离线会议系统的音频前端链路：从麦克风阵列到VAD的工程实现

做端侧语音系统的同行应该都有个共识：后端模型再强，前端信号质量跟不上，整体效果就会卡在瓶颈上。云端方案可以用算力补偿前端损失，离线场景没有这个选项——算力有限，前端必须一次做到位。

最近在调试一套离线会议系统的音频前端链路，从麦克风阵列配置到VAD参数调优，踩了不少坑。本文梳理几个关键环节的工程实现和实测数据，供做类似项目的同行参考。

一、麦克风阵列的选型与布局

会议场景的拾音需求和录音棚、手机通话完全不同。会议室的特点是人多、距离远、声源分散。发言人可能坐在桌子对面三四米远，也可能站在白板前侧身说话。

项目初期试过单支心形指向麦克风，实测发现坐在侧面的人发言时，拾音电平比其他位置低约10-15dB，导致ASR对这部分音频的识别率下降。后来改用双麦克风阵列加波束成形方案，通过空间分集覆盖不同方向的声源。

麦克风数量不是越多越好。每增加一支麦克风，就多一路音频流需要处理，对本地设备的算力是额外负担。多路音频的同步和相位对齐本身也是工程问题。最终采用的方案是双麦克风加波束成形算法，在覆盖范围和算力消耗之间取平衡。

设备摆放位置对拾音效果影响很大。实测中发现，设备放在会议桌中央时，各方向的拾音效果最均衡。如果设备偏向某一侧，对侧发言人的拾音电平会明显下降。另外，设备如果被文件、水杯、电脑遮挡，高频部分会被吸收，导致辅音识别率下降。

二、降噪：稳态噪声和非稳态噪声分开处理

会议室的噪声分两类：稳态噪声（空调、风扇、投影仪）和非稳态噪声（键盘敲击、翻页、椅子挪动、门外脚步声）。

两类噪声的处理策略不同。稳态噪声的频率特性相对固定，适合用谱减法或维纳滤波做持续抑制。非稳态噪声的频谱随时间快速变化，传统的频域方法容易误伤语音，需要引入时域的动态检测。

项目中的降噪模块采用两级架构。第一级用谱减法处理稳态噪声，实测可将空调噪声的频谱能量降低约15dB。第二级用基于深度学习的降噪模型处理非稳态噪声，通过声学场景分类动态匹配降噪策略。

这里有一个容易忽略的取舍：降噪强度不是越高越好。过度降噪会导致语音失真，尤其是辅音部分（如s、sh、f）被削弱后，ASR的识别率反而会下降。调试过程中，降噪强度从“激进”档调到“适中”档后，整体识别率反而提升了。

三、AGC自动增益控制

会议室里，离麦克风近的人声音大，远的人声音小。如果ASR引擎收到的音频电平忽高忽低，识别效果会不稳定。

AGC的作用是把不同距离的发言音量拉到相对一致的水平。原理不复杂：实时检测音频的RMS电平，根据目标电平动态调整增益系数。

AGC的参数调不好会引入新问题。增益调整太快，会把语音中的自然起伏抹平；调整太慢，又跟不上发言人的移动。项目中的参数是：增益调整时间常数设为200ms，目标电平设定在-18dBFS左右。这个配置在实测中能覆盖3-5米的发言距离，音量波动控制在±3dB以内。

四、VAD与断句优化

VAD（语音活动检测）的参数配置是另一个容易翻车的地方。

最初用默认参数：静音超过1秒判定语毕。结果在真实会议室里，说话人换气时的短暂停顿被频繁误判为“说完了”，一句话被切成好几段。多人连续对话时，一个人说完另一个人立刻接上，中间几乎没有静音间隔，系统完全没法自动分段。

调整分两步。第一，把固定静音阈值改成滑动窗口机制，在VAD之上增加一个2秒的缓冲队列，短暂停顿不触发语毕判定。第二，把语音段结束的判定条件从“单帧静音”改为“连续8帧静音”，减少瞬态噪声的误触发。

调整之后，断句准确率明显提升。实测中，15分钟多人会议的转写结果里，因静音段误触发的乱码从平均6-8处降到了0-1处。

五、前端处理和后端ASR的协同

音频前端处理的最终目标，是为后端ASR提供尽可能干净、稳定的输入。

项目中验证过一组对比数据：未经前端处理的原始音频直接送入ASR，安静环境下识别率约92%；经过降噪、AGC和波束成形处理后，识别率提升到98%以上。根据CNAS认可实验室的检测报告，这套系统在模拟企业真实内网集群拓扑的环境下，安静场景中文标准普通话实时收音转写综合识别率98.52%。

这个提升幅度说明：前端信号处理的精度，很大程度上决定了整个系统的效果上限。

六、一点工程思考

离线会议系统的音频前端设计，核心是在多个约束之间找平衡：覆盖范围和算力消耗的平衡、降噪强度和语音保真的平衡、AGC响应速度和自然度的平衡。

没有一套参数能适配所有会议室。项目中的配置是在特定环境下调出来的，换一个空间可能需要重新调参。这也是离线方案相比云端方案的一个现实差异：云端可以针对不同场景动态切换模型，离线方案需要提前把参数调到位。