音箱行业有着悠久的历史，但是在过去十多年里，传统的音箱行业面临着极大的市场困境，例如蓝牙音箱刚出现各个厂商便直接杀成了一片红海。而2015年随着智能音箱的涌现，特别是亚马逊的Echo、京东的叮咚、阿里的小飞，不仅对外展现出了智能音箱行业百花齐放的局面，也使沉闷的音箱市场看到了突破性发展的希望。但是，随着这些巨头们的集体涌入，这也让在智能音箱行业摸爬滚打的创业者倍感艰难。

 

音箱特别是中高端音箱，本来就是强调品牌且技术门槛较高的领域。而智能音箱将声学设计、无线技术、语音识别、远场拾音、语义分析等众多技术融合在一起，不仅技术更为复杂，而且更加依赖音乐内容平台的支持，这些诸多因素都是创业者需要直面解决的难题。当然，技术还是其中的根本，本文希望从市面上现有的流行产品分析其中的几项关键技术，以及一些不可规避的用户体验问题，也给正在创业或者准备进入这个领域的创业者一些参考。

 

 

（1）小型便携与低音增强技术

 

音箱行业早在数年前就开始流行小型便携化，最具代表性的就是蓝牙音箱的持续热销。随后的WiFi音箱并没有复制蓝牙音箱的奇迹，主要还是受制于内容平台和技术的缺陷，并没有带来比蓝牙音箱更好的用户体验。智能音箱实际上还是在WiFi音箱的基础上发展的，除了继承其小型便携和无线连接的特点，其本质毕竟还是音箱，其音质设计还应该是第一位的。但是现在看来，市面上的智能音箱基本都忽略了这个问题，在笔者看来，目前还没有音质上乘的智能音箱出现。反而销量并不理想的WiFi音箱更加专注于音质设计，这其中不乏有传统的消费级音箱巨头Bose、JBL和Sony等品牌，也逐渐形成了两大风格派系。以Bose为代表的欧美系更加注重低音的增强体验，而以Sony为代表的日系则尤为看重中高频的细节呈现。我们知道小型箱体设计中很难同时兼具中高频和低频的双重音质保证，而对于大部分消费用户来说，感受最为明显的则是低音的提升，这也是小型箱体设计中的技术难点。

 

小型箱体的低音增强主要有两类方法：其一是箱体的结构设计，例如结构上可采用密封式、倒相式、迷宫式、声波管式和多腔谐振式等等，这些结构需要专业计算确定，适当的设计可以有效提升音箱的音质和低音效果。

 

另外，音箱结构设计中还包括了被动振膜技术。通常来说小型箱体比如智能音箱一般常用3寸以下的喇叭，这种喇叭本身低频下潜就不是太好，至少也要在100Hz以上。但是小型音箱受制于体积也无法采用更大的喇叭，而被动振膜的出现就是为了更好的弥补这个缺陷。实际上，被动振膜的结构与喇叭有几分相似之处，都有推动空气的振膜和让振膜恢复正常位置所需要的折环。但不同的是，被动振膜没有喇叭那类驱动机构，也就是说，它自身并不能发出声音。那么，被动振膜是如何工作的？由于被动振膜和喇叭单元是安装在密封的箱体内，这样，当喇叭工作发出声音时，喇叭振膜的运动，会导致箱体内的空气被压缩和扩展，在气压变化的作用下，被动振膜也伴随产生振动，推动箱体外的空气，这样就可以发出声音来。被动振膜可以根据需求设计在音箱的不同位置，其振动面积往往可以做得比较大。这样，推动空气的体积也随之增加，这就大大提升了低音的量感，获得更好的低音下潜深度。

 

其二是算法方面的低音增强，比如常用的虚拟低音增强技术。虚拟低音增强的原理是采用了人耳的生理学特点来虚拟低音效果，人耳能够把低音基频中高频段谐波的差频声音听成原来低音基频的音调，这就给我们实现虚拟低音提供了理论基础。通过低音信号基频的谐波序列在人耳中再现普通扬声器无法达到的低频音调，从而在听感上就会让人觉得低音分量更足了，有效弥补了小口径扬声器重放低频不足的问题。这种虚拟低音增强方法也是耳机中常用的低音增强方法，特点是只需要嵌入特定算法，在播放前对音频处理即可

 

（2）无线技术及声音对码技术

 

