下面依据上表把问题做文字条列叙述式的整理：
1）双麦上行降噪算法技术的终极目标：只留下用户说话的声音，最大程度消去或压制，非用户
本人声带运动所发出的所有声音，但必须让降噪处理后的上行声音信息数据与使用传统麦克
风拾取到的用户原始说话声音信息数据完全相等。
2）算法使用了加速度骨传导传感，改变了过去由空气介质传导声能量，推动某种材料做成的
膜体转换成电能，改成了软骨肌肉皮肤介质来传导声音，但算法仍用到 2 个使用空气介质传导
的麦克风来补偿加速度骨传导传感器感测不到清音的缺陷，空气传导稳定度高变数少，并经多
年应用对其了解较为透彻，而通过软骨肌肉皮肤介质来传导声音，除了不稳定变数多另外相关
应用还在积垒过程，全球积垒最多应用经验的非苹果公司莫属。
3）下面我们列了几个算法需要完成的等式：
-1、加速度骨传导传感器 双麦克风=双麦克风
-2、（软骨肌肉皮肤汗液，油渍，粉尘介质传递变数) 空气温湿度介质传递变数=空气温湿
度介质传递变数
-3、单独浊音 (浊音 清音)=浊音 清音
-4、产品结构及耳廓结构严重影响 产品结构影响=产品结构影响
-5、人体运动严重影响 人体运动不影响=人体运动不影响
-6、人为算法融合拼接补偿 2 种不同材料，不同传导介质结构，不同响应相位严迟，低频调
制=严丝合缝混然一体
4）对于麦克风上行信息数据来说，这些是信息数据是用来听的，可存储的，可传递信息的，是具有广阔延申再应用的声音信息数据，并且需满足现存于市场上千百个声音应用软硬件的需求。
项目决策者必需慎之又慎，规划项目时慢 2 步决定，然后系统性的观察谨慎的测试为上。
苹果公司在 2012 年以前启动研发并于 2012 年 9 月 28 日提交 13/631，716 号专利，2014 年 4 月 3日提出WO 2014/051969 A1 专利，2016 年 9 月 8 日 Airpods 上市，2019 年 3 月 20 日 Airpods二代上市。
这么大的龙头企业漫漫 8年的岁月积垒，别小看这个技术，更何况现在国内市场上这些可能的算法供应者，都不可能具备苹果公司这样长期的积累，要实现弯道超车还有待观察。
从这里可以合理推测，苹果公司在 W1 或 H1 芯片内这个上行降噪技术可能是用到最大算力的程序，其中 H1 芯片估计还保留了一定的算力资源给未来做下行环境降噪用。
现在市场上的TWS 耳机蓝牙芯片产品，在低功耗的要求下，需要满足这个算法的算力需求，高通最高阶 QCC512x 的 DSP在次功耗的限制下，要实现也需要持续努力。
5）加速度骨传导传感器加入各种了机械瞬态变化及环境应力老化的物理特征，很多声应用信息技术与算法模型，需要更系统性的重新摸索探究，而其中因补偿清音及拼接融合2个不同传感器感测到的声音信息数据，导致声谐波组成的结构变化，对现存云端语音语义识别算法的可懂性能造成多大影响？需要仔细测试评估，人耳不易听出来的变化但对语音识别算法来说确可能致命。
6）在 Airpods 1代上市的过去几年裏 DSPC，Sensory 这些大咖算法供应商并没有下一步动作。这是一个有很大算法需求的高报酬市场，这些供应商的保持沉默，这背后原因值得去细思探讨。
7）算法需要解决相位失真，总谐波失真压制，信噪比保证，非用户语音的噪声判断转换压制比（纯浊音，纯清音），算法延迟，骨导声与麦克风声在不同情绪，音量条件下融合自适应或权重变化曲线，人体运动信息低频调制及多次谐波抑制，清浊音互换响应状态，降噪处理后的声谐波结构变化，耳机松脱后音量频响包络补偿。
8）算法要解决加速度骨传导传感器感测到的浊音声带运动与双麦克风在不同情绪，音量条件下所感测到的浊音 清音 2 个不同声音间的实时同步，重叠，拼接，融合处里所产生的谐波失真修补，平滑，滤波或压制。
9）上行降噪最重要的应用场景就是在通话场景，使用骨传导与麦克风融合降噪技术在大音量通话场景下就像把扩音器的麦克风贴在喇叭上，相移量足不足够可能引起严重的串扰，所以不能只盯在降噪上。
对于器件密度极高的 TWS 耳机来说，使用骨传导传感器来感测完整人声的应用，被自身加噪才是最大问题，同时还需要用麦克风声信息数据来补偿清音的声音缺陷信息数据。
在通话场景时关掉降噪算法或降低融合权重，做个伪骨传导降噪或者用户能拿到厂家给的有苹果50%降噪效果功能的算法产品，却需承担 100%的侵权风险可能！
