読みペン向けビームフォーミング・マイクロホンアレイ設計

対象読者：この記事は、音声ハードウェアエンジニアおよび、読書ペン製品ラインのマイクロホンアレイによるビームフォーミングを評価・仕様化する必要のある調達担当者を対象としています。MEMSマイクロホンの基礎は理解しており、2026年向けの製品企画において delay-and-sum、MVDR、GCC-PHAT のいずれを選ぶかを判断したい方を想定しています。

読書ペンに搭載された単一のMEMSマイクロホンは、子どもの声と室内のすべての雑音を拾ってしまいます。既知の距離で配置された2つのMEMSマイクロホンは、単一マイクでは不可能なことを実現します。特定の方向からの音を優先的に拾い、それ以外の方向からの音を抑えることができます。この空間フィルタリングをビームフォーミングと呼び、L5、T2、Y6 の読書ペンプラットフォームでは、RNNoise がすでに達成している SNR をさらに 4〜7 dB 押し上げます。教室環境（30 dBA）で口から 5〜15 cm の距離で使用される読書ペンにおいて、単一マイクとデュアルマイクのビームフォーミングの差は、ASR 認識率 72% と 84% の差に直結します。本記事では、読書ペンにおけるビームフォーミングの動作原理、生産中の 11 モデル（B1、B2、F8、K7、KF1、L5、P2、Q6、Q8、T2、Y6）で採用されている 3 種類のアルゴリズム、そして購入仕様書でビームフォーミングをどのように指定するかを解説します。

1. なぜ読書ペンにマイクロホンアレイが必要なのか

読書ペンは、先端部に単一のマイクロホンを備えたハンディ型デバイスです。家庭での使用（口から 1〜3 cm）では、マイクロホン位置での音声対雑音比が十分に高いため、単一マイクの ASR で問題なく動作します。教室での使用（5〜15 cm）では、他の 25〜30 名の子どもが話している環境下、SNR は 5〜10 dB まで低下し、単一マイクの ASR は 35〜40% の確率で失敗します。一般的な解決策としては、より強力な雑音抑制がありますが、L5 の RNNoise は約 12 dB の SNR 改善を超えると効果が頭打ちになります。

ビームフォーミングは雑音抑制とは異なる課題を解決します。雑音抑制は信号から雑音を除去しますが、ビームフォーミングは特定方向以外からの音を除去します。教室環境において不要な方向は「ペンの後方」、すなわち他の子どもたち、教師、プロジェクターの音です。欲しい方向は「ペンの前方」、すなわち子どもの口元です。30 mm 間隔で配置された 2 マイクアレイは、前方感度と後方感度の差が 6〜10 dB のカーディオイドピックアップパターンを生成し、一般的な教室騒音環境において SNR を 4〜7 dB 改善します。

L5、T2、Y6 の各プラットフォームは、この機能を実現するため 2 つの MEMS マイクロホンを搭載しています。B1、B2、F8、K7、KF1、P2、Q6、Q8 は単一マイクロホンの構成であり、ビームフォーミングには対応していません。これらのモデルでは雑音抑制が唯一の防御手段となります。

2. 2 マイクアレイの幾何学的配置

L5 は 2 つの MEMS マイクロホンをペン長手方向に沿って、先端寄りに 32 mm 間隔で配置しています。T2 は同じレイアウトで 36 mm 間隔です。Y6 は 28 mm 間隔を採用しています。3 機種いずれも、主マイクロホンは先端側に、副マイクロホンは頭部側（ペン後方）にオフセットして配置されています。2 つのマイクロホンはマッチング品（同一製造ロット、感度偏差 ±1 dB 以内）であり、オーディオコーデックにより同時サンプリングされます。

28〜36 mm という間隔は、意図的に選ばれたトレードオフです。ビームフォーマーが動作するサンプリングレート 16 kHz において、8 kHz の音波の波長は 42 mm です。28〜36 mm 間隔の 2 マイクは、最大約 8 kHz までの空間情報を分解できます。それを超えると空間折り返しの限界に達し、ビームパターンが乱れます。音声エネルギーの大半が 4 kHz 未満に集中する音声用途では許容範囲です。8 kHz 以上に多くのエネルギーを持つ音楽用途には不向きですが、読書ペンは音楽再生デバイスではありません。

