Μικρόφωνο — τι είναι, τύποι και πώς λειτουργεί σε φορητές συσκευές

Τι είναι το μικρόφωνο;

Μικρόφωνο — μια ηλεκτροακουστική συσκευή που μετατρέπει τις ταλαντώσεις της ηχητικής πίεσης σε ηλεκτρικό σήμα. Ανάλογα με την αρχή λειτουργίας διακρίνονται σε δυναμικά (πηνίο σε μαγνητικό πεδίο), χωρητικά (αλλαγή χωρητικότητας) και πιεζοηλεκτρικά. Στις φορητές συσκευές η απόλυτη πλειοψηφία είναι χωρητικά μικρόφωνα MEMS χάρη στις μικροσκοπικές διαστάσεις (2.5 × 1.5 mm) και τη συμβατότητα με επιφανειακή τοποθέτηση (SMD).

Το μικρόφωνο αποτελείται από μια μεμβράνη που ταλαντώνεται υπό την επίδραση της ηχητικής πίεσης και ένα σταθερό ηλεκτρόδιο, σχηματίζοντας έναν πυκνωτή. Η αλλαγή της απόστασης μεταξύ των πλακών μεταβάλλει τη χωρητικότητα, που διαμορφώνει την τάση εξόδου. Στα μικρόφωνα MEMS η μεμβράνη κατασκευάζεται από πολυπυρίτιο με τη μέθοδο της φωτολιθογραφίας — αυτό εξασφαλίζει την ταυτότητα χαρακτηριστικών όλων των μικροφώνων σε μια παρτίδα.

Το σήμα εξόδου του μικροφώνου MEMS — PDM (Pulse Density Modulation) — μια ροή ενός bit με συχνότητα δειγματοληψίας 1–4 MHz. Οι κωδικοποιητές του smartphone αποκωδικοποιούν το PDM σε PCM (Pulse Code Modulation) μέσω ενός ψηφιακού φίλτρου αποδεκατισμού, λαμβάνοντας τυπική μορφή ήχου 16–24 bit με συχνότητα 44.1–96 kHz για επεξεργασία από την εφαρμογή.

MEMS vs ηλεκτρέτ μικρόφωνα

Πριν από την έλευση των MEMS σε φορητές συσκευές χρησιμοποιούνταν ηλεκτρέτ χωρητικά μικρόφωνα (ECM). Σε αυτά η μεμβράνη είχε μόνιμο ηλεκτρικό φορτίο (ηλεκτρέτ) και οι ταλαντώσεις της μεμβράνης δημιουργούσαν μεταβαλλόμενη τάση. Τα μικρόφωνα ECM είναι μεγαλύτερα (4–6 mm) και απαιτούν ξεχωριστό προενισχυτή, αυξάνοντας την επιφάνεια στην πλακέτα.

Τα μικρόφωνα MEMS κυριαρχούν χάρη στις μικρότερες διαστάσεις, τη σταθερότητα χαρακτηριστικών και τη δυνατότητα συγκόλλησης σε τυπικές γραμμές SMD. Ωστόσο, τα ECM εξακολουθούν να χρησιμοποιούνται σε οικονομικές συσκευές λόγω χαμηλότερου κόστους εξαρτήματος ($0.15–0.30 έναντι $0.25–0.60 για MEMS).

Διαμόρφωση πολλαπλών μικροφώνων: κύριο, εμπρόσθιο, οπίσθιο

Τα σύγχρονα smartphone περιέχουν από 3 έως 4 μικρόφωνα, η θέση των οποίων καθορίζει την ποιότητα εγγραφής και ακύρωσης θορύβου. Το κύριο μικρόφωνο (κάτω) βρίσκεται στην κάτω άκρη δίπλα στη θύρα USB-C — καταγράφει τη φωνή του χρήστη κατά τη διάρκεια κλήσης και βιντεοσκόπησης. Το εμπρόσθιο (πάνω) — στην πάνω άκρη για φωνητικές εντολές και δεύτερο κανάλι σε στερεοφωνική εγγραφή.

