三颗麦克风加一个降噪模型：拾音前端的四道取舍
多麦克风加模型降噪的无线拾音方案，宣传口径通常落在”几颗麦克风”和”AI 降噪”两个数字上。但声音不是被某个部件处理干净的，它是沿着一条链被一层层加工出来的：声波先经过指向性与防风这些声学结构，再进模拟增益级，然后才是数字端的阵列算法与模型推理，最后是编码与无线传输。链上每一层都在决定结果，也都在制造不可逆的损失。
评测这类方案的意义因此不在于”干不干净”，而在于回答两个更工程的问题：这一处听感问题出在哪一层，以及它还能不能修。下面按这条链把四道取舍逐条讲清，最后给一张分层排查表。
一、先定位：一次”降噪不行”可能落在四层里的任何一层
把一次拾音拆成四层，每层能决定的事和它造成的不可逆性完全不同。
| 层 | 这一层决定什么 | 不可逆的部分 | 常见误判 |
|---|---|---|---|
| 声学前端 | 指向性、防风、振动耦合、麦克风过载点 | 振膜被阵风推过载后，波形已削顶 | 把机械耦合的风噪当成算法不行 |
| 模拟增益级 | 本底噪声与动态余量的比例 | 增益不够时信号埋在线路噪声里，后期提升同步抬噪 | 靠数字放大补救，底噪一起放大 |
| 数字处理 | 阵列空间滤波、模型推理、误伤与延迟 | 被抑制掉的成分在输出流里不存在了 | 以为后期能”再捞回来” |
| 编码与传输 | 带宽、丢包与重传策略、时基一致性 | 丢失帧只能靠插值掩盖 | 把丢包隐藏听成降噪抖动 |
这四层是串联的：下面三层做得再好，也救不回第一层已经过载的波形。排查时先确定现象落在哪一层，比换算法有用得多。
| 听到的现象 | 最可能在哪一层 | 怎么验证 |
|---|---|---|
| 低频像打鼓，一阵风就轰 | 声学前端（机械耦合、防风不足） | 同一段讲话分别悬空与贴在衣物上录，对比低频能量；看原始通道是否整段顶满 |
| 人声发闷、句尾被吞、气声消失 | 数字处理（降噪误伤） | 同时录干声与降噪输出做 A/B；检查低能量段是否被门限切掉 |
| 偶发”啵”的一声爆音 | 编码与传输（丢包隐藏、重采样插补） | 把接收端丢包计数与缓冲水位曲线和爆音时刻对齐 |
| 距离稍远就断续 | 链路余量与天线布置 | 固定声源做距离扫描，同步记录信号强度与丢包率曲线 |
| 增益越大底噪越涨，找不到更干净的甜点 | 模拟增益级（信噪比见底） | 遮声只开增益测本底；确认降噪介入点在模拟级之后 |
| 安静房间里人声出现重影、忽远忽近 | 双重处理（相机或手机又降噪一次） | 关闭后级自动增益与设备自带降噪，改手动电平 |
二、取舍一：阵列增益与低频是几何问题，不是算法问题
多单元能做空间滤波，靠的是同一声波到达不同单元的时间差。时间差能不能被利用，取决于阵列孔径与波长的比值。声速约 343 米每秒，波长随频率变化很陡：100 赫兹对应约 3.4 米，1 千赫兹约 34 厘米，3 千赫兹约 11 厘米。把这几档摆在一起就能看出小体积发射器的天花板——两颗单元相距 2 厘米时，100 赫兹的波长是 3.4 米，两路之间的路程差不足波长的百分之几，相位差近乎为零，阵列在低频上拿不出可用的方向信息。
反过来的约束也存在：间距太大会有空间混叠，出现栅瓣。工程上一般按最高工作频率的半波长来给间距设上限，2 厘米间距对应约 8.6 千赫兹，在语音有效带宽内还算安全；再往上，波束图就会把来自某个方向的声音错认成来自另一个方向。所以小孔径阵列的真实处境是：低频没增益、超高频有折叠风险，可用窗口被压在中频段。
除了间距，还有两个常被忽略的点。其一是通道一致性：同一批次的麦克风单元（无论是驻极体还是微机电式）灵敏度差可以到 1 分贝以上，再叠加封装声孔尺寸、背腔容积与外壳开孔的差异，各路之间的固定相位差如果没标定，波束成形就会把硬件差异当成方向信息，结果是某些频段被莫名抵消。其二是阵列增益的物理上限：噪声在场统计上不相干时，N 通道相干合成的增益约为 10 乘 log10(N) 分贝，三通道约 4.8 分贝。想要更大增益就需要更大孔径或更多单元，而这两条都和”磁吸在小发射器上”的形态冲突。这是几何给出的价格标签，任何模型都改不了它。
三、取舍二：AI 降噪买到的干净，付的是延迟与音染
数据驱动的降噪对非平稳噪声（键盘、谈话声、突发碰撞）确实比传统谱减法更有效，但它的代价可以用两个量算出来：帧长与前瞻（lookahead）。算法延迟的下界大致是”分析帧长 + 前瞻帧长”，再加缓冲与重叠相加的实现开销。一个以 20 毫秒为帧、需要向前看一帧的模型，仅算法本身就近 40 毫秒；如果推理放在接收端或手机侧，再叠上编码、传输、数模转换，监听链路做到六七十毫秒并不意外。作为对照，走蓝牙立体声传输（A2DP 这一类协议）的端到端延迟通常在百毫秒量级，专有 2.4 吉赫兹链路可以压到十几毫秒——这也是为什么监听路径对协议选择比对算法更敏感。
