企业官网建设流程全解析

吵闹的教室里，老师扯着嗓子喊完一整节课，下课后嗓子是哑的；坐在后排的学生皱着眉头，听不清一句话的开头和结尾，整节课一半时间在猜内容。我在多个教学场景里测过这个问题，普通教室后排的语言清晰度（STI）常常只有0.5上下，而会议标准里，0.6才算合格，0.75以上才算良好。也就是说，"吼堂"这件事根本不是老师态度问题，是教室声环境本身出了问题。

WMMAV&YUXUANSYS（育轩系统）是我参与的某教育音频项目中落地的一套课堂声音解决方案。WMMAV负责多麦克风阵列拾音、语音增强和去混响的核心算法链路，YUXUANSYS是承载这些算法的硬件与系统调度层。整套项目做下来，目标只有一个：让老师用正常音量讲课，教室里的每个学生都能听见每一个字的清晰内容。这篇文章我把项目的完整思路、硬件选型、算法配置、现场调试和踩坑过程完整写出来，给同样在做教室扩音、远程音视频或者语音增强的朋友一个参考。

1. 从“吼堂”到“可听见的清晰”：项目背景与需求解剖

1.1 教室声环境为什么这么难搞

要解决“吼堂”，得先搞清楚教室里的声音到底怎么了。我拿到某学校配合测试的教室实测数据，一间标准的40人教室，大约70平方米，水泥墙加窗户，天花板是普通矿棉板，关上门之后，混响时间RT60测出来是0.95秒，靠近走廊的一侧底噪约42分贝，空调开启后升到50分贝左右。

老师自然讲课状态下，站在讲台前发出的语音在1米处声压级约65分贝。但是人声能量大多集中在500到2000赫兹这个区间，穿透力一般，到教室后排6到8米远时，直达声已经衰减到55分贝上下。这个时候，教室里的底噪50分贝，混响尾巴又不断叠加在后排语音上，学生听到的其实是55分贝的人声叠上混响残响再叠上空调噪声，STI自然就掉到了0.5以下。

这个问题和听力也没有关系。就算后排学生听力正常，混响把元音和辅音的时间包络抹平了，大脑处理起来非常吃力。尤其汉语拼音里的声母，像“z、c、s、zh、ch、sh”，这些辅音本身能量小、持续时间短，混响一长，辅音基本被吞掉。学生连蒙带猜的根源就在这。

1.2 传统扩音方案的问题到底出在哪

很多人第一反应是，教室问题加个麦克风和音箱不就行了？我们做现场调查时也对比了几种常见方案，问题都很典型：

• 手持扩音器：老师一手拿话筒一手翻课件，活动受限；扬声器在胸前，指向方向正好对着讲台，后排还是弱；麦克风离嘴近，容易“噗噗”喷麦，音质粗糙，遇到啸叫更是无解。
• 领夹麦克风配普通音箱：单点拾音，老师转头说话、低头看教案，音量和音色都在变。多数设备没有自动增益，老师稍微远离麦克风，后排立刻听不清。
• 吊麦直接进功放：这是最麻烦的。吊麦距离老师有一米多，拾进来的直达声和混响声比例很差，直接把这种信号放大，好比在澡堂子里加了个大喇叭，声音更浑、更听不清。
• 单纯加大音箱功率：前排学生觉得刺耳，后排依旧模糊。扩声中声场的均匀度比功率重要得多。

传统方案的问题不是“不够响”，而是没有解决“响但不清楚”。育轩系统的思路恰恰相反，它在拾音端做语音增强，在扩音端做均匀声场，核心目标是提升“有效语音”的音量，而不是放大所有声音。

2. 核心链路：拾音、降噪与扩音的完整技术方案

2.1 多麦克风阵列与波束成形：定向“听”老师说话

系统拾音端选用的是8通道微阵列模块，麦克风间距按照高频上限做了专门适配。工程上有个经典约束：阵列相邻麦克风间距要小于最高工作频率对应波长的一半，否则采样会出现空间混叠。人的语音能量上限可以按8到10千赫兹看，高于这个频段的多是齿音的气流声，能量占比很小。按8千赫兹计算，波长约4.3厘米，所以我们把麦克风间距定在3.5厘米左右，这样在保证阵列物理尺寸不夸张的前提下，有效拾音频带最多到10千赫兹，足够覆盖语音。

算法上用了广义旁瓣抵消（Generalized Sidelobe Canceller，GSC）。第一路是固定波束成形，指向老师讲课的主方向，形成高增益的“主瓣”；第二路是阻塞矩阵，把主瓣方向的信号阻塞掉，只保留旁瓣方向的干扰；然后把两个路径相减，再通过自适应滤波器不断修正。这套结构的好处是更新效率高，跑在嵌入式平台上也能做到几十毫秒的收敛速度，老师从讲台左边走到右边，波束能跟着移动。

实测下来，阵列信号和教室后排的底噪比相比，信噪比提升了8到12分贝。以前后排听到的是“人声和空调声混合体”，现在变成人声为主，空调声明显被压下去。

2.2 降噪与去混响：把“澡堂子”拉回“播音间”