Το οπίσθιο μικρόφωνο συνήθως βρίσκεται δίπλα στην κάμερα στο πίσω μέρος και χρησιμοποιείται αποκλειστικά για ακύρωση θορύβου. Το σήμα του δεν καταγράφεται στο αρχείο ήχου — αφαιρείται μόνο από τον ψηφιακό επεξεργαστή από το σήμα του κύριου μικροφώνου. Σε ορισμένες ναυαρχίδες (iPhone 16 Pro, Samsung Galaxy S25) εγκαθίσταται τέταρτο μικρόφωνο στην εγκοπή της μπροστινής κάμερας για βελτίωση εγγραφής σε βιντεοκλήσεις.

Η στερεοφωνική εγγραφή βίντεο πραγματοποιείται μέσω συνδυασμού των κάτω και πάνω μικροφώνων. Το iOS επιλέγει αυτόματα το ζεύγος μικροφώνων ανάλογα με τον προσανατολισμό της συσκευής — σε οριζόντια λήψη το αριστερό κανάλι λαμβάνεται από την αριστερή άκρη, το δεξί από τη δεξιά. Στο Android αυτή η λογική εξαρτάται από την υλοποίηση του κατασκευαστή OEM και μπορεί να διαφέρει μεταξύ μοντέλων.

Παράδειγμα επιλογής πηγής ήχου σε Kotlin (Android)

val recorder = AudioRecord(
    MediaRecorder.AudioSource.CAMCORDER,
    44100,
    AudioFormat.CHANNEL_IN_MONO,
    AudioFormat.ENCODING_PCM_16BIT,
    bufferSize
)
recorder.startRecording()

val buffer = ShortArray(bufferSize)
while (recorder.recordingState == AudioRecord.RECORDSTATE_RECORDING) {
    recorder.read(buffer, 0, buffer.size)
    // Επεξεργασία buffer PCM
}

Το AudioSource.CAMCORDER επιλέγει το βέλτιστο μικρόφωνο για βιντεοσκόπηση — συνήθως αυτό είναι το κάτω κύριο μικρόφωνο με αυτόματη ρύθμιση απολαβής. Για φωνητική εγγραφή χρησιμοποιείται VOICE_RECOGNITION — αυτή η πηγή απενεργοποιεί όλα τα φίλτρα και την ακύρωση θορύβου για καθαρό σήμα αναγνώρισης ομιλίας.

Πώς λειτουργεί η ακύρωση θορύβου στα smartphone

Ενεργή ακύρωση θορύβου (Active Noise Cancellation, ANC) στα smartphone βασίζεται στη διαφορική μέθοδο: το δεύτερο μικρόφωνο (αναφοράς) καταγράφει κυρίως τον θόρυβο περιβάλλοντος, ενώ το κύριο (πρωτεύον) — μείγμα φωνής και θορύβου. Ο ψηφιακός επεξεργαστής σήματος (DSP) αφαιρεί το σήμα αναφοράς από το πρωτεύον, αφήνοντας μόνο καθαρή φωνή.

Η ποιότητα ακύρωσης θορύβου εξαρτάται από την απόσταση μεταξύ των μικροφώνων και την κατευθυντικότητά τους. Τυπική καταστολή ομοιόμορφου θορύβου (αεροπλάνο, ανεμιστήρας) — 20–35 dB. Για παλμικούς θορύβους (χτύπημα πόρτας, κρότος πιάτων) χρησιμοποιείται πρόσθετο μπλοκ καταστολής μεταβατικών, το οποίο αντικαθιστά το παραμορφωμένο τμήμα με προσεγγιστικό σήμα γειτονικών δειγμάτων.

Ο προγραμματιστής μπορεί να επηρεάσει τους αλγόριθμους ακύρωσης θορύβου μόνο μέσω παραμέτρων συνεδρίας ήχου: στο Android — AudioManager.setParameters("noise_suppression=on/off"), στο iOS — κατηγορία AVAudioSession .playAndRecord με επιλογή .allowBluetoothA2DP. Κατά την εγγραφή για αναγνώριση, η ακύρωση θορύβου συνήθως απενεργοποιείται — οι αλγόριθμοι STT λειτουργούν με μεγαλύτερη ακρίβεια με το αρχικό σήμα.

