5 dB SNR-előny 30 dBA diffúz tantermi zajban; GCC-PHAT beesési irányérzékelő az adaptív null-irányításhoz T2-osztályú platformokon; hangmentes kamrás polárdiagram átadva az első mintapéldánnyal."

Kapcsolódó olvasmányok

• Olvasótoll MEMS mikrofon és zajszűrés
• Olvasótoll zajszűrés és RNNoise
• Olvasótoll visszhangszűrés és AEC
• Olvasótoll AGC és automatikus erősítés-szabályozás
• Olvasótoll kodek tömörítés MP3 vs AAC vs Opus
• Olvasótoll ASR automatikus beszédfelismerés
• OEM olvasótoll szolgáltatások
• Kérjen árajánlatot olvasótollra