我爱音频网全面开启行业投稿啦！如果您有很好的技术论文、行业分析报告、产品前沿研究都可以和我们投稿呀！已经采用全网分发助力全球音频行业伙伴第一时间了解到您的研究！温馨提示文章需不涉及商业行为，仅支持技术行业分析等内容噢。如需投稿请联系：17722503948（小音 微信同）

作者：费艳锋 李坚维

这是一个已在耳机中实际运行的骨导 VPU + 气导麦克风项目。两路拾音同步工作：气导麦克风提供主要通话声音，骨导 VPU 帮助设备判断佩戴者是否在说话。项目已完成安静人声和粉红噪声环境下的录音处理，当前效果符合本项目的使用要求。

一 项目缘由与目标

项目起点是耳机通话中的实际问题：普通气导麦克风会同时收到佩戴者说话、环境噪声和旁边人的声音，嘈杂时对方不容易听清。为改善这个问题，项目在同一副耳机中加入骨导 VPU（从耳机与佩戴者接触处拾取说话振动的器件），并与气导麦克风（接收空气中声音的普通麦克风）同步使用。

项目面向蓝牙耳机等通话设备，重点是让对方更容易听清佩戴者，同时减少噪声、忽大忽小和卡顿。声纹识别也可以用于区分登记用户和其他说话者；若用于支付、门锁等高安全场景，还需额外的安全设计，不能只凭声纹结果作决定。

二 两种拾音器怎样分工

气导麦克风保留的声音更接近日常说话，但也会收到粉红噪声、风声和旁人声。骨导 VPU 不容易被空气中的环境声带偏，能提供佩戴者正在发声的线索，不过它的音色较薄，不直接作为主要通话声音。

所以两路声音不是简单按固定比例混合。耳机主要用气导麦克风输出声音，再利用骨导信号帮助判断何时应保留佩戴者的人声。

可以把分工记成一句话：“气导负责把话说自然，骨导负责帮忙认出本人正在说话”。这样既利用两种传感器的长处，也避免把音色较薄的骨导声音硬加到通话输出里。两路信号还需要同时采集并保持时间对齐：如果骨导提示晚了，算法可能把环境声当成人声保留，或者在佩戴者已经开口时仍然压低声音。同步和输入质量检查因此是后续处理的基础。

图 1 两路拾音信号分别进入通话增强与身份识别流程

三 项目处理过程

下面几条简化公式用来说明实际处理链路里的关键关系。它们帮助读者理解信号怎样被判断、噪声怎样被压低、音量怎样变得平顺；实际耳机仍运行项目中的算法与参数配置，这些公式不是对代码逐行展开。

语音增强的原理公式

X(t,k) = Σ[n=0…N−1] x_t[n] × w[n] × e^(−j2πkn/N)

这是短时频率分析的简写。系统把连续声音切成很短的小段，再观察每一小段里不同频率的声音强弱。x_t[n] 是第 t 段声音中的采样值，w[n] 是平滑边缘用的窗口，N 是每段的采样数，k 表示频率位置。这样算法可以针对某些噪声频段调低音量，而不必把整句话一起压小。

P_voice(t) = f(X_air(t), X_bone(t), N_air(t))

P_voice 表示某一时刻佩戴者正在说话的判断程度；X_air 是气导麦克风信号，X_bone 是骨导 VPU 信号，N_air 表示气导中的环境噪声特征。f 表示系统根据输入作判断的处理过程。这里说明的是双路信息共同参与判断的关系，并不表示把两路声音按比例混成一路。

Y_air(t,k) = G(t,k) × X_air(t,k), 0 ≤ G(t,k) ≤ 1

X_air 是气导声音在时间片 t、频率位置 k 上的成分，G 是处理力度，Y_air 是处理后的输出成分。G 接近 1 时保留较多，G 越小衰减越明显。系统结合人声判断和噪声强弱调节 G：尽量压低噪声对应的部分，同时保护佩戴者说话的部分。

G_s(t) = α × G_s(t−1) + (1−α) × G_target(t),0 ≤ α < 1

G_target 是当前时刻希望达到的处理力度，G_s 是平滑后的实际力度，α 控制变化的平缓程度。保留一部分上一时刻的状态，可以避免增益突然跳变，减少听感上的忽大忽小、抽动或卡顿。实际参数由项目配置决定，公式只解释平滑控制的基本思路。