Λήψη ήχου: Android AudioRecord και iOS AVAudioEngine

AudioRecord (Android) — χαμηλού επιπέδου API για άμεση εγγραφή δεδομένων PCM από το μικρόφωνο. Η εφαρμογή λαμβάνει ενδιάμεσους αποθηκευτικούς χώρους (buffers) με ακατέργαστα δεδομένα ήχου που μπορούν να υποβληθούν σε επεξεργασία σε πραγματικό χρόνο: ανάλυση έντασης, ανάλυση συχνότητας (FFT), VAD (Voice Activity Detection). Ο ελάχιστος buffer υπολογίζεται μέσω AudioRecord.getMinBufferSize() — η χρήση μικρότερου μεγέθους προκαλεί καθυστέρηση ή σφάλμα εγγραφής.

AVAudioEngine (iOS) — αρθρωτό γράφημα για επεξεργασία ήχου, όπου ο κόμβος εισόδου (AVAudioInputNode) συνδέεται με τον κύριο μίκτη ή απευθείας με τον χειριστή tap. Η μηχανή επιτρέπει ανάλυση σε πραγματικό χρόνο του RMS (Root Mean Square) — δείκτη έντασης σήματος — και του φάσματος συχνοτήτων μέσω AVAudioUnitEQ.

Βασικές διαφορές πλατφορμών: στο iOS η εγγραφή απαιτεί υποχρεωτική ενεργοποίηση του AVAudioSession με κατηγορία .playAndRecord ή .record; στο Android — άδεια RECORD_AUDIO (άδεια χρόνου εκτέλεσης) και πηγή AudioSource. Το Flutter χρησιμοποιεί το πρόσθετο record για αφαίρεση αυτών των διαφορών.

Παράδειγμα λήψης ήχου σε Swift (iOS)

import AVFoundation

let engine = AVAudioEngine()
let inputNode = engine.inputNode
let format = inputNode.outputFormat(forBus: 0)

inputNode.installTap(onBus: 0, bufferSize: 1024,
    format: format) { buffer, time in
    guard let channelData = buffer.floatChannelData else { return }
    let frameLength = Int(buffer.frameLength)
    var sumSquares: Float = 0

    for i in 0..<frameLength {
        sumSquares += channelData[0][i] * channelData[0][i]
    }
    let rms = sqrt(sumSquares / Float(frameLength))
    print("RMS ένταση: \(rms)")
}

try engine.start()

Ο κώδικας τοποθετεί ένα tap στον κόμβο εισόδου της μηχανής AVAudioEngine. Κάθε buffer ήχου περιέχει δεδομένα float του μονοφωνικού σήματος από το μικρόφωνο. Το RMS υπολογίζεται ως τετραγωνική ρίζα του μέσου όρου των τετραγώνων του πλάτους — ο τυπικός δείκτης έντασης ήχου στην περιοχή από 0.0 (σιωπή) έως περίπου 0.5–1.0 (δυνατή φωνή).

Χαρακτηριστικά μικροφώνου: SNR, AOP, εύρος συχνοτήτων

Για την αξιολόγηση της ποιότητας του μικροφώνου χρησιμοποιούνται βασικές παράμετροι. SNR (Signal-to-Noise Ratio) — λόγος επιπέδου σήματος προς τον εγγενή θόρυβο του μικροφώνου, μετράται σε dBA. Όσο υψηλότερο είναι το SNR, τόσο πιο ήσυχος είναι ο θόρυβος περιβάλλοντος στην εγγραφή. Για φωνητικές κλήσεις αρκεί 62–64 dBA, για εγγραφή μουσικής — 68+ dBA.

AOP (Acoustic Overload Point) — μέγιστο επίπεδο ηχητικής πίεσης (SPL) που μπορεί να μετατρέψει το μικρόφωνο χωρίς παραμόρφωση. Για τυπικό μικρόφωνο MEMS, AOP = 125 dB. Σε συναυλίες (110–120 dB) η εγγραφή θα είναι καθαρή, αλλά σε 130+ dB (κοντινά πυροτεχνήματα) εμφανίζεται μη γραμμική παραμόρφωση (THD > 10%).

Το εύρος συχνοτήτων καθορίζει ποιες συχνότητες το μικρόφωνο καταγράφει χωρίς εξασθένηση. Για φωνή αρκεί 300–3400 Hz (τηλεφωνικό πρότυπο, POTS). Για μουσική και βίντεο — 20–20000 Hz. Τα μικρόφωνα MEMS σε smartphone τελευταίας γενιάς (Knowles SPH9855) παρέχουν εύρος 30–18000 Hz με ανομοιομορφία ±3 dB.