Design av mikrofonoppstilling med stråleforming for lesepenn

Målgruppe:Denne artikkelen er for lydmaskinvareingeniører og innkjøpere som trenger å evaluere eller spesifisere stråleforming av mikrofonarray på en lesepennelinje. Den forutsetter at du allerede vet hva en MEMS-mikrofon er, og at du nå må velge mellom delay-and-sum, MVDR og GCC-PHAT for din 2026-produksjon.

En enkelt MEMS-mikrofon på en lesepenn fanger inn barnets stemme pluss alt annet i rommet. To MEMS-mikrofoner plassert med en kjent avstand kan gjøre noe en enkelt mikrofon ikke kan: de kan lytte foretrukket i én retning og undertrykke lyd fra andre retninger. Denne spatiale filtreringen kalles beamforming, og på plattformene L5, T2 og Y6 løfter den den effektive SNR med ekstra 4–7 dB i tillegg til det RNNoise allerede oppnår. For en lesepenn som brukes 5–15 cm fra munnen i et klasserom på 30 dBA, er forskjellen mellom enkelt-mikrofon og dobbel-mikrofon-beamforming forskjellen mellom 72 prosent ASR-nøyaktighet og 84 prosent. Denne artikkelen forklarer hvordan beamforming fungerer på en lesepenn, de tre algoritmene som er i produksjon på tvers av de 11 modellene (B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2, Y6), og hvordan du spesifiserer beamforming i en innkjøpskontrakt.

1. Hvorfor en lesepenn trenger et mikrofonarray

En lesepenn er en håndholdt enhet med én mikrofon i tuppen. Ved hjemmebruk 1–3 cm fra munnen er signal-til-støy-forholdet ved mikrofonen høyt nok til at enkelt-mikrofon-ASR fungerer. Ved klasseromsbruk 5–15 cm unna, med 25–30 andre barn som snakker, faller SNR til 5–10 dB, og enkelt-mikrofon-ASR feiler 35–40 prosent av gangene. Den konvensjonelle løsningen er mer aggressiv støyreduksjon, men RNNoise på L5 har avtagende gevinst etter rundt 12 dB SNR-forbedring.

Beamforming løser et annet problem enn støyreduksjon. Støyreduksjon fjerner støy fra signalet; beamforming fjerner lyd fra uønskede retninger. I et klasserom er den uønskede retningen "bak pennen" — de andre barna, læreren, projektoren. Den ønskede retningen er "foran pennen" — barnets munn. Et to-mikrofon-array med 30 mm avstand kan produsere et kardioide-opptaksmønster som er 6–10 dB mer følsomt foran enn bak, noe som løfter SNR med 4–7 dB i et typisk klasseroms-støyfelt.

Plattformene L5, T2 og Y6 har to MEMS-mikrofoner nettopp for å muliggjøre dette. B1, B2, F8, K7, KF1, P2, Q6 og Q8 har kun én mikrofon og kan ikke kjøre beamforming; støyreduksjonen er deres eneste forsvarslinje.

2. Geometrien til et to-mikrofon-array

L5 plasserer sine to MEMS-mikrofoner langs pennens lengdeakse, 32 mm fra hverandre, nær hodeenden. T2 bruker samme geometri med 36 mm avstand. Y6 bruker 28 mm avstand. Alle tre har primærmikrofonen i tuppen og sekundærmikrofonen forskjøvet mot hodeenden. De to mikrofonene er matchede enheter (samme produsentparti, følsomhet innenfor ±1 dB) og samples simultant av lydkodeken.

Avstanden på 28–36 mm er et bevisst kompromiss. Ved 16 kHz samplingsfrekvens (frekvensen stråleformeren kjører ved) er bølgelengden til lyd ved 8 kHz 42 mm. To mikrofoner med 28–36 mm avstand kan løse romlig informasjon opp til omtrent 8 kHz; over dette slår grensen for romlig aliasing inn, og strålemønsteret blir rotete. For tale, som har mesteparten av energien under 4 kHz, er dette akseptabelt. For musikk, som har betydelig energi over 8 kHz, ville det ikke vært det — men lesepenner er ikke musikklyttingenheter.

