語音追蹤技術：為何「看見」比「聽見」更重要？
By Lumens
June 06, 2025 570
「我們是視覺的生物，視覺的事物是固定的，而聲音則會消逝。」哈佛大學心理學家 Steven Pinker 如此表示。這或許是個具爭議的說法（尤其對於音樂家來說！），但研究顯示，在面對面的交流中，至少有 50% 的溝通是非語言的。這意味著在會議中，視覺部分在視聽技術（AV）中至關重要。
▶ 什麼是會議公平性（Meeting Equity）？
現代視訊會議攝影機能夠產生令人驚嘆的清晰和明亮影像。這些攝影機通常配備自動構圖技術，能自動調整鏡頭以捕捉房間內的人員，而非周圍空間。這樣的效果確實不錯，焦點清楚地放在與會者身上。但這仍無法完全解決一個關鍵問題。
對於遠端參與者來說，依然很難跟上討論進度。他們很難判斷誰在說話，或者誰在回應誰。這就產生了「會議公平性」問題：現場參與者的體驗往往優於虛擬參與者。
▶ 視覺解決方案：從電視製作中學習
電視節目製作人已經有數十年的經驗，能夠創造出引人入勝的討論節目，這些節目能有效吸引觀眾的注意力，並有效地講述故事。這些節目通常包含以下標準元素：• 廣角鏡頭來展示討論的背景
• 主講人的特寫畫面
• 在來回討論中，同時框住多位說話者
• 智能鏡頭切換，選擇最佳角度
▶ 視聽技術能否媲美電視節目？
這些技術現已被會議專業人士所採用。在高規格的公開會議（如 G20 峰會）中，用於記錄和直播的視聽設備與電視台使用的技術旗鼓相當。
在一些高階主管會議和公開會議中，由單一操作員管理多台 PTZ 攝影機是一種有效的解決方案。熟練的製作人員能夠以經驗和直覺捕捉討論，為觀眾和遠端參與者帶來引人入勝的觀賞體驗。
然而，考量到會議機密性（如財務、健康或社會服務討論）、複雜設備的安裝和操作實際性，以及高昂成本，這樣的配置往往只是例外，而非常態。隨著過去幾年虛擬會議的快速增長，為每場會議和每個會議空間都安排操作員顯然並不現實。
AV 解決方案：語音追蹤技術
▶ 什麼是語音追蹤？
一種新型會議室麥克風誕生了（如 Sennheiser TCC2、Yamaha RM-CG、Shure MXA920、Nureva HDL410 等）。這些產品採用了 DOA（到達方向）技術，可以檢測聲音來源的位置。這為何如此重要？
1. 語音追蹤麥克風有助於消除常見的會議問題，例如聲音模糊、聲音過遠或語音重疊。它們確保每位參與者無論身處何處，都能清晰地被聽見。
2. 語音追蹤也可幫助視訊攝影機自動對準說話者。
這對視訊會議來說是一個突破。語音追蹤正在改變攝影機與現場討論的整合與互動方式。
▶ 語音追蹤與攝影機整合
藉由語音追蹤的強大功能，麥克風陣列的定位數據會即時傳送至外部處理器，並進一步連接多台 PTZ 攝影機。這種攝影機和麥克風的組合，能使攝影機立即對準會議空間中的主動聲音。這是透過將攝影機角度與麥克風數據協調來實現的。會議影片可以自動產出，並被 Teams、Zoom 或其他會議平台即時使用。
▶ 什麼是說話者追蹤？
像 CamConnect Pro 這樣的產品，Lumens 將語音追蹤麥克風與 PTZ 攝影機系統結合，實現智能說話者追蹤。其運作方式如下：
• 視訊畫面切換至攝影機 1。
• 另一位與會者開始說話 → 攝影機 2 自動放大該說話者。
• 系統自動切換至攝影機 2。
這種 AV 系統正在創造類似電視節目的效果，且不需用戶干預。它還能管理大型會議：每台攝影機可分配多個與會者，覆蓋整個會議空間。
▶ 說話者追蹤的演進
將麥克風與攝影機連接並非新概念。多年前，開發人員就已能夠編程 AV 控制器以回應即時語音追蹤數據。但由於每個安裝環境的複雜性和獨特性，此過程通常相當昂貴。
然而，Lumens 的創新使這一切變得簡單：CamConnect 可以輕鬆連接至網路，並在數分鐘內配置完成，最多支援 4 台 PTZ 攝影機和多組麥克風陣列，無需編程。
▶ 從會議公平到大規模採用
隨著 VC-TR60A 攝影機的推出，Lumens 將說話者追蹤整合到 PTZ 攝影機內。無需依賴天花板或牆壁安裝的麥克風來檢測聲音位置，這款攝影機在其底座內內建了一組聲音檢測器。透過 AI 驅動的影像分析工具，VC-TR60A 可以辨識聲音是否來自房間內的人，而非關門聲或外面汽車發動聲。
▶ 說話者追蹤的準確性如何？
說話者追蹤技術在理想環境中非常精確，但仍受多種因素影響：
• 空間大小： 距離麥克風越遠，定位數據的精度越低。好消息是，像 CamConnect 這樣的系統可以支援多組麥克風，這些麥克風可以安裝在天花板或牆壁上。
• 音響效果： 需要特別注意回音和反射。聲音隔離良好的房間效果更佳，而 DSP 處理器可以最小化這些問題。
▶ 人為因素
人們會移動，會調整座椅，而這些動態可能會影響鏡頭構圖。CamConnect Pro 等新一代 AI 系統可以自動重新構圖，確保最佳畫面。
▶ 避免「乒乓效應」
沒有觀眾喜歡觀看鏡頭不斷在發言者之間快速切換的會議影片。為避免這種「乒乓效應」，一些系統可以啟用多聲道構圖模式，自動切換到更廣的鏡頭，覆蓋所有活躍說話者。
▶ 說話者追蹤的未來
多聲道構圖僅僅是開始。隨著自動化技術的進步，說話者追蹤有望演變為全自動 AV 製作系統，媲美專業電視節目製作。目前，這項技術已經在改變我們體驗虛擬會議的方式。