麦克风阵列技术通过多麦克风协同工作实现声源定位和降噪。核心算法包括：1）声源定位（TDOA法），利用声音到达时间差计算方位；2）波束成形（延迟求和与自适应算法），增强目标方向声音并抑制噪声；3）去混响和回声消除（WPE和AEC），消除环境反射和自身回声。这些技术将声音信号从一维时间域扩展为三维空间场，显著提升语音处理效果。

麦克风阵列技术的核心在于**“多耳协同”与“时空滤波”。它通过处理多个麦克风接收到的信号之间的时间差、相位差和幅度差**，来实现对声场的空间感知和信号增强。

以下是三大核心算法的技术原理深度解析：

一、 声源定位 (SSL - Sound Source Localization)

目标： 算出“谁在说话”的角度 (θθ)。

1. TDOA (Time Difference of Arrival) —— 到达时间差法

这是最经典、最常用的算法。

• 物理模型： 假设声源距离较远（远场模型），声波可以看作平面波。
• 原理：
  • 设两个麦克风之间的距离为 dd。
  • 声波到达麦克风 1 和麦克风 2 的时间不同，时间差为 ττ。
  • 声速为 cc（约 340m/s）。
  • 根据几何关系：cos⁡θ=c⋅τdcosθ=dc⋅τ​。
  • 反解出角度：θ=arccos⁡(c⋅τd)θ=arccos(dc⋅τ​)。
• 难点： 如何精准计算时间差 ττ？
  • 通常使用 广义互相关函数 (GCC-PHAT)。在频域上对两个信号做互相关，峰值对应的时刻就是时间差。

二、 波束成形 (Beamforming)

目标： “只听这个方向”，抑制其他方向的噪音。

1. 延迟求和 (Delay and Sum) —— 最基础的方法

• 原理：
  • 既然知道了声源在 θθ 方向，也就知道了声音到达每个麦克风的时间延迟。
  • 我们人为地给先听到的麦克风信号加一个反向延迟，让所有麦克风信号在时间轴上对齐。
  • 将对齐后的信号相加。
• 效果：
  • 目标信号： 相位一致，相加后幅度增强（相长干涉）。
  • 噪声信号： 来自其他方向，相位不一致，相加后互相抵消（相消干涉）。
  • 结果就像形成了一个指向目标的“听觉波束”。

2. 自适应波束成形 (MVDR / GSC) —— 进阶版

• 原理： 算法会根据当前的噪声环境，动态调整每个麦克风的权重。
• 目标： 在保持目标方向增益不变的前提下，让总输出噪声功率最小。
• 效果： 即使噪音源在移动（比如旁边有人走动），波束也能自动把那个方向的增益挖个坑（Null Steering），屏蔽掉噪音。

三、 去混响 (Dereverberation) 与 回声消除 (AEC)

1. 去混响 (解决“空旷感”)

• 场景： 机器人在大厅里，声音在墙壁上来回反射（混响），导致语音识别率下降。
• 原理： 利用线性预测 (WPE) 算法，预测出晚期反射声（回声尾巴）并将其减去，保留直达声。

2. 回声消除 (AEC - Acoustic Echo Cancellation)

• 场景： 机器人正在播放音乐，你打断它。麦克风听到的既有你的声音，也有它自己放的音乐（回声）。
• 原理：
  • 机器人知道自己播放的音乐信号是 x(t)x(t)。
  • 利用自适应滤波器 (NLMS / Kalman) 模拟扬声器到麦克风的传递路径。
  • 估算出麦克风里可能收到的音乐回声 y^(t)y^​(t)。
  • 从麦克风实际信号中减去这个 y^(t)y^​(t)，剩下的就是你说话的声音。

总结

麦克风阵列技术就是利用空间物理几何（麦克风位置）和数字信号处理（相关、滤波），把声音从“一维的时间流”变成了“三维的空间场”。