波束成形解决了空间选择性，但混响还没完全消除。混响分早期反射和晚期混响：早期反射（50毫秒内到达的反射声）实际上会让人声变厚，大脑不太反感，反而能提升响度感；晚期混响（50到300毫秒的多次反射）就麻烦了，它会叠加成“浑浊尾巴”，把辅音细节彻底淹没。

去混响我们分两步做模拟到数字的预处理。第一步是谱减法：对每个频点的短期能量做噪声和混响尾部估计，然后从原始信号中减去这两部分，保留直达声和早期反射。第二步是维纳滤波，基于估计的先验信噪比，对每个时频点做增益修正。到了后期，我们直接接入了神经网络语音增强模块，用约200小时带混响的教室语音做训练，网络输出一个理想比例掩码（IRM），乘到原始频谱上。神经网络对非平稳噪声的处理明显比纯谱减法更稳，比如窗外突然的车辆噪声或者走廊里跑步声。

这一套组合下来，教室内的语音清晰度（STI）在算法处理后的离线测试中从0.49提升到0.69，混响时间的主观感受从“有点闷”变成了“接近播音间”。

2.3 均匀声场与自动增益：后排也能收到标准音量

拾音端处理好了，扩音端也不能拖后腿。育轩系统采用的是“两主扩加两补声”的四音箱方案。主扩音箱挂在教室前方黑板两侧，补声音箱安装在教室中后部的两侧墙壁，通过延迟对齐让后排先收到补声，避免前后到达时间差造成新的模糊。

声压级是这么定的：后排学生位置需要的语音声压级是75分贝左右，而前排位置同样是75分贝左右，不刻意压低。目标做到教室任意座位的声压级差不超过6分贝。这里6分贝是个重要指标，因为人耳对声压级差超过6分贝时，会明显感到响度不同，坐前坐后体验悬殊。

算法上还有两个关键点。一个是自动增益控制（AGC），老师转身写字时声音变小，AGC会快速修正，把语音包络稳定在70到75分贝区间，不会突然变响也不会完全听不见。另一个是动态压缩，把峰值限制在安全范围内，保护学生听力的同时防止音箱过载产生削波失真。整套链路里，DSP总延迟被控制在小于20毫秒，这是防止老师听到自己回声的硬指标。

3. 从装机到调通：整套系统的实操部署

3.1 硬件布局与关键参数选择

一套教室音频系统能不能好使，安装位置直接决定上限，算法只是把工程没做好的部分补救回来。

阵列模块我们要求安装在讲台正前上方，高度离地面约2.2米，朝向老师的主站位。注意不能和主扩音箱的位置放在同一个垂直平面，否则音箱发出的声音直奔阵列麦克风，反馈风险剧增。实操建议是阵列偏向讲台一侧，扩音音箱向外掰一个角度指向教室中后部。

音箱安装高度也有讲究。主扩音箱喇叭中心大概在2米高，指向后排。很多施工方喜欢把音箱装在天花板下，声音从头顶直接砸向地面，学生听到的第一声是地板反射声，非常糟糕。我们现场调了一次，把音箱从高吊装改为低挂装，清晰度立刻提升了一个等级。

布线方面，阵列模块和本地处理盒之间走一根RJ45网线，用POE供电和控制。处理盒放在讲台机柜里，音频输出通过模拟平衡线接到功放。整个教室不考虑外扩设备的话，只牵五根线：一根网线给阵列、四根音箱线，施工量比传统方案还少。

3.2 音频算法标定与声场校准流程

安装完成不等于能用，必须做声场校准。这个步骤不做，前面所有算法参数都是空谈。

第一步是测量教室的初始声学特性。我们用一个校准声源放在老师站位，播放粉红噪声，通过阵列模块自带的校准麦克风和分析端软件记录教室的频响曲线和混响时间。以一间普通长方形教室为例，低频段125到250赫兹的混响时间往往超出中频，这会导致声音发闷。校准软件会生成反向均衡曲线，在扩音前对低频做适量衰减。

第二步是定位啸叫风险点。设备开机后，扩音增益从低往高逐步上调，系统自动扫掠20赫兹到20千赫兹的检测信号，在每一Hz频段检测是否有正反馈趋势。如果某频点接近啸叫状态，软件会在该频点上压制一个窄带陷波器，宽度约八分之一倍频程。这套自动检测做完，啸叫基本就杜绝了大半。

第三步是AEC回声消除的参考信号接入。回声消除的前提是算法能拿到音箱发出的原始信号。这时候要特别注意系统连接，一定要把处理盒的参考输入接到功放之前，不能接在音箱端，否则含有功放特性后的信号会让AEC算法难以收敛。这个接线错误我在现场见过好几次，表现就是老师一说话，系统便循环放大，处理后的语音像金鱼吐泡一样不断叠加。

