北京录播声学回声自抑制算法

    黑色这条线是标准NLMS算法的回声抑制比。我们可以看到，NLMS算法在收敛之后，回声抑制比只能到10个分贝左右，相对比较低。而双耦合算法在收敛之后，可以达到25个分贝以上，也就是说它比NLMS算法多15个分贝，这个优势是很明显的。接下来我们再看第二个示例，针对弱非线性失真的情况，左边是语谱，右边是回声抑制比。我们评估单讲性能的主要指标是回声抑制比和收敛速度。首先看一下NLMS算法，它在收敛之后，大概可以抑制22~25个分贝。这个算法的收敛速度很慢，大概经过100多帧之后才会进入到相对收敛的状态。再来看一下双耦合算法，在稳定之后，可以抑制35~40个分贝，比NLMS算法大概提升15~20个分贝的回声抑制比。同时它还有一个很明显的优势：收敛速度很快，几乎是回声到了之后，他瞬间就进入到收敛状态。接下来这个是针对不同手机机型的回声抑制比的比较。红色是双耦合算法，蓝色是NLMS算法，从这组数据里面，我们可以看到双耦合算法比NLMS算法普遍提升了大概10个分贝以上的回声抑制比，具有比较大的优势。再进入双讲测试场景。我首先介绍一下测试的示例，这组数据是一个视频会议的数据，左边这个是原始的麦克信号语谱，右边这个是回声参考信号语谱。

     右边的非线性声学回声场景。北京录播声学回声自抑制算法

    n)中的回声是扬声器播放远端参考x(n)，又被麦克风采集到的形成的，也就意味着在近端数据还未采集进来之前，远端数据缓冲区中已经躺着N帧x(n)了，这个天然的延时可以约等于音频信号从准备渲染到被麦克风采集到的时间，不同设备这个延时是不等的。苹果设备延时较小，基本在120ms左右，Android设备普遍在200ms左右，低端机型上会有300ms左右甚至以上。（2）远近端非因果为什么会导致回声？从（1）中可以认为，正常情况下当前帧近端信号为了找到与之对齐的远端信号，必须在远端缓冲区沿着写指针向前查找。如果此时设备采集丢数据，远端数据会迅速消耗，导致新来的近端帧在向前查找时，已经找不到与之对齐的远端参考帧了，会导致后续各模块工作异常。如图10(a)表示正常延时情况，(b)表示非因果。WebRTCAEC中的延时调整策略关键而且复杂，涉及到固定延时调整，大延时检测，以及线性滤波器延时估计。三者的关系如下：①固定延时调整只会发生在开始AEC算法开始处理之前，而且调整一次。如会议盒子等固定的硬件设备延时基本是固定的，可以通过直接减去固定的延时的方法缩小延时估计范围，使之快速来到滤波器覆盖的延时范围之内。下面结合代码来看看固定延时的调整过程。

    交互声学回声供应商家回声消除AEC（AcousticEchoCancellation）一般指的是声学回声消除，其主要用于抑制产品本身发出的声音。

    而正是这两级客观存在的物理声学现象，造就了我们所讨论的内容。在远程会议系统的终端（本地），为了实现多人互动、多人拾音等目的，系统声音免不了被放大还原，而在诸如此类的放大系统中，为本地音箱能够听到远端声音，并能把本地拾音信号传送到远端而互通。众所周知，话筒在拾取到放大后的音箱信号后，再次回授、无限循环而产生反馈现象，而系统在均衡声场后，该现象其实是可以得到明显改观的。但话筒的拾音灵敏度是不是可以无限大呢？不是，在足够电平条件下，它始终会因拾取到具有相干性频率相位关系的输入信号而建立起回授。上述啸叫现象并不是本文重点，但它为我们讨论接下来的话题提供了一个前提，那就是（同一个声场环境中）话筒和音箱无论怎么摆都无法做到完全的隔离，更别说空间声场条件有限的小中型会议室了。在一套有扩声、有拾音的远程会议系统中，为了防止信号回授，我们通常会有意识地将远端输入信号不再路由给远端输出。然而无法抗拒的是，本地话筒因拾取到远端传送至本地扩声的信号，仍可将声音重新传送至远端。这也是一种回授，明显的远程回授现象可使得系统发生自激震荡。通过一个简易的远程音频传输示意图。能帮助我们更容易地理解声音信号是怎样的流向。