喇叭造成的串扰图
10）为稳定的取得最完整的用户声带运动信息数据，如何最佳化设计耳机结构，找寻加速度骨传导传感器所在的位置及适当使用导声材料，单轴的 vpu在位置，导声材料，产品结构，运动松脱，耳廓结构,生产工艺问题上影响远大于 3 轴的 LIS25BA,这是所以苹果用了 3 轴加速度计的可能原因。
11）利用不同人发出不同音量大小的/ s /，/ sh /，/ f /，/ he /……等纯清音，单由双麦克风检拾出来的声音，对比融合骨传导声音信息及麦克风声音信息降噪算法后的声音，验证融合算法自适应权重调整的处理效果，这里是一个两难的选择，因为清音处理的越好降噪效果就要打折，降噪效果越好清音就越听不清楚。
若因而导致唤醒词，语音命令或云端语音辩识服务器，手机语音输入法，翻译，语音转文字 APP 的辩识效果打了大折扣，在解决这个问题前，去使用到Amazon，Google， Microsoft，百度，阿里，腾讯，科大讯飞语音助手云端语音辩识的产品就要面临比较大的风险。
骨传导上行降噪在形成实际产品前有很多细微的研发生产测试支节参数需要仔细琢磨调试，耗时极长，大家可以从 iFixit 拆解 Airpods 从其内大量使用黏着剂固定，就能看出为了满足测试和维持性能指标，其组装工艺的巨大难度，一个带骨传导上行降噪的产品，在相关技术确定成熟了的条件下，从外观规划开始到出货花个 1 年估计算快的了，或许远远不够。
2-4、使用 ST LIS2DW12(SPI 接口)加速度计传感器 OVVP 算法(骨声纹用户说话识别)
传感器选型：OVVP 算法因为对噪声密度，分辨率，带宽，ODR 及传感器内部高低通滤波器有一定的限制及要求，眼下需指定搭配性价比最高的 ST LIS2DW12 传感器。
OVVP 算法与手机声纹识别比较说明:
这是我们客户曾经提过的一个代表性的问题，使用贵司的 OVVP 算法看起来跟使用手机 上的声纹识别效果类似，为何还要多此一举呢，下面我们做个对比 ：
1）声纹识别需要针对特定字词做学习训练 OVVP 不用 ；
2）声纹识别只能对用户训练过的字词做局部保护，OVVP 则是对每个字词做全局性保护，
3）声纹识别的安全级别远高于 OVVP；
4）声纹识别易受用户环境，情绪，声哑病痛影响，OVVP 不会；
5）声纹识别只能对用户训练过的字词产生语音强隔离效果，OVVP 则对每个字词都能强隔离；
6）OVVP 算法是使用用户既有的加速度传感器与声纹识别一样不需外加硬件成本；
7）OVVP 算法可同时并存双击，计步，心率……等算法，声纹识别则无关；
8）声纹识别没有伴声记号，OVVP 的伴声记号可以用来做 2 次研发延展应用；
利用伴声记号与手机语音应用APP，强联结提升用户体验：
伴声记号是经由加速度传感器感测到用户说话时的声带运动，通过 OVVP 算法处理后，随着用户说话的字词产生的信息数据，最大的特征是只有戴耳机的用户“说话的时候”才会产生这个信息，戴耳机用户旁边的人说话声音小于语音强隔离护罩时，是无法产生这个信息数据的，我们客户产品语音强隔离护罩，能做到 50cm 100db 的程度。
伴声记号用法：
伴声记号（下图），是与麦克风声音数据一同通过蓝牙传送到手机端，通过 2 者同步后相互参照，可以知道用户何时说话及说了什么话。
翻译软件很多人用过，特别是谷歌翻译，相当好用， 翻译软件选择好翻译的语种后，说话前要先按下屏幕上的麦克风按键，然后说一句话，说完后停下等待翻成另一个语言，然后从手机喇叭播出，这个按下屏幕上的麦克风按键可以用伴声记号取代。
只要用户说话就自动压下屏幕上的麦克风按键，停止说话就翻译成另一个语言，通过喇叭播放出来，不用去按麦克风按键的翻译软件是不是更自然方便。
而带着伴声记号的用户说话声可以让语音辩识算法，除了肯定是近场拾取到用户自己说话的声音之外，快速得到声音的起点，停点这 3 个重要信息可以有效优化语音识别算法的应用体验。
这类语音应用软件除了翻译软件外还有很多，如，微信语音短信息，录音机，语音输入法，语音助手，语言学习，手机驾驶模式，语音转文字……等。
而与伴声记号同时存在的声音强隔离护罩，更是让用户在多人高密度及较吵杂环境，语音识别算法不用兼顾远场拾音问题，可以得到相互最低影响的效果。当然若能再有骨传导上行降噪能力，肯定是美事一桩，完美的不要不要的了。
