浙江新一代声学回声

    深入浅出WebRTCAEC（声学回声消除）,前言：近年来，音视频会议产品提升着工作协同的效率，在线教育产品突破着传统教育形式的种种限制，娱乐互动直播产品丰富着生活社交的多样性，背后都离不开音视频通信技术的优化与创新，其中音频信息内容传递的流畅性、完整性、可懂度直接决定着用户之间的沟通质量。自2011年WebRTC开源以来，无论是其技术架构，还是其中丰富的算法模块都是值得我们细细品味，音频方面熟知的3A算法（AGC:Automaticgaincontrol;ANS:Adaptivenoisesuppression;AEC:Acousticechocancellation）就是其中闪闪发光的明珠。本文章将结合实例解析WebRTCAEC的基本框架和基本原理，一起探索回声消除的基本原理，技术难点以及优化方向。回声的形成WebRTC架构中上下行音频信号处理流程，音频3A主要集中在上行的发送端对发送信号依次进行回声消除、降噪以及音量均衡（这里只讨论AEC的处理流程，如果是AECM的处理流程ANS会前置），AGC会作为压限器作用在接收端对即将播放的音频信号进行限幅。那么回声是怎么形成的呢？如图2所示，A、B两人在通信的过程中，我们有如下定义：x(n):远端参考信号，即A端订阅的B端音频流，通常作为参考信号；y(n):回声信号，即扬声器播放信号x。

    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）。浙江新一代声学回声

    WebRtcAec_Process接口如上，参数reported_delay_ms为当前设备需要调整延时的目标值。如某Android设备固定延时为400ms左右，400ms已经超出滤波器覆盖的延时范围，至少需要调整300ms延时，才能满足回声消除没有回声的要求。固定延时调整在WebRTCAEC算法开始之初作用一次,为什么target_delay是这么计算？inttarget_delay=startup_size_ms*self->rate_factor*8;startup_size_ms其实就是设置下去的reported_delay_ms，这一步将计算时间毫秒转化为样本点数。16000hz采样中，10ms表示160个样本点，因此target_delay实际就是需要调整的目标样本点数（aecpc->rate_factor=aecpc->splitSampFreq/8000=2）。我们用330ms延时的数据测试：如果设置默认延时为240ms，overhead_elements次被调整了-60个block，负值表示向前查找，正好为60*4=240ms，之后线性滤波器固定index=24，表示24*4=96ms延时，二者之和约等于330ms。②大延时检测是基于远近端数据相似性在远端大缓存中查找相似的帧的过程，其算法原理有点类似音频指纹中特征匹配的思想。大延时调整的能力是对固定延时调整与线型滤波器能力的补充，使用它的时候需要比较慎重。需要控制调整的频率，以及控制造成非因果的风险。

     浙江新一代声学回声便于大家对双耦合声学回声消除算法有一个定性的认识。

    这样有助于扩散或展开室内的声音，如图3所示。不要过多地填满泡沫材料，因为填满了的、“死寂”的房间对演奏来说是很不合适的，而保留一些反射声后能给声音加上“空间”和活泼的感觉。其他高频吸声体有睡袋、活动毯子、地毡毛毯、窗帘以及用细薄的棉布或粗麻布罩住的玻璃纤维等。如有可能，把这些材料与墙面之间留有数英寸的空间。这种间距会有助于吸收中低频率成分。有一种宽频段的吸声体，它是罩有细薄棉布或粗麻布的已压制好的（Owens-CorningType703,3lb/ft3）。首先在要进行录音的演奏者的前方或上方只安置一小部分吸声材料，每次只增加一些吸声体，直到所录得的声音满意时为止——通常覆盖总表面的50%~60%。吸声位置位于从混录位置方向观察为音箱的镜像位置上。吸声体置于音箱后面的墙上，也可把吸声板吊挂在混录位置与音箱之间半路中心的上方，用吊钩和线绳悬挂。另一种吸声体为位于传声器附近的安装的声学板。例如ModTrap及sERelexion滤波器。声学基本概念，你知多少？1.吸声声波通过某种介质或射到某介质表面时，声能减少并转换为其他能量的过程称为吸声。2.吸声的作用对同一个空间，改变室内声场的特性。吸声的主要作用是吸收室内的混响声,对直达声不起作用。

