Cleer ARC5耳机的AI语音增强在嘈杂环境中的应用

徐晓波

549人浏览 · 2025-11-21 15:03:47

徐晓波 · 2025-11-21 15:03:47 发布

Cleer ARC5耳机的AI语音增强在嘈杂环境中的应用

你有没有试过站在地铁口给同事打电话？风呼呼地吹，列车轰鸣着进站，广播里还循环播放着“请小心脚下间隙”——可你对面的人却听不清你说的每一个字。😅 更糟的是，你想唤醒语音助手查个路线，结果它压根没反应……是不是特别抓狂？

这正是开放式耳机长期被诟病的痛点： 听得爽，说得难 。

而最近Cleer推出的ARC5耳机，似乎想彻底打破这个魔咒。它没有走传统降噪的老路，而是直接把一套完整的 端侧AI语音增强系统 塞进了那对轻巧的耳挂里。不是简单加个“通话降噪”开关，而是让耳机真正“听懂”谁在说话、哪里是噪音、该怎么分离。

听起来像科幻？其实背后是一整套精密协作的技术组合拳。我们今天就来拆一拆，看看它是怎么在80dB喧嚣中，依然让你的声音清晰如初的。

先说个反常识的事实： 开放式耳机做语音增强，比封闭式更难 。

因为它根本不隔音啊！👂🏻 没有耳罩帮你挡住外界声音，麦克风收到的信号从一开始就是“人声+环境声”的大杂烩。传统方案在这种情况下基本束手无策——滤波器一通乱砍，要么削掉了你的“s”音，要么留下恼人的“水下感”。

但Cleer ARC5偏偏迎难而上，靠的是四招连环技：

多麦克风波束成形：给耳朵装上“雷达”

想象一下，你的声音是从嘴部发出的一束光，而周围全是乱晃的手电筒。怎么只捕捉那一束？答案是——用多个传感器组成阵列，算出光线方向，然后“聚焦”。

这就是 波束成形（Beamforming） 的核心逻辑。ARC5在左右耳各放了两颗高信噪比MEMS麦克风，构成了一个 双耳四麦阵列 。通过分析声音到达不同麦克风的微小时间差（TDOA），再结合头部对声波的遮挡效应，系统能大概判断：“嗯，这声音来自用户嘴前方30°区域。”

接着，算法会动态生成一个指向性“拾音波束”，像聚光灯一样锁定你嘴巴的方向，同时把侧方、后方的噪声压低12~18dB（IEEE AES研究证实）。而且整个过程延迟低于20ms，对话完全自然，不会出现“你说完它才开始听”的尴尬。

有意思的是，它的麦克风孔还用了 迷宫式防风结构 ——就像给话筒戴上了一顶隐形防风帽，骑行时6级大风也不容易产生“噗噗”气流声。🌬️

DNN语音分离：让AI当你的专属音频导演

如果说波束成形是物理层面的“选方向”，那接下来这步就是数字世界的“精修剪辑”。

ARC5内置了一个轻量级深度神经网络模型（推测是改进版Conv-TasNet或SE-Conformer），专门干一件事： 从一团混杂的声音里，把你的人声完整抠出来 。

它的处理流程大概是这样的：

def enhance_speech(noisy_audio):
    spec = stft(noisy_audio)  # 转到频域
    mag_spec, phase_spec = abs(spec), angle(spec)
    mask = dnn_model(mag_spec.unsqueeze(0))  # AI预测“该留哪些频率”
    enhanced_mag = mag_spec * mask
    clean_audio = istft(enhanced_mag * exp(1j * phase_spec))  # 变回人听的声音
    return clean_audio

别被代码吓到，重点在于——这不是传统的“一刀切”降噪。老方法比如谱减法，常常会误伤高频辅音（像“th”、“f”这种），导致语音发闷；而DNN模型是在百万级真实噪声数据上训练出来的，见过地铁轰鸣、餐厅喧哗、风雨交加……它知道什么是“该去掉的噪声”，什么是“必须保留的细节”。

