作者 / 阿越
过去几年线上办公需求的井喷，让“云会议”走入大众视野。然而随着更多人带着手机电脑走进会议室时，此起彼伏的啸叫声，预示着新的战场已经打响。这也让腾讯会议面临一个新挑战：诞生于线上的腾讯会议，如何走入线下？
市场迎来了新的机遇和挑战
会议室要有好的体验，离不开好的会议室硬件。过往的会议室往往是投影和麦克风的组合。受制于会议系统和品牌，只能在公司内各个会议室之间进行拨号开会，投影也主要是为了本地演示。一旦面临和外部客户交流的情形，就会捉襟见肘，设备接入调试繁琐、屏幕显示差、收音范围窄等难题层出不穷。“随时随地，一键开会”重塑了协同办公理念。习惯了手机屏、电脑屏等“小屏”开会的用户，同样期望能够在“等比放大”的大屏上使用腾讯会议。2020 年 9 月，腾讯会议发布了基于会议室的软件系统腾讯会议Rooms，让厂商可以把腾讯会议装到会议室硬件大屏里。而且，为了保证Rooms的音视频质量，腾讯会议同步推出了认证标准，所有搭载Rooms的硬件设备必须通过50个测试项，近200个测试指标才算合格。会议大屏的硬件技术早已成熟，4K、8K这样的高清显示器不在话下。但当腾讯会议Rooms连接到一个个现成的硬件设备时，音视频的效果却参差不齐。音视频能力建设本身是一个漫长的技术周期，单纯做远场拾音，就是一块非常难啃的硬骨头。“我们可以为行业做些什么？”这个问题，很长一段时间萦绕在腾讯会议负责人吴祖榕脑海中。
给会议室里的硬件设备装上顺风耳
在腾讯会议成长过程中，天籁实验室的实时音频技术发挥了巨大作用，是数亿用户得以清晰流畅开会的幕后功臣。直接点说，解决复杂场景里的开会难题，是天籁实验室的拿手好戏。据天籁实验室总监余涛介绍，过去腾讯会议客户端上的音频算法主要解决的是“近场拾音”问题，说话人距离手机、耳机、笔记本话筒的距离一般不会超过 60 厘米，信噪比普遍偏高。“会议室面临的挑战是在房间声学的场景下的远场拾音，复杂度远超近场”，余涛表示。实际情况也正是如此，房间尺寸的不同，人们坐姿、远近、方位不同，拾音都会发生变化，桌子上放个纸巾盒、水杯，也可能会反射遮挡讲话人声音，这样的复杂声学场景，导致远场采集的语音信噪比极低。此前腾讯会议积累的近场音频算法处理经验，在会议室里不适用了。“必须要和设备厂商紧密合作，在麦克风采集的声音源头就使用天籁算法进行处理，这样才能从根本上解决问题”，腾讯会议天籁实验室主任商世东说。天籁语音模组项目正式成立。对于专攻软件算法的腾讯会议而言，无疑是一场从零开始的冒险。
没有标准，就定义标准
Damico是天籁实验室第一个懂硬件的人，彼时刚刚加入腾讯会议。“最开始，我们设想的模组是可以像USB一样即插即用的硬件方案，只要设备有接口就能使用，这样可以大幅降低硬件厂商使用音频技术的门槛”。Damico开始去寻找能生产模组硬件的供应商。咨询了一圈下来，几家潜在合作方都不愿意合作，原因在于单纯卖USB模组利润太低，除非天籁愿意“一上来就支付几百万的开发费用”。天籁团队也同步盘点了市面上主流的大屏硬件，发现各家厂商的设计和尺寸空间差异非常大，标准也不统一。“USB硬件模组的形式，无法给每款产品都打造出最好的音频方案。”几次碰壁之后，天籁实验室总监余涛下定决心。“干脆，我们直接开放原理图和印刷电路板PCD（Printed Circuit Design ），把语音模组设计方案给到大屏厂商，直接做进产品制造生产阶段。”但这个方案依然逃不过标准化问题。“每个产品能给我们的尺寸都不一样，有的是大屏，有的是扩展麦，有的两边放喇叭，中间放麦克风。”Damico说。天籁团队的解决方案是“定死”麦克风的相对位置——麦克风之间的距离是2厘米，摄像头中间的距离是140毫米，圆形麦克风阵列的直径是105-120毫米。在此基础上，最终语音模组的形态有大有小，但标准统一了。Damico表示，“硬件设计的所有标准、结果都是我们把控，相当于给视频会议硬件厂商的一条龙服务”。