前面提到，智能音箱是由WiFi音箱发展而来，因此无线技术特别是WiFi的连接尤为重要，但是我们也知道，WiFi连接的过程比较复杂，连接成功后也会经常出现掉线、堵塞、延迟较大、切换太慢等问题，而这些都是导致WiFi音箱体验较差的重要因素。另外智能音箱一般还是黑盒子产品，通常不安装触摸操作屏，而WiFi初始连接则要求用户选择网络、输入用户和密码等操作，这显然不是智能音箱的特长。可是若无法联网，那么智能音箱的语音识别也无法发挥作用，这反而成了一个场景悖论。那么有什么技术可以解决上述的这些问题呢？

 

首先我们看WiFi的初始连接问题，这如同当初的路由器配置一样麻烦，何况大部分用户根本没有配置过路由器的经验，因此让用户按照配置路由器的逻辑去配置智能音箱显然不现实，但是目前很多产品其实就是这种模态，就连智能音箱中的翘楚——亚马逊Echo，也是如此。配置路由器，一个熟知技术的人员尚且还要折腾一段时间，把如此复杂的产品甩给用户简直就是一种折磨！

 

 

声学总是这么奇妙，对此，聪明的声学研究人员早就找到了应对方法：声波通讯对码技术。这种技术是利用声波调制技术，将WiFi连接需要的信息通过手机的喇叭发送到智能音箱上，利用智能音箱本身配置的麦克风接收声音信号进行解调获取信息，从而完成配置联网，用户仅仅需要在手机屏幕上输入信息即可，这成功解决了智能音箱缺乏屏幕显示和操控的问题。声音对码技术难度实际不是太大，但是要做的稳定可靠也需要长时间积累，这个领域目前市场上几乎没有成熟的方案，据说小声科技公司正在准备这项技术的开源工作，相信不久这项技术也将很快普及。

 

下面接着再说WiFi的切换及延迟问题，除了在硬件和协议上做些优化，也可以通过声学方法进一步优化。我们知道大部分WiFi音频传递的都是解码后的音频流，这很容易造成丢帧现象，其实传输过程中少量丢帧对语音甚至音乐播放来说影响并不大，因此这可以采用一定的算法进行适配。另外，随着智能音箱浮点运算能力的加强，我们也可以考虑传递编码的音频文件流，当编码的时候就将WiFi的问题考虑进去提前做出冗余，自然会大幅提高WiFi方面的性能。

 

（3）远场语音唤醒和识别技术

 

“Alexa”，这是激活Echo音箱的默认唤醒词，而“叮咚”这是激活京东叮咚音箱的唤醒词。那么为什么音箱需要这种专用词语唤醒呢？实际上这也是语音识别中的技术难题，有时候也称为语音识别启动特定词。我们知道如果要想识别用户说出的命令，麦克风必须一直在录音状态，并且语音识别算法也要一直在工作，这就是连续语音识别的基本前提。那么总要告知一下对方，什么时候才算开始。当然机器是非常愚笨的，一个眼神或者一个动作显然不可能引起“她”的注意，自然就需要定义一个特别适合切换进入语音识别状态的词语，我们称这种技术为语音唤醒，也就是把音箱从其他状态切换到了语音识别工作状态。

 

显然上面提到的唤醒问题在Siri上是使用触摸按键来解决的，但是智能音箱就不行了，因为我们不可能总在音箱旁边，而一般都会距离音箱一段距离欣赏音乐。这就产生了一个更加困难的问题：远场语音识别。远场实际是声学领域常用的一个概念，一般在智能音箱领域来说是指混响起主要作用的声场。这个概念怎么解释呢？这么说吧，我们听到的声音简单分为两种，一种是直接到达耳朵的，称为直达声。另外一种是墙壁反射后到达耳朵的，称为反射声，乱七八糟混在一起的声场就理解为混响声吧。显然当距离声源较近的时候，直达声将起主要作用，而当距离声源较远以后，混响的影响就会增大。不要轻视这种混响，当混响严重到一定程度的时候，我们是很难听清对方说话的。事实上，混响对于语音识别的影响是非常严重的，直接导致了识别率的下降。

 

那怎么解决这个问题呢？当然我们也有主动和被动两种方法。主动的方法我们这里先暂且卖个官司，请您关注声学在线的后续文章，我们会详细介绍。下面我们来说被动的方法，就是我们常常说到的麦克风阵列技术，麦克风阵列的具体技术我们这里也不再赘述，声学在线已经发布了很多相关文章，您可以重温回忆一下。这里我们只说下麦克风阵列的技术难点。当然很多同学会首先想到算法的问题，多个麦克风协同工作确实是一个技术难点。另外，结构设计和器件方面也是一直制约麦克风阵列应用普及的重要因素，之所以这项技术到现在才能实用，也是因为MEMS技术很好的解决了目前麦克风器件的一致性问题。当然多声道的采集技术也是非常重要的基础技术。