公式中的 t 表示连续处理的时间片，k 表示声音频率位置。实际系统会持续重复这一过程，因此环境从安静变嘈杂时，抑制力度可以逐步调整，而不必突然切换到另一个固定档位。

四 声纹识别在这里做什么

声纹识别不负责降噪。它把当前说话人的声音特征与已登记的用户声音作比较，判断两者是否相似。简单说，声纹识别回答“是不是登记的说话者”；骨导辅助的语音增强回答“佩戴者现在有没有说话”。两者使用同一耳机的同步拾音，但用途不同。

声纹处理会先把一段语音转成一组较稳定的声音特征，再与登记时保存的特征比较。可以把这组特征想成声音的“摘要”：它不是把整段录音拿来逐字对照，而是比较音色、发声习惯等整体特征。当前项目采用气导作为主要身份依据、骨导作为辅助线索；这组身份分数只用于声纹判断，不代表把骨导和气导音频按 95%/5% 混音。

S_air = (e_now · e_registered) / (||e_now|| × ||e_registered||)

S_air 表示当前气导声音特征与已登记气导特征的相似程度；e_now 和 e_registered 分别是两次声音的特征表示；点号表示向量相乘后求和，双竖线表示特征大小。分数越接近，说明这两组声音特征越相似。

S_fused = 0.95 × S_air + 0.05 × S_bone

S_fused 是双模态融合后的身份分数，S_bone 是骨导特征给出的辅助分数。当前流程以气导分数为主、骨导分数为辅。它是身份判断的分数融合关系，不是通话声音的混合比例。产品再把融合分数与设定门槛比较，给出匹配或不匹配结果。

身份判断：S_fused ≥ θ → 匹配；S_fused < θ → 不匹配

θ（阈值）是产品用来划分匹配与不匹配的分数门槛。门槛设得更严格，误把他人认成登记用户的机会通常会降低，但也可能增加本人未通过的情况，因此要按实际产品场景设置。声纹结果适合做身份判断的一环；高安全用途还应结合设备安全措施。

在耳机产品中，声纹识别可按下面两个环节理解：

本项目的双路拾音和通话增强已在耳机上实际运行。声纹识别用于说话者判断；如果用于支付、门锁等高安全场景，仍应配合设备安全措施和相应的产品测试。

五 实际录音结果与对比依据

以下内容来自本项目耳机的实际采集和处理：骨导 VPU 与气导麦克风同步录音，20–30 秒为安静环境人声，60–70 秒为播放粉红噪声时的人声通话。两段使用同一套 R13 参数处理，没有按环境切换成两套算法。

图 3 安静片段处理前后对比：处理后仍保留清晰的人声起伏

图 4 粉红噪声片段处理前后对比：背景能量下降，人声仍可见

这次实际录音的处理前后对比见下表。数字根据本次采集的原始录音和处理后录音计算，反映的是这副耳机、本次说话人和这两段录音的结果；它们不是所有耳机和环境都通用的保证值。

dB（分贝）表示声音强弱的变化量。本次录音的增益变化第 95 百分位约为 1.02 dB，未检测到语音被切断。上述数值均由本次耳机实录音频前后对比得到，可用于理解人声保留与噪声变化。

安静片段主要观察人声有没有被处理得太轻，以及旁边声音能否压下去；粉红噪声片段则观察背景噪声下降后，佩戴者说话是否仍清楚。两段使用同一套 R13 参数处理，便于比较这套耳机在两种实际场景下的处理效果。

六 项目特色与使用说明

项目已经完成耳机 VPU 与气导麦克风双路同步拾音和语音增强的实际使用。本次录音展示了安静环境与粉红噪声环境下的处理效果；不同用户、佩戴松紧和噪声类型会带来差异，实际产品可按目标使用场景继续微调参数。

七 总结归纳

八 BP11 调试器参数设置界面

以下截图取自费佬声学前端调试器 BP11 锁定版的参数设置界面，展示固定入耳式双路输入和模块参数。该 BP11 配置用于说明调试器设置；前文第五节的 R13 录音对比仍按原文所述的 R13 参数理解。

图 5 BP11 项目与双路输入设置

图 6 BP11 硬件通道设置

图 7 BP11 模块参数：16 kHz、FFT 512、hop 240 及锁定的可调值

文章来自行业投稿，投稿人：费艳锋 李坚维，文章为投稿人自发撰写，我爱音频网整理刊登。