    男人说话的声频为～150Hz，女人说话声频为～230Hz,发动机声频为～250Hz，绝大部分机器的噪音也是以低频为主的中低频噪音）,9.声音频率(声频)声波在单位时间内的振动次数称为频率(frequency)，单位赫(Hz)。人耳能够听到的声音的整个范围是20~20000Hz，一般把声音频率分为低频（500Hz以下）、中频（500-1000Hz）和高频(1000Hz以上)三个频带。听觉好的成年人能听到的声音频率常在30~16000Hz之间，老年人则常在50~10000Hz之间。10.混响声源停止发音后，产生的声音延续现象。11.混响时间当声场达到稳定的状态后，突然关掉声源使其停止发声，声能逐渐减小到原来声能（稳定时具有的声能）的百万分之一所经历的时间，通常用声压级60dB所需要的时间，一般用T60表示（有时也用T），单位为秒（S）；(简而言之：声能密度衰减60dB所需要的时间)。12.混响时间计算公式塞宾公式T60=αS。其中A为总吸声量，α为吸声系数，S为样件面积，V为混响室体积。13.比较好混响时间对大量音质效果评价认为较好的各种用途的厅堂实测的500HZ和1000HZ满场（指实际使用状态）的混响时间进行统计分析，从而得到的混响时间称为比较好混响时间。14.直达声与混响声声源发出的直接到达的声音是直达声。

     声学回声往往会经过多个不同路径的多次反射之后到达接收端。

    声学回声消除应用技术，随着秒新月异的科技发展，各项技术成果不断地应用在我们日益拓展的各领域需求当中，刷新着我们的生活和工作。地球村的崛起，不断以互联网、物联网等方式揭示着万物相连的关系。无论是飞机、高铁还是电话、网络，都成为托起地球新村时空纵横的重要载体。怎样拉近人与人之间的关系，如何建立起更行之有效的联络方式，提高远程协同工作、信息传达效率成为了一个重要命题。远程会议的出现在很大程度上为这种多极化办公互动提供了质量的平台保障，在借助互联网便捷的远程通信架构下，通讯数据安全，稳定可靠，很长一段时间广受用户青睐。然而美中不足的是，这样的（声音）系统仍逃不出的还是自然声学上的问题。有和业内朋友聊天中谈到，今后的扩声系统也许只保留两级传统装置了，那就是声电转换和电声转换的拾音和还原。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。

    什么是非线性声学回声，它产生的原理、研究现状以及技术难点等问题。新疆量子声学回声介绍

非线性声学回声消除技术。浙江新一代声学回声

    如果设置nlp_mode=kAecNlpAggressive，α大约会在30左右。如果当前帧为近端帧（即echo_state=false），假设第k个频带hNl(k)=，hNl(k)=hNl(k)^α=，即使滤波后的损失听感上几乎无感知。如图8(a)，hNl经过α调制之后，幅值依然很接近。如果当前帧为远端帧（即echo_state=true），假设第k个频带hNl(k)=，hNl(k)=hNl(k)^α=，滤波后远端能量小到基本听不到了。如图8(b)，hNl经过α调制之后，基本接近0。经过如上对比，为了保证经过调制之后近端期望信号失真小，远端回声可以被抑制到不可听，WebRTCAEC才在远近端帧状态判断的的模块中设置了如此严格的门限。另外，调整系数α过于严格的情况下会带来双讲的抑制，如图9第1行，近端说话人声音明显丢失，通过调整α后得以恢复，如第2行所示。因此如果在WebRTCAEC现有策略上优化α估计，可以缓解双讲抑制严重的问题。延时调整策略回声消除的效果与远近端数据延时强相关，调整不当会带来算法不可用的风险。在远近端数据进入线性部分之前，一定要保证延时在设计的滤波器阶数范围内，不然延时过大超出了线性滤波器估计的范围或调整过当导致远近端非因果都会造成无法收敛的回声。先科普两个问题：。1）为什么会存在延时？首先近端信号d。

   浙江新一代声学回声