 

这部分笔者觉得对于智能音箱来说极其重要，因此我们也拆解了市场上两款流行的智能音箱做些麦克风阵列方面的比较。

 

第一款就是亚马逊的Echo音箱，下图绿色圈中的地方就是7个麦克风组成的阵列，型号是S10530090。Echo音箱并没有采用多声道采集处理芯片，而是用了4个立体声ADC实现7个麦克风声音的采集，这款ADC型号是TI的TLV320ADC3101。显然Echo将来还会有更好的远场语音识别性能方面的提升。亚马逊Echo使用的是自家的语音识别引擎，因此国内使用的时候非常麻烦，需要连接到国外的服务器。

 

 

第二款便是京东的叮咚音箱，这款音箱采用了8个麦克风和4个喇叭以PK亚马逊的Echo，但实际上意义不大，这个口径的情况下，8个麦克风和7个麦克风并没有本质上的区别，甚至4个也就够用了。而且我们通过两幅拆解图对比就可以看到，叮咚所用的麦克风显然没有像Echo那样升级到MEMS，传统驻极体麦克风的一致性很难保证，这不利于阵列信号处理。叮咚采用的是CONEXANT科胜讯的CX20810-11Z芯片，这款芯片是4通道远场语音捕获的ADC，专门用于语音识别，控制和网络会议等，因此叮咚只需要两片ADC即可实现对8个麦克风的采集。很明显，CONEXANT的芯片相比TI还是略逊一筹。不过，即便有如此逊色之处，叮咚音箱也属于国内当前水平较高的智能音箱。另外，叮咚采用的是科大讯飞的语音识别引擎，因此国内使用起来特别方便。

 

 

（4）内容集成与智能学习技术

 

智能音箱一开始就被认为是家庭互联网的入口之一，各个巨头抢占这个领域也有这方面的考虑，所以与智能家居的融合一直是智能音箱的使命之一。但是声音似乎和控制系统相差甚远，这方面的集成并非那么简单。智能音箱解决的仅仅是语音的识别问题，而这个功能，手机和电视同样也可以实现，那么智能音箱还有什么优势呢？

 

笔者认为亚马逊的战略考虑应该更值得借鉴。诚然，接入更多智能家居的控制功能自然是个好事，但智能家居还没发展起来，也不是用户的刚需，目前来做这块用户似乎也不会买账。亚马逊的Echo除了和自身的音乐内容匹配，最主要还是看重了Echo将来在音乐内容方面的购买功能，所以Shopping自然就成为了Echo最重要的使命。想想也是，一个公司做硬件不考虑赚钱怎么行，软件可以随着用户数量的无限增加而将成本摊薄为零，但是硬件的成本是永远存在的啊。虽然目前还不了解京东有没有这方面的考虑，但是自家没有专有语音识别引擎，若想和自家产品无缝对接也非常困难。阿里就聪明很多，阿里做的小飞必然要和自家的音乐内容紧密相连。其他的厂商如QQ音乐、百度音乐、酷狗音乐还未发布自家产品，酷狗笔者有所了解，他们的智能硬件之路走得相当缓慢，现在转去搞中国好声音了。

 

除了内容方面的集成，智能音箱还面临一个更大的挑战。我们仔细想一下，用户对智能音箱的要求其实远非语音识别所能做到的那样简单，显然还需要深入的语言交互才行，而且这种交互还应该是你日常生活中的场景。天哪，即便解决某个特定领域的语音交互就让众多科研人员心力交瘁了，更何况如此广泛的领域。笔者一听到这个需求大脑几乎就要爆掉，但是如果做不到这点，怎么又能称得上智能音箱呢？充其量不过是个语音控制的音箱而已。很多时候笔者觉得，语音识别还不如手势识别更为简单好用！当然对于那些流媒体的音乐内容提供商来说，这种前端产品或许是不得不做的产品，至少抢个赛道再说。

 

我们一直强调，智能音箱还是一个音箱，但是为什么大多数厂商都把这个基本诉求给忽略了呢？一味强调智能而不扎实做好音箱的品质，如此这般，还不如干脆做个智能盒子好了。笔者相信，就是因为有如此多的问题，说明智能音箱领域还存在众多机会，若在这个领域创业创新，有必要思考下面的3个问题：

 

（1）回归音箱本质，发烧音质才是智能的基础

 

网上早已不止笔者一人批评智能音箱的音质了。无论智能音箱的产品