在跷跷板上找声学平衡
回过头来看，模组方案的设计似乎是“一帆风顺”。电路建版、芯片选型、仿真环境训练算法……一切都在有条不紊的进行中。开始仅三个月，团队就拿出了模组方案的第一个版本出来。天籁实验室负责工程的Vincent表示，“当时拿到模组的时候非常激动，立马去跑了一下认证标准，结果发现自己定的标准自己过不了，还差好大一截。”办公室场景形态各异、材质复杂，会对声音造成很大反射，远端听起来就会有嗡嗡的杂音。如何放大来自不同位置的有效语音，减少其他不该有的噪音，成为了天籁实验室算法丁宁头痛的问题。“就是要在各种跷跷板中找平衡。”混响去的太多，就会听起来不连续；去的不够，那语音就会不清晰。降噪也是如此。传统音频厂家做噪音处理的时候，只能线性处理稳态的噪音，例如会议室安静下来之后风机的声音。而拖凳子、咳嗽等等瞬态噪声就很难解决。针对这些噪声，也需要反复调节降噪幅度，不够会有刺耳声，但太过又会导致部分语音被一起消掉。最终团队决定，引入每帧数百M计算量的大模型进行知识蒸馏，来实现去混响、降噪等声学优化。为了得到更好的效果，模型调整非常细致。在模型稳定之前，一天一个版本都是家常便饭。2021年7月，天籁语音模组方案正式向市场推出，实现了12米超长距离拾音，消除超过300种会议噪声，在双讲、回声消除等方面实现了突破性升级，率先授权开放给腾讯会议Rooms专款硬件大屏使用。
天籁inside走进更多会议室
至此，天籁模组有了自己的品牌标识。跟大屏厂商一起，“腾讯天籁inside”正在走进更多会议室。
作为会议平板的头部厂商，MAXHUB就是腾讯会议重要的合作伙伴之一。2021 年，MAXHUB就开始接触到腾讯会议天籁语音模组。“与市面上其他产品相比，天籁提供了一套覆盖硬件软件的全链路解决方案，在降噪和声音还原方面非常优秀”，MAXHUB产品总监熊凯表示。也就在这一年，MAXHUB和腾讯天籁开始了合作。2022年，MAXHUB推出了V6音视频专业款，全面搭载了腾讯会议天籁语音模组，整体的音视频表现获得了市场的一致认可。众所周知，声音在空气中传播，距离每增加一倍，声压级就会衰减6dB。这也意味着距离越远，信噪比就会越来越差。虽然会议平板的拾音能力在逐步加强，但要做到等同于面对面的清晰对话感觉，目前的能力仍然不够。例如在大尺寸的会议室，仅靠一块大屏难以做到全场高质量拾音。MAXHUB给出了新的解决方案——桌面麦克风方案。2023 年，MAXHUB发布全新的无线全向麦 BM51，基于腾讯天籁inside音频解决方案，将 MAXHUB创新的连接技术、硬软件工业设计交互能力和天籁Al语音技术方案做了集大成的融合，能够在各类复杂、恶劣的声学场景下，提供清晰、流畅、安静的音频体验。耳目达也是“天籁语音模组”方案的尝鲜者。耳目达中国区市场负责人成诚回忆，早在2021年4月，天籁模组方案还在调试阶段，他无意间看到了一段12 米拾音的测试视频，立刻联系了腾讯会议，这也成为双方合作的起点。与天籁合作的级联式麦克风音箱A21T，能够有效消除声学混响、回声和包括键盘、空调噪音在内的300多种会议室常见噪声，通过分布式拾音，支持扩展更大会议空间，实现简便灵活的会议麦克风部署。手握这款拳头产品，几家行业头部公司相继成为了耳目达的客户。作为一家2018年成立的会议硬件创业公司，耳目达2020年刚开始商业化时，整个公司只有20多人。三年后，和天籁合作的产品成为业界爆款，也让公司的业务量大增，如今公司员工已经超过200人。目前天籁语音模组的商业化正在快速推进中，市场占有率靠前的会议大屏厂商如Newline、海信、皓丽、TCL等厂商都和天籁达成了合作。如今，腾讯会议认证的硬件合作伙伴超过30家，覆盖产品型号超过120款。
