AI硬件拼“听力”：Soundskrit把定向拾音前移到麦克风物理层

摘要：AI眼镜、会议录音设备、车载座舱和机器人正在把语音从“唤醒入口”推向“生产力入口”。 Soundskrit中国区总监严更真认为，传统“全向麦克风+阵列+算法”方案虽然成熟，但在小型化终端中面临定向性能损耗、麦克风间距、算法复杂度和量产一致性等挑战。Soundskrit的思路，是把方向信息前移到MEMS麦克风物理层，通过定向麦克风输出带有空间指向性的原始信号，再与算法结合，为AI终端提供更可靠的目标声源增强能力。

过去两年，AI硬件的热度几乎被模型、算力和形态创新占据。AI眼镜、AI玩具、录音卡片……各种形态密集出现，终端厂商都在尝试回答同一个问题：大模型如何从云端走向真实世界？

但在真实场景里，一个更基础的问题开始浮出水面——AI设备首先要听清楚人说的话。过去，语音交互更多停留在唤醒词、简单指令和智能音箱问答层面，偶尔误唤醒、偶尔识别失败，用户还能接受。但当语音开始进入会议纪要、采访转写、直播收音、多人发言归因、声纹识别，甚至“随时随地的个人助理”场景后，音频输入的质量就不再只是体验问题，而是直接决定结果是否可靠。

“我觉得现在不一样了，现在它（音频）是一个商务用途了，要求有点高了。”Soundskrit中国区总监严更真在刚结束的慕尼黑电子展期间接受了与非网独家专访，并在现场进行了产品演示和技术原理讲解。

传统全向麦阵列为什么在AI终端里越来越吃力？

在今天的主流音频方案里，“全向麦克风+阵列+算法”依然是最常见、也最成熟的路线。它的实现原理：全向麦克风先把周围声音无差别收进来，多颗麦克风组成阵列，通过不同麦克风之间的时间差、相位差、幅度差判断声源方向，再由算法完成波束形成、差分、降噪、回声消除等处理，最终把目标声音从复杂环境声中“洗出来”。

严更真并不否认传统阵列路线的成熟性，但他认为，这条路线在AI终端里正在逼近技术瓶颈：“越想在复杂环境里变得更可用，系统就越‘重’。”在他的解释中，传统阵列的问题首先体现在“有效性能损耗”上。单颗全向麦克风本身可能具备不错的信噪比，但它没有天然方向性。要形成定向拾音，就需要用两颗甚至多颗全向麦克风做差分，通过算法构造出类似“八字形”的波束。这个过程并不是没有代价。严更真用业内常见口径举例，单颗全向麦可能做到约70dB，但两颗全向麦做差分后，为了实现方向性，系统有效性能可能会落到51—55dB区间。

传统阵列的方向性并不是来自麦克风器件本身，而是来自后端计算。两颗全向麦之间必须先采集到足够明显的空间差异，算法才有条件判断哪个方向是目标声源、哪个方向是噪声。但差分本身会抵消一部分信号，也会抬高系统底噪。在传统的音频应用场景中，这种方式已经足够，但是AI终端面临更复杂的应用场景。

8字型波束拾音区

 “我们单芯片定向麦克风简单的示意图就是这个：单芯片不需要算法，原始数据输出，就能形成很好的8字型波束拾音区，就能隔离90度和270度方向的噪声。”传统全向麦阵列是靠算法在后面“算”出方向性，而定向麦克风则希望在原始信号阶段就带有方向信息。

第二个瓶颈来自尺寸。麦克风阵列要发挥作用，需要麦克风之间保持一定距离，因为算法依赖的是不同位置采集到的声波差异。严更真转述业内经验称，两颗全向麦做定向时，间距通常要达到约2厘米才更可靠。这个距离放在桌面会议设备、智能音箱里并不夸张，但放进AI设备里，设计尺寸就太大。如果指向拾音必须依赖几厘米级别的阵列间距，很多产品形态天然就会被卡住。