Retningen for maksimal følsomhet er langs aksen fra sekundærmikrofonen til primærmikrofonen, som er retningen barnet holder pennen pekende (mot munnen eller siden). Retningen for minimal følsomhet er motsatt — bak pennen, der resten av klasserommet befinner seg.

3. De tre beamforming-algoritmene

Tre beamforming-tilnærminger brukes på tvers av de 11 produksjonsmodellene. De er ikke alle tilgjengelige på alle plattformer — kun L5, T2 og Y6 har to mikrofoner, så kun disse tre plattformene kjører beamforming.

Delay-and-sum er den enkleste. De to mikrofonsignalene tidsjusteres ved å forsinke den nærmeste, deretter midles. Dette produserer et kardioide-mønster med omtrent 4–6 dB front-til-bak-avvisning. MIPS-kostnaden er under 2 på en Cortex-A53. L5-fastvaren bruker delay-and-sum som standard for strømsensitive moduser.

MVDR (Minimum Variance Distortionless Response)er det optimale lineære filteret for et kjent støyfelt. Det tilpasser vektene per frekvensbin for å minimere støyeffekt under kravet om enhetsforsterkning i målretningen. MVDR gir 6–10 dB front-til-bake-avvisning i et diffust støyfelt som et klasserom. MIPS-kostnaden er 8–14 på en Cortex-A53. L5-, T2- og Y6-fastvaren bruker MVDR som standard for klasseroms-ASR.

GCC-PHAT (Generalized Cross-Correlation with Phase Transform) er en retningsestimator brukt til kildelokalisering. Den beregner tidsforsinkelsen mellom de to mikrofonsignalene og rapporterer ankomstvinkelen. T2 bruker GCC-PHAT for å avgjøre om talen kommer forfra (barnet) eller fra siden (en lærer eller søsken), og veksler mellom MVDR og en mer tillatende omnidireksjonsmodus deretter.

4. Mikrofonkonfigurasjon per modell

Tabellen nedenfor oppsummerer mikrofonkonfigurasjonen på tvers av de 11 produksjonsmodellene. "Mics" er antall MEMS-mikrofoner i huset; "Spacing" er senter-til-senter-avstanden i mm; "Algorithm" er beamforming-algoritmen (eller "n/a" hvis enkelt-mikrofon); "Front-back rejection" er målt ved 1 kHz i et ekkofritt kammer; "SNR gain" er SNR-forbedringen ved utgangen av beamformeren relativt til den beste enkeltmikrofonen, målt i et diffust klasseromsstøyfelt på 30 dBA.

Tallene viser innkjøpshistorien. L5, T2 og Y6 gir en SNR-gevinst på 5,0–6,1 dB sammenlignet med enkelt-mikrofon-plattformer i klasseromsstøy. Kombinert med RNNoise sin støydemping på 11,8–12,4 dB, blir den totale SNR-forbedringen fra inngangsmikrofon til ASR-motor 16,8–18,5 dB. Sammenlignet med B1, som bruker Wiener MMSE med én mikrofon og leverer bare 6,5 dB SNR-forbedring totalt, har L5 omtrent 2,7x SNR-fordelen.

5. Beamforming og støydemping: Lagdelt eller overflødig?

Et vanlig spørsmål er om beamforming og støydemping er overflødige. Det er de ikke – de opererer på ulike stadier og løser ulike problemer. Beamforming bruker romlig filtrering: den avviser lyd fra uønskede retninger mens den beholder lyd fra ønsket retning. Støydemping bruker spektral filtrering: den fjerner støy fra alle retninger basert på støyens spektrale signatur.

I et klasseromsstøyfelt som er omtrence diffust (lyd fra alle retninger), gir beamforming alene 5–6 dB SNR-gevinst fordi den avviser halve støyfeltet. Støydemping alene gir ytterligere 11–12 dB i samme støyfelt fordi residualstøyen har en stasjonær spektral profil som støydempingen kan subtrahere. De to er multiplikative: 5 dB fra beamforming pluss 12 dB fra RNNoise gir 17 dB totalt, noe vi måler på L5.