    我们常说，距离产生延时，而在模拟音频大举转向数字音频、网络音频的，网络信号的延迟也为音频领域赋予了新的现象，尤其应用在远程会议这样的音频传输系统当中，它能将一次次回授剥离成一次次听似回声的现象，这就是网络音频回声。该图片经我司设计员制作后作者再编辑通常由A地发出的声源A在几乎不经过延迟处理的本地系统中，通过A地音箱扩声；而其经过网络终端编码送向远端时，除了考虑A地的上传时间X，还得考虑B地的下载时间Y。在这样一个架构在Internet网络传输环境中的声音，其到达B地扩声音箱出来的信号则是A+X+Y。经B地本地话筒拾取后的该信号，再由B地的上传网速（时间）Z、A地的下载时间W传送回A地扩声音箱，其表现出的信号则会出现一次A信号，及一次赋予了（X+Y+Z+W）时间的A信号。假设A地—B地传输时间总和为200ms，B地—A地传输时间总和为200ms，则信号的一去一回，体现在A扩声音箱中至少会存在A和A+400ms的信号，若反馈信号电平足够强，则再被话筒拾取，这将不止产生一次的回声，而是多次规律的回声现象。该图片来源于Motivity产品DP处理器AEC调试界面AEC即AcousticEchoCancellation（声学回声消除）技术简称。

    声学回声的功能怎么样？

    我们还希望它在一个短时的观测时间窗的尺度里面也是比较好的，即局部比较好，所以在数学期望内部，我们又对误差进行了短时积分。这个优化准则跟传统的线性自适应滤波器是有本质区别的，因为传统的线性自适应滤波器基于小均方误差准则，它只是在统计意义上比较好，没有局部比较好约束。首先来求解这里的Wl，就是线性滤波器。主要求解方法是，假设Wn就是非线性滤波器是比较好解，把这个比较好解代入到前面的优化方程里，就会得到上面简化之后的优化目标函数。在这个地方，我们又做了一些先验假设，假设非线性的滤波器的一阶统计量和二阶统计量都等于0，我们就可以把上面的优化问题进一步简化，就得到我们非常熟悉的方程，就是Wiener-Hopf方程。这个结果告诉我们，线性滤波器的比较好解跟传统的自适应滤波器的比较好解是一致的，都是Wiener-Hopf方程的理论比较好解。所以我们就可以采用一些现有的比较成熟的算法，比如NLMS算法、RLS算法，对它进行迭代求解。这就是Wl的设计。接下来再看看Wn的设计。Wn的设计跟Wl的设计是类似的，也是需要将优化之后的线性滤波器，代入到开始的优化问题里，可以把前面的优化问题简化成下面的方程。接下来进行一系列的变量替换之后。

    我们把声学回声消除这个技术变成一张实体的插件（设备插卡），在系统中，为实现次回声过滤。江苏通话声学回声抑制算法

搜索“声学回声消除”的相关文献，一共找到了3402篇。北京录播声学回声自抑制算法

    首先是优化准则。NLMS算法是基于小均方误差准则，而双耦合算法是基于小平均短时累计误差准则，所以他们的优化准则是不一样的。第二个就是理论的比较好解，NLMS算法具有Wiener-Hopf方程解，而双耦合算法的线性滤波器也具有Wiener-Hopf方程解，非线性滤波器具有小二乘解。第三个维度就是运算量，NLMS运算量是O（M），M是滤波器的阶数，而双耦合算法运算量后面会多一个O（N2），因为他有两个滤波器，N是非线性滤波器的阶数，这里的平方是因为小二乘需要对矩阵进行求逆运算，所以它的运算量比线性的NLMS运算量要大很多。第三个就是控制机制，NLMS算法只有一个滤波器，它的控制主要是通过调整步长来实现的，控制起来要相对简单。而双耦合算法需要对两套滤波器进行耦合控制，控制的复杂度要高很多。实验结果分析,这里我主要是分了两个实验场景比较双耦合算法和NLMS算法的性能，个是单讲测试场景，第二个就是双讲测试场景。首先看一下单讲测试场景，个示例是针对强非线性失真的情况，左边分别原信号的语谱，NLMS算法进行回声消除之后的语谱、双耦合算法的语谱。颜色越深，能量越大。右边这个的是回声抑制比，值越大越好，红色的曲线是双耦合算法的回声抑制比。

    北京录播声学回声自抑制算法

深圳鱼亮科技有限公司是一家集研发、生产、咨询、规划、销售、服务于一体的服务型企业。公司成立于2017-11-03，多年来在智能家居，语音识别算法，机器人交互系统，降噪行业形成了成熟、可靠的研发、生产体系。主要经营智能家居，语音识别算法，机器人交互系统，降噪等产品服务，现在公司拥有一支经验丰富的研发设计团队，对于产品研发和生产要求极为严格，完全按照行业标准研发和生产。Bothlent为用户提供真诚、贴心的售前、售后服务，产品价格实惠。公司秉承为社会做贡献、为用户做服务的经营理念，致力向社会和用户提供满意的产品和服务。智能家居，语音识别算法，机器人交互系统，降噪产品满足客户多方面的使用要求，让客户买的放心，用的称心，产品定位以经济实用为重心，公司真诚期待与您合作，相信有了您的支持我们会以昂扬的姿态不断前进、进步。