3.3 与教学课件和录播设备的联动

育轩系统不是独立存在的，它还需要和教室里的投影、录播主机、校园广播联动，否则老师上课要手动切来切去，反而制造麻烦。

我们提供了一个叫“教室模式优先”的策略。正常上课时，系统默认工作在“人声扩音”模式，所有通道给扩音使用。当录播主机开始录制时，设备自动分出一路独立的数字音频输出，这一路信号直接取自波束成形和降噪后的干净人声，不上AGC也不上动态压缩，方便录播平台后期做音频处理。这个分流的思路很重要，扩音和录制对信号的要求存在差异：扩音需要保护听力和动态稳定，录制需要保留原始动态和更多细节。分开处理才能两边都做好。

和校园广播联动时，系统检测到广播信号输入，会自动把教室主扩音输入切换到广播通道，同时把阵列收声静音，防止广播声被重新拾进系统放大形成二次播报。细节上还有个处理：广播切换期间，系统发送RS485指令给网关，让正在进行的录播任务打一个时间戳，方便剪辑时自动对齐。

4. 实测问题与排查实录

4.1 啸叫问题：第一次开机差点把测试员耳朵送走

我记得第一次在现场上电，按照默认增益跑了一组扫频测试，软件显示某几个频点的反馈量很大，但还没到啸叫门限。测试员先试着用正常音量说话，话音刚落，2.2千赫兹左右突然“嗡”地一声炸响，离得近的人耳朵直接耳鸣。排查发现，问题是主扩音箱离阵列模块太近，音箱发出的声音直接辐射进麦克风，形成声学正反馈。虽然自动陷波器已经对某些频点做了压制，但2.2千赫兹这个频点没在识别范围内，因为它只在语音持续发声时才能激发条件。

这个案例给我们一个教训：自动反馈抑制不能完全替代物理布局。音箱和麦克风之间必须保证足够的声学隔离，至少两者之间的直线距离要大于两米，而且中间不要有光滑的反射面。后来我们把阵列模块挪了个位置，喇叭朝向调整，啸叫才算彻底压下去。

4.2 回声残留与无线干扰问题

回声残留是另一种情况。有间教室在验收时发现，老师说话时，系统自己会有轻微的回声重复，像是加了“延迟合唱”的效果。逐段排查后确认是AEC参考信号没接对。功放接的是模拟输入，但处理盒的AEC参考信号是从处理盒内部数字域取的，而功放的模拟域延迟和处理盒的参考信号之间存在几十毫秒偏差，AEC算法匹配不上。解决办法是把功放的输出端分出一路反馈信号作为AEC参考，而不是只依赖处理盒的内部信号，同时调整参考信号的对齐延迟参数，问题迎刃而解。

无线干扰也出现过。某次调试中，系统不定时出现“噗噗”的爆音，频谱上看到2.4千兆赫兹频段有周期性burst。排查后发现是教室内的无线接入点与系统控制网线靠得太近，高功率的WiFi信号在网线上感应出噪声，进入了音频电路。最后把网线换成屏蔽型，接入点也挪远了半米，爆音消失。经验是：音频系统安装时，信号线和网线电源线要分开走管，实在躲不开就上屏蔽线和磁环。

4.3 量化数据：从喊到不喊，效果怎么体现

项目验收时，我们在同一间教室测了三组数据，分别是改造前、只用吊麦扩音、育轩系统开启之后。测试信号源采用标准讲话语音，放置在老师站位，测量后排最角落位置的STI和SNR值。

我从现场拿到的学生反馈也很有意思。问卷里让后排学生给“听清老师说的每一个字”打分，改造前平均给3.1分（5分制），改造后涨到了4.2分。更明显的是老师的嗓子状态，之前连上两节课，声音已经沙哑；现在下课了还能正常说话，说体验反差最大。这组数据说明，技术方案只要把拾音和扩音做对，老师和学生的体感提升是立竿见影的。

5. 项目踩坑与心得：这套方案还能怎么用

做完整套系统，我最想分享的不是某个算法结构，而是一个认知：教室声音问题从来不是单点问题，拾音、降噪、扩音、声场、房间声学、使用习惯全部要串起来看。第一步没有把阵列装对，后面算法规再怎么调也突破不了上限。

另一个感触是，别过度依赖纯算法。神经网络模型对非平稳噪声的适应能力确实强大，但在嵌入式平台上跑实时推理，功耗和稳定性都受限制。育轩系统的最终方案是“波束成形+谱减法+维纳滤波”作为底座，神经网络做补充增强，跑在专用NPU上。这样的设计在断电重启、长时间运行等真实环境下更可靠。纯粹追求最新模型，在教室里反而可能因为一个驱动问题掉链子。

最后再说一个容易被忽略的小点：设备上电顺序。育轩系统的四台功放和控制设备，要严格先开处理盒再开功放，否则开机瞬间的浪涌会让音箱发出很大的“砰”声，学生会被吓一跳，灵敏度高的音箱甚至可能损坏。我和团队后来在所有现场都贴了开关机顺序贴纸，这比再写多少行代码都管用。如果你们也在做类似教室音频系统，建议从第一间教室起就把这个习惯养起来。