WebRTC嵌入式音频回声消除与抖动缓冲优化实战 - 第2节

声学回声产生机理：从物理现象到数字信号

回声，说白了就是你自己说的话绕了一圈又传回你耳朵里。在VoIP通话中，这个现象特别烦人。我刚开始做音频处理时，总觉得回声不就是延迟嘛，后来才发现事情没那么简单。

声学回声的产生，需要三个要素：

• 声源：扬声器播放的远端语音
• 传播路径：声音在房间内反射、绕射
• 拾音器：麦克风采集到这些反射声

你想想看，扬声器放出来的声音，一部分直接传到麦克风，一部分撞到墙壁、天花板、家具再反射回来。这些路径的长度不同，延迟也不同。麦克风采集到的，就是这些多路径信号的叠加。

线性回声与非线性回声

回声可以分成两类：线性的和非线性的。这个区分很重要，因为处理它们的算法完全不同。

类型	产生原因	数学特性	处理难度
线性回声	声波在空气中的传播、反射	满足叠加原理，可用线性滤波器建模	较低，自适应滤波器即可
非线性回声	扬声器失真、功放饱和、腔体共振	不满足叠加原理，产生谐波和互调分量	较高，需要非线性处理

我在项目中遇到过最头疼的情况：一个廉价蓝牙音箱，音量开到80%以上，扬声器纸盆就开始打底。这时候产生的非线性失真，线性自适应滤波器根本追不上。嗯，这里要注意，很多嵌入式设备为了省成本，扬声器和功放的线性度都很差。

回声路径的时变特性

回声路径不是固定的。你拿着手机走动，房间温度变化，甚至有人从你面前走过，都会改变回声路径。自适应滤波器必须能跟踪这些变化。

我记得有一次调试车载免提系统，车子一发动，发动机的振动让麦克风支架产生了微小的位移，回声路径瞬间变了。滤波器还没来得及收敛，回声就窜出来了。那次之后，我养成了一个习惯：在滤波器设计中预留足够的跟踪速度裕量。

AEC系统框图：每个模块都在干什么

下面这张图是我自己画的标准AEC系统框图。你看完就能明白，回声消除不是单一算法，而是一套信号处理流水线。

每个模块的职责，我列个表给你看：

模块	输入	输出	核心任务
自适应滤波器	远端参考 x(n)	估计回声 ŷ(n)	建模回声路径，生成回声副本
减法器	麦克风信号 d(n)、ŷ(n)	误差信号 e(n)	从麦克风信号中减去估计回声
双讲检测	x(n)、d(n)、e(n)	控制标志	判断是否双方同时说话，冻结滤波器更新
非线性处理	e(n)	处理后的 e'(n)	抑制残余非线性回声

关键指标：怎么衡量AEC做得好不好

光说"回声消除了"不够，得有量化指标。我常用的指标有这几个：

ERLE（回声返回损耗增强）

ERLE衡量的是AEC对回声的衰减能力。公式很简单：

ERLE(dB) = 10 * log10( E[d²(n)] / E[e²(n)] )

其中 d(n) 是麦克风信号，e(n) 是AEC输出。ERLE越高，说明回声抑制得越干净。一般要求单讲时ERLE > 25dB，好的系统能做到40dB以上。

收敛时间

滤波器从启动到稳定跟踪回声路径所需的时间。这个指标在嵌入式系统上特别重要。我见过一些方案，收敛时间要3-5秒，用户早就骂娘了。

场景	可接受收敛时间	理想收敛时间
固定设备（如智能音箱）	< 2秒	< 500ms
移动设备（如手机）	< 1秒	< 200ms
车载免提	< 500ms	< 100ms

双讲性能

双方同时说话时，AEC不能把近端语音也消掉。这个指标用语音失真度来衡量。我个人的习惯是，双讲时近端语音的衰减不能超过3dB，否则对方听到的声音就像隔着一层棉花。

计算复杂度

嵌入式系统资源有限。AEC算法每处理一帧（通常10ms或20ms）消耗的MIPS和内存，必须控制在芯片能力范围内。我做过一个项目，芯片只有80MHz的主频，AEC模块就占了60%，其他模块全在饿死边缘。后来不得不把滤波器阶数从1024砍到512。

小结

这一章我们把AEC的底牌翻了个底朝天。从回声怎么产生的，到线性非线性怎么区分，再到系统框图和关键指标。你心里应该有个谱了：AEC不是黑魔法，是一套有章可循的信号处理流程。