第三个瓶颈是系统复杂度。传统阵列在简单场景下可以两颗麦解决问题，但一旦进入360°会议室、多人发言归因、车内四座声音分区、机器人声源定位等场景，厂商往往需要增加麦克风数量，用四麦、六麦甚至更多阵列来提高空间采样能力。麦克风数量增加之后，问题也随之增加：结构开孔更复杂，声学一致性更难保证，算法调参周期变长，功耗、成本、测试和量产校准压力都会上升。在某些录音卡片类设备上，传统方案可能会使用5、6个麦克风做阵列，而Soundskrit希望用“两个定向麦+一个全向麦”的紧凑组合达到相近的效果。

算法并不是越重越好。很多AI硬件既要降低环境噪声，又要保留人声的自然度。严更真提到，一些场景并不希望“处理很重”，尤其是希望保留讲话与音乐原声质感的场景，过度降噪会带来失真与不自然感，最终又会回到“输入端不够干净”的问题。

事实上，AI设备对音频的要求不再是简单的收音，而是要知道谁在说、从哪个方向说。这也是严更真反复强调“先把声音采干净”的原因。输入端如果混入太多环境噪声、多人声音和空间反射，后端模型就要付出更重的计算、更激进的滤波和更复杂的补偿。对于转写、说话人分离、发言归因和声纹识别来说，前端信号质量本身就是基础条件。

AI终端需要的是更底层的“增强型音频”能力：在前端尽量把目标声源和环境噪声分开，把空间方向、声源位置和目标用户信息更早带入信号链路。

把方向性前移到麦克风物理层

如果说传统全向麦阵列的思路是“先把声音收进来，再通过算法把目标声音分离出来”，那么Soundskrit想做的事情，正好反过来：是让麦克风在原始信号阶段就具备方向性。

按照严更真的描述，Soundskrit的方案仍然属于MEMS麦克风路线，Soundskrit的定向麦克风在振动薄膜上下各开一个孔，让声音从不同方向进入薄膜，由此引入可利用的路径差、相位差和压力差，从物理层帮助系统识别主讲人方向、抑制侧向噪声。严更真用一句话概括：“我们的硅麦在震动薄膜的上下各开了一个孔……通过相位识别谁是主讲人？”

这个原理可以用更直观的方式理解。普通全向麦克风的目标，是尽可能均匀地拾取来自各个方向的声音；而Soundskrit的定向MEMS麦克风，则更像是在器件结构里预先设计了一个“方向选择器”。当声音从麦克风正前方或正后方传来时，它到达薄膜两侧的路径、时间和压强存在差异，薄膜会产生相应振动，并转换成电信号；但如果声音来自90度或270度侧向方向，理想情况下，它到达薄膜两侧的时间和衰减距离更接近，薄膜两侧受到的压力差变小，振动也随之减弱。严更真在现场解释时说，侧向噪声如果到达薄膜两侧的压力接近，“那他就不震动了……不产生电信号了”，这就意味着麦克风在物理层已经对侧向噪声进行了天然抑制。

这带来的结果，是单颗定向麦克风原始输出就可以形成类似“8字形”的拾音区。严更真在现场拿着实物解释，Soundskrit麦克风通过两个孔的结构设计，在0度和180度方向提取声音最强，而90度和270度方向的声音则会被明显压低。

这正是“把方向性前移到物理层”的含义。

3D空间拾音的展示样机

Soundskrit的Butterfly评估套件则进一步展示了这种思路在3D空间拾音中的扩展。Butterfly包含三个正交布置的Soundskrit偶极麦克风和一个全向麦，总厚度小于3.5mm，麦克风信号可以用于判断声音到达方向，并自动把定向波束转向声源方向；其3D自动转向模式可以检测任意方向最响声源，并显示水平角和仰角。

在Soundskrit的产品体系里，Butterfly更像是一个把底层技术“可视化”的展示样机。它让终端厂商可以直观看到：声音从哪里来，系统如何判断方向，又如何把拾音波束转过去。

从结构看，Butterfly的关键在于“空间坐标”的建立。X/Y两个偶极麦覆盖水平面，Z轴偶极麦覆盖垂直方向，W全向麦提供参考信号。这样一来，系统处理的就不再是一组普通音频信号，而是带有空间方向信息的声音输入。对于会议转录、智能座舱、机器人交互等场景来说，这种能力的意义很直接：设备需要知道发言人来自左侧、右侧、前方，还是来自更高或更低的位置。

