为补偿语音信号 (尤其是高频分量、提供清晰音质等) 向前辐射引起的振幅衰减，常采用双麦克风阵列形成空间定向波束，以增强特定方向的增益，同时消除其他方向的干扰噪声。

考虑到用户不同的佩戴角度，波束成形是一个自适应估计过程。这也就意味着如果周围环境嘈杂，估计误差就会增大。故而为了避免消除用户声音的情况，只能保留来自近似方向的残留动态噪声。

机器学习算法的出现则打破了这一限制。深度神经网络具有较强的非线性建模能力以及对动态噪声干扰的良好识别性能，区别于传统的利用统计信号分析来区分噪声和语音的方法。然而，受限于计算平台的资源，神经网络模型本身的鲁棒性以及泛化能力在网络剪枝和量化后也会有所降低，可能不足以覆盖所有的使用场景。

将自适应波束成形和机器学习方法相结合，可以提升降噪性能，从而使解决方案能够在嘈杂环境中更好地进行自适应调整。同时，波束成形能够在空间上滤除周围环境中的干扰噪声，从而提高神经网络输入信号的信噪比 (SNR)。因此，资源有限的模型也可以稳定地运作。

请看下图的对比：

可以看出，图2与图1有显著差异。借助深度学习算法，我们可以更准确地区别语音成分和噪声成分，并补充高频谐波，从而使语音更加饱满清晰。