Hvis klasseromsstøyfeltet er ikke-diffust (f.eks. én høylytt taler 1 m til siden), gir beamforming 8–10 dB SNR-gevinst fordi den kan nullstille den spesifikke retningen. Støydemping gir 4–6 dB fordi den ikke enkelt kan subtrahere en ikke-stasjonær enkeltstående taler. Samlet gir de to 12–16 dB.

Derfor er T2 sin GCC-PHAT retningsdetektor viktig: den kan koble seg til en mer aggressiv nullstyringsmodus når en enkelt høylytt taler oppdages, og løfter den effektive SNR med ytterligere 2 dB i dette scenariet.

6. Beamforming i intercom-modus

Intercom-modus er den tøffeste beamforming-arbeidsmengden fordi pennen spiller av lyd gjennom høyttaleren (som AEC fjerner) og fanger opp forelderens stemme fra andre siden av rommet (som beamformeren bør prioritere). De to mikrofonene på L5/T2/Y6 kjører beamforming kontinuerlig under intercom, med målretningen satt til «langs pennens akse bort fra høyttaleren» – retningen forelderen typisk befinner seg i.

I praksis holder foreldre pennen i ulike vinkler, så GCC-PHAT på T2 beregner periodisk målretningen på nytt basert på hvor forelderens stemme kommer fra. L5 og Y6 bruker en fast målretning fordi GCC-PHAT ikke er i deres firmware; dette er en målbar, men liten forskjell i intercom-klarhet. Over 100 intercom-økter i vårt QA-laboratorium ble T2 vurdert som «klar» 92 prosent av tiden, L5 87 prosent og Y6 85 prosent.

7. Mikrofonmatching og kalibrering

Beamforming krever at de to MEMS-mikrofonene er godt matchet. En følsomhetsmismatch på 3 dB mellom de to mikrofonene får beamformeren til å sikte feil med 5–8 grader, noe som koster omtrent 1 dB front-til-bake-avvisning ved 1 kHz. På L5-, T2- og Y6-produksjonslinjene holdes mikrofonmatching innenfor ±1 dB følsomhet og ±2 graders fase ved 1 kHz, noe som oppnås ved lot-matching ved innkommende QA.

Mikrofonavstanden er også en kalibreringsparameter. L5-fastvaren lagrer en per-enhet-kalibreringsverdi for den faktiske avstanden målt ved end-of-line, og stråleformeren bruker denne verdien i stedet for den nominelle 32 mm. Uten per-enhet-kalibrering ville stråleformeren vært ute med 1–2 mm på enkelte enheter, og front-til-bake-avvisningen ville forringes til 6 dB i stedet for 8 dB.

For en importør som kjøper fra en ODM er dette kalibreringstrinnet det første som bør kontrolleres. Hvis ODM-en bruker nominelle avstandsverdier i stedet for per-enhet målte verdier, vil beamforming-ytelsen variere fra enhet til enhet og feilraten i felt vil øke.

8. Plassering av mikrofonarray og akustisk design

Hvor mikrofonene sitter i pennen er like viktig som algoritmen. De to MEMS-portene på L5 er 32 mm fra hverandre, begge på samme side av pennen, nær hodeenden, med den primære mikrofonen nærmere spissen og den sekundære mikrofonen 32 mm bak den. Plasten mellom portene er en solid barriere uten luftgap. Portene har 0,8 mm diameter, er i plan med husets overflate og beskyttet av en vanntett membran som ikke gir signifikant demping av lyd over 200 Hz.

T2 bruker 36 mm avstand med samme generelle layout, men den sekundære mikrofonen er plassert på en annen side (siden motsatt av høyttalerporten) for å redusere direkte akustisk kobling med høyttaleren. Y6 bruker 28 mm avstand i en mer kompakt layout for å få plass i et mindre pennehus, med et lite SNR-gevinsttap ved høye frekvenser.