严更真在现场演示时，重点展示了这种“方向识别+波束跟随”的效果。他让现场人员说话，界面会显示平面角度；当人转动或移动到不同方向时，系统随之输出角度变化。他提到，在一米距离下，平面角度识别可以做到约±2.5度；切换到3D模式后，还可以识别声音的高低方向，也就是在水平角之外增加垂直角判断。按照他的解释，这类能力可以对应智能座舱、机器人原型机和会议转录等应用，“它其实在识别这个角度的同时，是在这个方向形成一个拾音区”，从而在瞬间压制其他方向的噪声。

因此，Butterfly的价值在于用极小体积实现3D声源定位和自动波束转向。对于客户来说，这类样机能够把“空间音频输入”从概念变成可测试、可调试、可迁移的设计参考。

从AI眼镜到录音卡片，定向拾音正在进入真实产品形态

定向拾音的价值，最终要在具体产品形态里被验证。慕展现场，严更真首先展示的是一款AI眼镜。它的特殊之处，是在鼻梁附近放置指向麦克风，拾音方向更接近佩戴者嘴部。

当用户通过眼镜打电话、录音或进行AI交互时，系统优先提取嘴巴附近的声音，避免把周围声音一股脑收进去。

现场测试中，笔者接通电话后持续说话，严更真站在旁边制造干扰声，从左边、右边、下方不同位置模拟展会现场的近距离噪声。普通全向麦很容易把旁边人声一起收进通话链路，但这次演示里，旁边噪声明显被压低，收音区域更集中在佩戴者嘴部。

眼镜天然贴近用户，也天然暴露在开放环境中。它传统全向麦容易把路人声、风噪和环境噪声一起采进来；定向麦的意义在于先限定有效拾音区，让后端算法面对更清晰的输入。

另一类正在快速升温的AI产品是录音卡片。相比传统录音笔，这类设备更轻、更薄，也更强调“录完即整理”的AI工作流。严更真提到，在某些录音卡片类设备上，传统方案可能需要5、6个麦克风做阵列，而Soundskrit希望通过“两个定向麦+一个全向麦”的紧凑组合达到较好的空间拾音效果。

这种思路还在延伸到车载座舱和机器人。严更真提到，智能座舱未来会越来越重视“声音分区”，包括前后排隔离、识别哪个座位在讲话；机器人则需要在嘈杂环境里判断用户方向，再做响应。对这些产品来说，定向拾音已经从单纯的音质优化，变成AI终端理解真实场景的一部分。

总结：AI硬件的音频竞争刚刚开始

Soundskrit是一家来自加拿大魁北克的定向麦克风技术公司，核心方向是将声音的方向信息前移到MEMS麦克风器件层面，通过定向硅麦、DOA声源方向识别和波束形成能力，为AI眼镜、录音卡片、会议转写设备、智能座舱、机器人、耳机和工业降噪等场景提供增强型音频方案。其技术特点在于单颗麦克风即可形成指向性拾音能力，配合多颗定向麦和全向麦，还可以实现360°声源追踪和3D空间拾音。

从AI眼镜、录音卡片到车载座舱和机器人，未来音频系统的核心价值会越来越接近“感知”。它要帮助设备判断谁在说、从哪里说、是不是目标用户在说。AI硬件最终比拼的不只是回答能力，也包括在真实环境中获取可靠输入的能力。设备只有先听清楚、分清楚、对得上，后端智能才有真正发挥空间。

Soundskrit方案的启发在于，音频链路的分工正在变化。硬件前端先完成一部分空间选择和目标声源增强，算法再负责更复杂的声源定位、波束切换、声纹识别、多说话人分离和语义理解。Butterfly评估套件展示的3D声源方向识别和自动波束转向能力，也说明空间音频输入正在成为AI终端可调用的一种前端能力，而不再只是录音质量的附加项。

严更真在采访中强调，前端如果不能把目标声音采干净，后端ASR、声纹识别和大模型都会受到影响。因此，AI终端的音频竞争会越来越重视“物理层增强+算法协同”，而这种竞争才刚刚开始。