延迟之外是音染。语音里最脆弱的成分恰好是低能量、高频率的那部分：清辅音、气声、呼吸。模型在训练时把这类能量分布与”噪声”高度重叠的部分学成了抑制对象，结果就是”s””f”发虚、齿音消失、句子结尾被削掉。第二个常见失败是混响：模型把房间反射当作噪声压掉，人声会变得极干、像在水下，听感上”干净”了，空间信息却没有了。第三是背景人声：会议、采访、展会这类场景里，别人说话本来就是内容的一部分，以”抑制人声以外一切”为目标训练出来的降噪，会把插话的人整个抹掉。
模型规模与算力也构成一条约束：推理放在发射器端，功耗与电池直接顶上来；放在接收端或相机、手机侧，链路延迟与集成复杂度就上来了。这是一个位置问题，不是”强不强”的问题。
四、取舍三：实时干净与事后可靠是两条不同的产品路线
现场直播、会议、短视频口播需要的是”输出即成品”，降噪必须在链路里实时发生。代价是：一旦模型误伤了内容，信号就永久没了，后期无从补救。专业录音的做法相反——同时留一份未经处理的原始干声，哪怕是噪声很大、风噪很重的那一份。因为原始信号里的信息还在，事后可以用更强的离线模型甚至人工处理，而实时链路的输出不可逆。这就是”实时可用”与”事后可修”之间的取舍：只留降噪结果的产品，等于把全部决定权交给现场那一刻的模型状态。
还有一个几乎总被忽略的事实：后级还会再处理一次。相机与手机的自动增益、限幅、内置降噪会作用在已经降噪过的信号上。二次降噪最坏的后果不是”更干净”，而是相位与频谱被两次不同模型的判断互相撕扯，出现忽远忽近的重影感；限幅与自动增益则会把动态压扁，让前面所有努力看起来像录音质量差。工程上的对应动作很朴素：把后级的自动处理关掉或设为直通，用手动电平，并留出足够的数字头余量（例如峰值控制在负十二分贝满刻度左右），让最响的一句也不要去碰削波。
需要强调一点：风噪属于这一类不可逆问题的典型。阵风作用在振膜上产生的是大幅值低频压力，足以把瞬时声压推过麦克风的过载点；一旦模拟级削顶，无论阵列还是模型都只能”绕着”这段破损做处理。解决方案在第一层——防风罩、减少结构传声的悬挂、别把振膜直接暴露在对准风向的位置。
五、取舍四：无线链路的物理约束不会让步
2.4 吉赫兹是同频共存最拥挤的频段：Wi-Fi 的一个信道就能占掉二十兆赫兹，蓝牙用自适应跳频避让，而拾音系统要在同样的频段里保住一条持续、低抖动、不能重放的数据流。抗干扰手段基本是三类：跳频躲避、重传与缓冲、接收分集。三者都有代价——跳频会带来瞬时切换与失锁；重传缓冲加深意味着延迟，且缓冲深度直接决定可容忍的干扰时长；分集接收（两副天线择优）增加硬件但几乎不占延迟预算，是性价比最高的一项。
丢包时的隐藏处理（用前后帧插值填掉缺口）在短突发时听不出来，连续几帧以上就会变成”断续””重影”。评测时不要只听”有没有断”，要统计单位时间的失败率分布，同时看接收端能否导出丢包计数——拿不到计数的设备，故障归因就只能靠耳朵。
时基是另一条容易被忽视的约束。发射端与接收端各有一颗晶振，几十 ppm 的偏差意味着每秒几微秒的累积，几分钟就会让缓冲水位单调爬升或下降；接收端必须靠重采样或增删副本来滑移对齐，而这类操作在听感上的表现就是偶发的音调抖动或爆音。所以”链路稳不稳”不只是射频问题，也是时基管理问题。多设备同场还要额外考虑信道规划与互调：把发射器贴近接收天线、多台同频同时工作，接收端前端的互调产物可能比射频遮挡更早出现。电池与发射功率同样在拉扯——功率降档换来的续航，最终以边缘位置的链路余量形式还回来。
六、洹拓视角：把音频链路当成有 SLA 的系统来评
评测这类产品，最没用的做法是在一个安静房间里说一句”效果挺好”。有价值的做法是固定场景与指标。建议的噪声场景清单：
- 空调与风机类稳态低频噪声，检验本底与抑制深度。
- 键盘与鼠标点击类突发噪声，检验非平稳抑制与误伤。
- 地铁或车间类宽谱高能量噪声，检验过载与失真边界。
- 自然风（含阵风口对准振膜），检验声学前端而不是算法。
- 多人背景谈话（目标人在说话、旁边人也在说），检验”抹掉别人”的倾向。
- 同场多台设备与满负荷 Wi-Fi，检验跳频、分集与缓冲策略。
- 从近讲一米到十米的距离扫描，检验链路余量的衰减曲线。
每个场景要同时看四类指标，缺一不可：主观听感评分（多人、盲测、给分理由）、语音可懂度（用朗读与音节测试而不是凭印象）、端到端延迟（用拍手对帧或环回测量）、失败率（丢包、断续、爆音每分钟发生次数）。只报”干净”的评测没有工程价值，因为它奖励过度抑制。
在洹拓参与评估一体化方案时，我们把音频链路当系统而不当配件来签验收：每一层留一个可观测项（前端留过载标志位、模拟级留本底噪声、数字层留干声通道、传输层留丢包计数），并要求同时输出实时处理结果与一路未处理的原始信号。做不到这四层观测的设备，出问题就只能靠猜。
拾音质量是链路工程的结果。三颗麦克风给的是几何上限，一个模型给的是中频段的抑制能力，剩下的一半以上——防风、增益余量、干声留存、链路时基——都在算法之外。