实测数据显示，在城市交通场景下，这套DNN方案能让自动语音识别（ASR）准确率提升近40%。也就是说，你说“导航去三里屯”， Siri 再也不会听成“三米桶”了😂。

更关键的是，这个模型参数量控制在500万以内，能在耳机本地的专用AI协处理器上流畅运行—— 不需要联网、不传云端、隐私零泄露 。

自适应噪声抑制（ANS）：动静之间，拿捏得刚刚好

AI再强，也不能包打天下。有些噪声太突然，比如旁边有人按喇叭，AI还没反应过来你就已经说完一句话了。

所以ARC5还配了一套“快反应部队”——自适应噪声抑制（ANS）模块，采用 双级混合架构 ：

第一层：经典信号处理
用LMS或RLS算法实时估计背景噪声谱，500ms内就能稳住模型，快速压制稳态噪声（比如空调嗡嗡声）；
第二层：AI兜底精修
对第一层处理后的残余噪声，再用DNN进行语义级修复，尤其是那些非平稳、突发性的干扰。

系统还会根据环境自动切换三种模式：
- 安静环境（<45dB）：几乎不干预，保留原始质感；
- 中等嘈杂（45–75dB）：适度压制，平衡清晰与自然；
- 强噪声（>75dB）：火力全开，最大可衰减−30dB。

当然，这里有个微妙的平衡点： 降得太狠，声音会像 underwater 🐠；降得太轻，又听不清。 Cleer的做法是联合优化PESQ（语音质量）、STOI（可懂度）和MOS（主观评分），确保既听得清，又不觉得假。

双耳协同感知：左右耳联手，听力升级

人类为什么有两只耳朵？不只是为了立体声听音乐，更是为了在吵闹环境中分辨谁在跟你说话——也就是所谓的“鸡尾酒会效应”。

ARC5把这一原理搬到了耳机上。它利用蓝牙LE Audio的 等时同步流（Isochronous Streams） ，实现双耳间<10ms的时间同步误差，几乎是采样级对齐。

这意味着什么？

假设你在马路右侧行走，左侧车流滚滚而来。右耳麦克风已经被噪声淹没，但左耳相对干净。这时系统会：
- 对比两边信噪比，自动将左耳设为主声道；
- 或者启用“单耳聚焦 + 另一耳参考”模式，用右耳的数据辅助去噪；
- 甚至用卡尔曼滤波融合双耳特征，提高语音活动检测（VAD）准确性。

这就像是给耳机装上了“立体听觉大脑”，不再是两个孤立的小设备，而是一个协同工作的感知系统。

把这些技术串起来，ARC5的整体语音链路是这样的：

[环境声]
   ↓
→ [左耳双麦] → [ADC] → [Pre-DSP: 波束成形 + VAD]
                          ↓
                  [蓝牙 ↔] ←→ [右耳对称路径]
                          ↓
            [Fusion Engine: 双耳择优与对齐]
                          ↓
          [AI DSP: DNN分离 + ANS精修]
                          ↓
       [编码输出: Opus/LC3 @ 32–64kbps]
                          ↓
                 [手机接收并解码]

全程在耳机本地完成，端到端延迟控制在 30ms以内 ，比很多有线耳机还快。

举个实际例子：你在地铁进站口打电话，环境噪声高达80dB。此时：
- 四麦阵列锁定你嘴部方向，初步过滤侧向人声；
- DNN识别出“/s/”音易丢失，主动增强高频段；
- ANS发现低频轰鸣有规律，启动陷波滤波；
- 双耳协同判定右耳风噪更大，提升左耳权重；
- 最终输出语音信噪比提升约20dB，对方听起来就像你在安静办公室讲话。

当然，这么复杂的系统也不是没有代价。工程师们做了不少取舍和优化：