For en OEM som designer en ny penn, er reglene for mikrofonplassering: begge mikrofoner på samme akse, på samme side, minst 25 mm fra enhver høyttalerport, med en solid plastbarriere mellom dem. B1 og B2 bryter regelen om samme side (de har én mikrofon på frontflaten og én på bakflaten av hodeenden) og gir derfor dårlig støydemping; dette ble korrigert i L5-revidert utgave.

9. Slik spesifiserer du beamforming i en innkjøpskontrakt

RFQ-språket for en lesepenn med stråleforming bør navngi array-geometrien, algoritmeklassen og den romlige filtreringsytelsen: «Mikrofonarray skal bestå av to matchede MEMS-mikrofoner med avstand på 28–36 mm på en felles akse, kalibrert per enhet ved end-of-line. Stråleformer skal oppnå front-til-bake-avvisning ≥ 7 dB ved 1 kHz i lyddødt kammer, SNR-forsterkning ≥ 5 dB i 30 dBA diffust klasseromsstøyfelt relativt til bedre enkeltstående mikrofon. Algoritmeklasse: MVDR for statisk støyfelt, GCC-PHAT retningsdeteksjon for adaptiv nullstyring.»

Tre detaljer er viktige. For det første, spesifikasjon for mikrofonmatching må være i kontrakten: ±1 dB følsomhet, ±2 grader fase ved 1 kHz. For det andre, per-enhet kalibrering må være i kontrakten: end-of-line måling av faktisk mikrofonavstand og følsomhet, lagret i firmwareens kalibreringspartisjon. For det tredje, måling av feltavvisning må være i kontrakten: beamformeren testes i et lyddød kammer med en 1 kHz-tone ved 0° og 180°, med avvisningen definert som dB-forskjellen.

Tips til innkjøper: Når du vurderer en ODMs beamforming-påstand, be om rapporten fra lyddød kammer som viser polart diagram ved 500 Hz, 1 kHz, 2 kHz og 4 kHz. En beamformer som leverer 8 dB avvisning ved 1 kHz, men bare 2 dB ved 4 kHz, er ikke produksjonsklar – taleenergien over 2 kHz bærer konsonantene.

10. Beslutningsmatrise og anbefalinger

For et helt nytt lesepenn-program som starter i 2026 og retter seg mot utplassering i klasserom, er anbefalingen dual-MEMS MVDR beamforming på L5/T2/Y6-plattformene med per-enhet kalibrering og matchet mikrofon-partikontroll. For programmer som kun retter seg mot hjemmebruk, er enkelt-mikrofon Wiener MMSE på K7/KF1/Q6/Q8 tilstrekkelig. For programmer rettet mot kostnadsdrevne markeder der klasseromsutplassering ikke er et bruksområde, er B1/B2/F8/P2 med spektral subtraksjon akseptabelt, men bør ikke selges med intercom-modus-funksjoner.

For en innkjøper som skriver beamforming-spesifikasjonen, er linjen som lukker kontrakten: «Dual-MEMS mikrofonoppstilling, matchet til ±1 dB følsomhet og ±2° fase ved 1 kHz, avstand 28–36 mm på felles akse, kalibrert per enhet; MVDR beamformer som oppnår ≥ 7 dB front-bak-avvisning ved 1 kHz og ≥ 5 dB SNR-gevinst i 30 dBA diffust klasseromsstøy; GCC-PHAT retningsbestemmelse for adaptiv null-styring på T2-klasse plattformer; polart diagram fra lyddød kammer levert med første artikkel.»

Relatert lesning

• Lesepenn MEMS-mikrofon og støydemping
• Lesepenn støydemping og RNNoise
• Lesepenn ekkokansellering og AEC
• Lesepenn AGC og automatisk forsterkningskontroll
• Lesepenn kodek-komprimering MP3 vs AAC vs Opus
• Lesepenn ASR automatisk talegjenkjenning
• OEM lesepenn-tjenester
• Be om tilbud på lesepenn