第一个场景，通话使用。 这是大部分智能硬件设计麦克风的主要原因，很多声学做起来感觉很简单的错觉也来源于此。第二个场景，较安静环境下人机交互。 复用第一个场景的声学硬件，第二个场景马马虎虎也能用，虽然部分情况下效果不理想，但是，还没到完全不能用的状态。第三个场景，高噪环境下人机交互。 主要是户外和人流量较多的环境下使用人机交互，第一个场景的声学硬件完全不能使用。对于第一个场景，通话使用，现在的主流芯

声音（目标声音和噪音）一起被智能硬件的麦克风（阵列）采集到，在智能硬件的芯片上通过预处理之后，然后再送往云端进行ASR（语音转文字）。而很多智能硬件识别效果不好的主要原因是因为预处理，也就是声学处理没有做好，才导致识别效果不好。 就像人耳朵一样，没听清楚讲话内容，可不得乱猜一通！现在，云端的语音识别（ASR）可以通过SDK/API进行调用，大厂提供的识别接口背后所使用的算法和效果基本都差不多。毕竟