最大感度の方向は、副マイクロホンから主マイクロホンへ向かう軸方向、つまり子どもがペンを向ける方向（口元またはページの方向）です。最小感度の方向はその逆で、教室全体の雑音が存在するペンの後方となります。

3. 3 つのビームフォーミングアルゴリズム

生産中の 11 モデルでは、3 種類のビームフォーミング手法が採用されています。すべてのモデルで全方式が利用できるわけではなく、L5、T2、Y6 の 3 機種のみが 2 マイク構成のため、ビームフォーミングの処理を行います。

遅延加算（Delay-and-sum）は最もシンプルな方式です。2 つのマイクロホン信号を、近い側を遅延させて時間的に整列させ、平均化します。これにより、約 4〜6 dB の前後比（前後抑圧比）を持つカーディオイドパターンが得られます。Cortex-A53 における MIPS コストは 2 未満です。L5 ファームウェアでは、低消費電力モードのデフォルトとして delay-and-sum を採用しています。

MVDR（最小分散無歪応答）は、既知の雑音環境において最適な線形フィルタです。目標方向のゲインを 1 に維持するという制約条件下で、雑音パワーを最小化するように周波数ビンごとの重みを適応的に求めます。教室のような拡散雑音環境において、MVDR は 6〜10 dB の前後抑圧比を実現します。Cortex-A53 における MIPS コストは 8〜14 です。L5、T2、Y6 のファームウェアでは、教室での ASR 用途のデフォルトとして MVDR を採用しています。

GCC-PHAT（位相変換付き一般化相互相関）は、音源定位に用いられる到来方向推定手法です。2 つのマイクロホン信号間の時間遅延を計算し、到来角度を算出します。T2 では GCC-PHAT を利用して、音声が前方（子ども）から到来しているのか、側面（教師やきょうだい）から到来しているのかを判別し、状況に応じて MVDR と、より広範な無指向モードを切り替えます。

4. モデル別マイクロホン構成

下表は、生産中の 11 モデルのマイクロホン構成をまとめたものです。「Mics」は筐体に搭載されている MEMS マイクロホンの数、「Spacing」は中心間距離（mm）、「Algorithm」はビームフォーミングアルゴリズム（単一マイクの場合は「n/a」）、「Front-back rejection」は無響室における 1 kHz 実測値、「SNR gain」は、30 dBA の拡散教室騒音環境下において、良側の単一マイク出力に対するビームフォーマー出力の SNR 改善量を示します。

数字は調達の判断材料を物語っています。L5、T2、Y6は、教室内の騒音環境においてシングルマイク搭載モデル比5.0〜6.1 dBのSNR向上を実現します。さらにRNNoiseによる11.8〜12.4 dBのノイズ抑制改善を組み合わせると、入力マイクからASRエンジンまでの合計SNR向上は16.8〜18.5 dBに達します。シングルマイクのWiener MMSEを採用するB1の合計SNR改善が6.5 dBであることを考えると、L5は約2.7倍のSNR優位性を持つことになります。

5. ビームフォーミングとノイズ抑制: 多層化か冗長か?

よくある質問として、ビームフォーミングとノイズ抑制は冗長ではないかという点が挙げられます。しかし両者は異なる処理段階で異なる課題に対応するため、決して冗長ではありません。ビームフォーミングは空間フィルタリングとして動作し、不要な方向からの音を抑圧して目的方向の音を保持します。ノイズ抑制はスペクトルフィルタリングとして動作し、すべての方向から到来するノイズをそのスペクトル特性に基づいて抑圧します。

教室環境のようなほぼ拡散的な音場では、ビームフォーミング単独で5〜6 dBのSNR向上を実現できます。これはノイズ場の約半分を除去できるためです。ノイズ抑制単独では、同じ音場に対してさらに11〜12 dBの向上が得られます。残留ノイズは定常的なスペクトルプロファイルを持つため、ノイズ抑制がそれを減算できるのです。この両者は乗算的に作用します。ビームフォーミングによる5 dBとRNNoiseによる12 dBを合わせると合計17 dBとなり、これはL5の実測値と一致します。

