新闻详情

新闻详情

首页 / 资讯中心 / 详情

车载语音老误触发副驾说话?定向拾音才是车机的正经解法

发布时间:2026/11/21 5:47:54来源:尧图网络
车载语音老误触发副驾说话?定向拾音才是车机的正经解法
主驾喊声小X副驾正在打电话结果系统把副驾的话也识别进去了——这是车机语音工程师最头疼的日常。降噪能压住风噪胎噪但压不住旁边人声车机需要的其实是方向感。做车载语音的工程师对下面这些场景一定不陌生副驾在打电话主驾说打开空调系统把副驾那句晚上吃什么也识别进来了两个指令同时执行。车速一上来风噪胎噪全进来了语音唤醒老失败喊了好几遍才有反应。后座小孩在后面吵前排麦克风把小孩的声音也收进来识别结果一塌糊涂。车机语音的难点和手机完全不同。手机麦克风贴着嘴声源近、方向准车里是开放空间一个麦克风要照顾整个座舱四面八方全是声源——引擎声、风噪、胎噪、副驾、后排、空调出风口。01 车内收音难在全向和方向打架车机语音要做两件事唤醒识别小X指令和免提通话打电话时收音。两件事都卡在同一个声学问题上声源远主驾嘴离麦克风至少 40–60cm声能衰减明显噪声大风噪、胎噪、引擎声是中低频持续噪声功率不低多说话人副驾、后排都在说话麦克风分不清该听谁免提回音扬声器放出的对方声音会被麦克风收回必须做 AEC传统方案靠两招AI 降噪压环境噪声AEC 消回音。这两招能解决风噪胎噪和喇叭回音但解决不了旁边人声——副驾说话是人声AI 降噪舍不得删于是全被识别进去了。要区分主驾说话和副驾说话靠的是方向判断波束成形。02 波束成形让麦克风只听主驾波束成形的原理用两个数字麦克风组成阵列左右隔开几厘米同一个声音到达两个麦的时间有一丁点差异。算法根据这个时间差判断声源方向只增强目标方向抑制其他方向。装进车机最直接的价值是区分主驾和副驾波束对准主驾副驾方向的声音被抑制——副驾打电话、聊天不会再误触发主驾声音被重点增强唤醒率、识别率明显提升后座、空调出风口方向的声音一并被压下去对车机来说这一步意义很大它把全向麦 降噪升级成了定向麦 降噪从什么都收再处理变成一开始就只收该收的。03 双波束双声道前排主副驾分开收音主驾副驾都要说话、都想语音控制怎么办AU-60 这颗语音处理模组支持双波束双声道输出正好解决前排双人场景左波束对准主驾方向输出一路音频右波束对准副驾方向输出另一路音频两路互不串音可以分开识别、分别响应这意味着车机可以实现真正的前排分区语音主驾喊开空调副驾喊切歌系统能分辨两个指令来自不同位置分别处理而不是乱成一团。04 车载还要过三关回音、噪声、高温做车机光有波束成形还不够还要把下面的问题一起解决车载难题需要的能力免提回音AEC 消回音要足够深AU-60 约 100dB、收敛要快支持空间延迟补偿全双工通话不啸叫风噪胎噪AI ENC 降噪压制持续中低频噪声AU-60 约 45–90dB唤醒率和识别率才稳得住前排双人双波束双声道主副驾分开收音互不串音实现分区语音高温环境模组选工业级、工作温度范围要覆盖车规要求可 SMT 贴片节省空间AU-60 把这几个能力打包进一颗 37.5mm × 16mm 的邮票半孔模组AI ENC AEC 双麦波束 10 种连接模式USB/模拟/I2S/SPI 都能接。车机主控不管用哪种音频接口都能对接。05 选车机语音方案重点问四件事如果你正在为车机/后装车机选语音模组别只看参数表上的降噪多少 dB重点确认1. 能不能区分主驾和副驾要的是真正能输出两路独立音频的双波束而不是双麦合一路——那是单波束区分不了前排双人。2. AEC 够不够深、收敛够不够快免提通话场景回音消不干净全双工就废了。确认 AEC 深度和支持的空间延迟补偿。3. 接口和你主控对得上吗有的车机主控只有 I2S 数字音频有的只有 USB。确认模组支持你需要的连接模式否则还要加转换芯片。4. 尺寸功耗过不过得了车规布局邮票半孔 SMT 封装比插针省空间静态电流低的才适合车上长期供电。AU-60 在这几点上都能对上正在做车机、行车记录仪语音方案、后排娱乐屏语音的团队值得拿样品到整车上实测一下。写在最后车载语音的内卷方向正从降噪深度转向方向选择。大家都在堆降噪数字但真正的体验差距来自能不能分清主驾在说话还是副驾在说话。波束成形 AI 降噪 AEC才是车机语音该有的完整组合降噪压环境AEC 消回音波束分方向。方向问题解决了唤醒率、识别率、免提体验才能一起提升。如果你们在做车载语音产品评论区聊聊目前最头疼的是唤醒还是免提回音。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