教室内の騒音が非拡散的(例: 横1 mの位置にいる1人の大きな話し手)の場合、ビームフォーミングは8〜10 dBのSNR向上を実現できます。これは特定方向をヌル化できるためです。ノイズ抑制は4〜6 dBの改善にとどまります。非定常な単独話者をスペクトル減算で除去することは困難だからです。両者を併用した場合の効果は合計12〜16 dBとなります。

この理由から、T2のGCC-PHATによる到来方向検出機能が重要となります。大きな単独話者を検知した際により積極的なヌルステアリングモードへ切り替え、そのシナリオで実効SNRをさらに2 dB引き上げます。

6. インターコムモードでのビームフォーミング

インターコムモードは最も難易度の高いビームフォーミングのワークロードです。ペンがスピーカから音声を再生し(AECが除去)、室内の離れた場所から保護者の声を収音する必要があるためです(ビームフォーマーは保護者の声を優先的に収音すべき)。L5/T2/Y6の2つのマイクは、インターコム中は常にビームフォーミングを実行し、目標方向を「ペン軸方向でスピーカと反対側」、すなわち保護者がいる典型的な方向に設定しています。

実際には保護者はさまざまな角度でペンを保持するため、T2のGCC-PHATが保護者の声の到来方向を定期的に再計算します。L5とY6はファームウェアにGCC-PHATが搭載されていないため固定目標方向を使用しており、インターコムの明瞭度にわずかながら計測可能な差が生じます。当社QAラボでの100セッションのインターコム評価において、T2は92%の確率で「クリア」と評価され、L5は87%、Y6は85%でした。

7. マイクマッチングとキャリブレーション

ビームフォーミングには2つのMEMSマイクの特性が密に一致していることが必要です。2マイク間で感度差が3 dBあると、ビームフォーマーの方向が5〜8度ずれてしまい、1 kHzにおける前後抑圧が約1 dB低下します。L5、T2、Y6の生産ラインでは、感度±1 dB以内、1 kHzにおける位相±2度以内のマイクマッチングが維持されており、これは入荷QAでのロットマッチングによって達成されています。

マイク間隔もまたキャリブレーションパラメータです。L5のファームウェアは最終組み立て時に測定された実間隔の個別キャリブレーション値を保持し、ビームフォーマーは公称32 mmではなくこの値を使用します。個別キャリブレーションを行わない場合、一部のユニットで1〜2 mmの誤差が生じ、前後抑圧は8 dBから6 dBに劣化します。

ODMから調達するインポーターにとって、このキャリブレーション工程は最初に確認すべきポイントです。ODMが実測値ではなく公称間隔値を使用している場合、ビームフォーミング性能はユニットごとにばらつき、現場での故障率が上昇します。

8. マイクアレイの配置と音響設計

ペン内部におけるマイクの配置は、アルゴリズムと同様に重要です。L5の2つのMEMSポートはペン先端側に集中し、ペン同面に32 mm間隔で配置されています。プライマリマイクはペン先端寄りに、セカンダリマイクは32 mm後方に位置します。ポート間のプラスチックは空洞のない堅牢な隔壁構造です。ポート径は0.8 mmで筐体表面と面一となっており、防水メンブレンで保護されています。このメンブレンは200 Hz以上の音声帯域において顕著な減衰をもたらしません。

T2は36mm間隔で同じ一般的なレイアウトを採用していますが、セカンダリーマイクは別の面(スピーカーポートの反対側の側面)に配置されており、スピーカーとの直接的な音響結合を低減しています。Y6はより小型のペン筐体に対応するため、28mm間隔のより狭いレイアウトを採用しており、高域でわずかなSNRゲインのペナルティがあります。

新規ペンを設計するOEMにとって、マイク配置のルールは次のとおりです。両マイクを同一軸・同一面上に配置し、スピーカーポートから25mm以上離し、その間に堅牢なプラスチック製隔壁を設けること。B1およびB2は同一面のルールに違反しており(ヘッド部の一方の面と反対側の面にマイクが1つずつ配置されています)、そのためにノイズ抑制性能が劣っています。この点はL5のリデザイン時に修正されました。

9. ビームフォーミングの調達契約における指定方法

ビームフォーミング付き読み上げペンのRFQ文言は、アレイ形状、アルゴリズムクラス、空間フィルタリング性能を指定する必要があります:「マイクロホンアレイは、同一軸上に28〜36mm間隔で配置された一対のマッチドMEMSマイクで構成し、工場出荷時にユニットごとに校正を行うこと。ビームフォーマーは無響室において、1kHzで前方-後方比7dB以上、30dBA拡散教室騒音環境下で高性能単一マイク比SNRゲイン5dB以上を達成すること。アルゴリズムクラス:静的な騒音環境向けMVDR、適応ヌルステアリング向けGCC-PHAT到来方向検出。」

重要なポイントが3つあります。第一に、マイクマッチング仕様を契約に含める必要があります: 1kHzにおける感度が±1dB、位相が±2度。第二に、ユニットごとの校正を契約に含める必要があります: 実際のマイク間隔と感度を工場出荷時に測定し、ファームウェアの校正パーティションに保存すること。第三に、指向性除去性能の測定を契約に含める必要があります: ビームフォーマーは無響室で、0度および180度からの1kHzトーンを用いて試験し、その除去量をデシベル差として定義すること。

購入者向けヒント:ODMのビームフォーミング性能を評価する際は、500Hz、1kHz、2kHz、4kHzにおけるポーラパターンを示す無響室の測定報告を依頼してください。1kHzで8dBの除去性能を発揮しても、4kHzではわずか2dBしか得られないビームフォーマーは量産には適していません。2kHzを超える音声エネルギーが子音を担っているからです。

10. 意思決定マトリクスと推奨事項

2026年に開始し classroom 配備をターゲットとする新規読み上げペンプログラムでは、L5/T2/Y6プラットフォーム上でのユニットごとの校正とマッチドマイクのロット管理を備えたデュアルMEMS MVDRビームフォーミングを推奨します。家庭使用のみをターゲットとするプログラムでは、K7/KF1/Q6/Q8上のシングルマイクWiener MMSEで十分です。教室配備が用途に含まれないコスト重視市場向けのプログラムでは、B1/B2/F8/P2のスペクトルサブトラクションが許容されますが、インターコムモード機能付きで販売すべきではありません。L5/T2/Y6プラットフォーム搭載のデュアルMEMS MVDRビームフォーミング【修正：空欄】 各ユニットごとのキャリブレーションと、適合マイクのロット管理を実装しています。家庭での使用のみを対象としたプログラムでは、K7/KF1/Q6/Q8に単一マイクのウィナーフィルタMMSEを適用するだけで十分です。教室での展開を想定していないコスト重視の市場向けのプログラムでは、B1/B2/F8/P2にスペクトルサブトラクションを採用することもできますが、インターホン機能を搭載して販売することはできません。

ビームフォーミング仕様を起草する調達担当者にとって、契約を締める一文は次のとおりです:「デュアルMEMSマイクロホンアレイは、1kHzにおける感度が±1dB、位相が±2度以内でマッチドであること、同一軸上に28〜36mm間隔で配置されていること、ユニットごとに校正済みであること。MVDRビームフォーマーは、1kHzで前方-後方比7dB以上、30dBA拡散教室騒音環境下でSNRゲイン5dB以上を達成すること。T2クラスのプラットフォームでは適応ヌルステアリング向けにGCC-PHAT到来方向検出器を搭載すること。初回納入時に無響室のポーラプロットを提出すること。」

関連記事

• 読み上げペン MEMSマイクとノイズキャンセレーション
• 読み上げペン ノイズ抑制とRNNoise
• 読み上げペン エコーキャンセレーションとAEC
• 読み上げペン AGCと自動ゲイン制御
• 読み上げペン コーデック圧縮 MP3 vs AAC vs Opus
• 読み上げペン ASR 自動音声認識
• OEM読み上げペンサービス
• 読み上げペンの見積もり依頼