4、前端信号处理降噪：VAD、AEC、AGC 原理与调优
各位好，我是老张。今天聊前端信号处理的三板斧——VAD、AEC、AGC。这三个东西，说白了就是语音识别系统的「守门员」。你想想看，麦克风收进来的信号要是乱七八糟的，后端模型再强也白搭。我在项目里见过太多这种情况：模型精度明明有 95%，一上真实环境直接掉到 70%。查到最后，问题全出在前端信号处理上。
所以这一章，咱们就把这三个模块的原理和调优讲透。我会结合自己踩过的坑，告诉你哪些参数是「命门」，哪些地方容易翻车。
4.1 VAD（语音活动检测）—— 别让静音浪费算力
VAD 的任务很简单：判断当前这段音频里有没有人说话。有，就往后送；没有，就扔掉。听起来容易，做起来全是细节。
4.1.1 原理：能量检测 + 过零率 + 谱熵
我习惯把 VAD 分成三层：
- 能量检测：计算短时能量。安静环境下，能量低于阈值就是静音。但噪声大了就不准。
- 过零率：语音的过零率通常比噪声低。清音（如 /s/、/f/）过零率高，浊音低。结合能量能筛掉一部分突发噪声。
- 谱熵：语音的频谱分布不均匀，熵值低；白噪声的频谱平坦，熵值高。这是对付平稳噪声的利器。
实际产品里，我一般用 能量 + 谱熵 的组合。过零率在安静场景有用，但嘈杂环境下容易误判。
核心公式（简化版）：
VAD_decision = (Energy > E_th) AND (SpectralEntropy < H_th)两个条件同时满足，才判定为语音。
4.1.2 调优实战：阈值怎么设？
我调 VAD 有个习惯：先录一段「纯噪声 + 语音」的混合音频，然后画能量和熵的分布图。阈值就设在两个分布的交界处，再往噪声侧偏 2-3 dB 作为安全余量。
| 参数 | 推荐范围 | 我的经验 |
|---|---|---|
| 能量阈值 | -30 dB ~ -20 dB | 办公室环境用 -25 dB，工厂环境要降到 -18 dB |
| 谱熵阈值 | 0.5 ~ 0.7 | 0.6 是个不错的起点，噪声大时调到 0.7 |
| 最小语音长度 | 50 ms ~ 200 ms | 我习惯设 100 ms，太短容易把咔嗒声当语音 |
| 挂起时间 | 200 ms ~ 500 ms | 300 ms 能避免说话间隙被切断 |
我曾经踩过的坑：有一次在车载环境，VAD 把空调风声当成了语音。查了半天，发现是谱熵阈值设得太低。空调风声虽然能量低，但频谱平坦，熵值高。把阈值从 0.5 调到 0.65 就解决了。
4.2 AEC（回声消除）—— 别让扬声器「污染」麦克风
AEC 解决的是「自己说话自己听」的问题。扬声器放出来的声音被麦克风重新采集，形成回声。如果不消除，语音识别会收到两遍同样的内容——一遍是近端说话人，一遍是远端回声。
4.2.1 原理：自适应滤波器 + 双端检测
AEC 的核心是 自适应滤波器。它模拟回声路径，从麦克风信号里减去估计的回声。我画个图帮你理解：
这里有个关键点：双端检测（DTD）。当近端和远端同时说话时，自适应滤波器必须停止更新。否则滤波器会发散，产生更严重的回声。我见过不少团队忽略 DTD，结果 AEC 越消越糟。
4.2.2 调优实战：收敛速度 vs 稳定性
AEC 调优的核心矛盾是：收敛速度 vs 稳定性。收敛太快，容易受噪声干扰；收敛太慢，回声消除不干净。
| 参数 | 作用 | 我的建议 |
|---|---|---|
| 滤波器长度 | 决定能消除多长的回声 | 一般 512~2048 点（16kHz 采样率对应 32~128 ms） |
| 步长因子 | 控制收敛速度 | 0.1~0.5，我习惯从 0.2 开始调 |
| DTD 阈值 | 判断是否双端说话 | 能量比法：近端能量 / 远端能量 > 2 时冻结 |
| 非线性处理 | 消除残余回声 | 中心削波 + 舒适噪声，削波阈值 -40 dB |
我个人习惯：先录一段远端信号，让滤波器充分收敛。然后加入近端语音，观察 ERLE（回声返回损耗增强）指标。ERLE 达到 30 dB 以上才算合格。如果达不到，先检查滤波器长度是否够，再调步长。
4.3 AGC（自动增益控制）—— 让音量「刚刚好」
AGC 解决的是音量不一致的问题。有人说话声音大，有人声音小；有人离麦克风近，有人离得远。AGC 把这些信号统一拉到目标电平，保证语音识别后端收到的信号幅度稳定。
4.3.1 原理：目标电平 + 增益计算 + 平滑
AGC 的流程很简单：
- 计算当前帧的 RMS（均方根）电平
- 和目标电平比较，算出需要的增益
- 对增益做平滑处理，避免突变
- 应用增益到信号
但这里有个陷阱：增益不能无限放大。背景噪声也会被放大。所以 AGC 必须和 VAD 配合——只在语音段放大，静音段保持原样或降低增益。
4.3.2 调优实战：目标电平设多少？
我一般把目标电平设在 -26 dBFS ~ -22 dBFS 之间。这个范围既能保证语音清晰，又不会削波。
| 场景 | 目标电平 | 最大增益 | 攻击时间 | 释放时间 |
|---|---|---|---|---|
| 安静办公室 | -24 dBFS | 20 dB | 10 ms | 100 ms |
| 嘈杂街道 | -22 dBFS | 15 dB | 5 ms | 50 ms |
| 远场拾音（3米） | -26 dBFS | 30 dB | 20 ms | 200 ms |
我曾经翻过车：有一次在智能音箱项目里，AGC 把增益设到了 30 dB。结果用户离得远时，空调噪声被放大了 30 dB，语音识别率直接崩了。后来加了 VAD 门控，只在语音段应用 AGC，噪声段保持原增益，问题才解决。
4.4 三者的协同工作
VAD、AEC、AGC 不是各自为战的。我习惯把它们串成一条流水线：
- AEC 先上：消除回声，避免回声干扰 VAD 和 AGC 的判断
- VAD 判断：标记哪些是语音段，哪些是噪声段
- AGC 调整：只在语音段应用增益，噪声段保持原样
这个顺序不能乱。如果先做 VAD 再做 AEC，回声会干扰 VAD 的判决，导致语音段被误判为噪声。
一句话总结：
- VAD 决定「什么时候处理」
- AEC 决定「消除什么」
- AGC 决定「放大多少」
三者配合好了，语音识别率能提升 5~10 个百分点。
4.5 避坑指南
最后，分享几个我踩过的坑：
- VAD 阈值太死板：不同噪声环境用同一套阈值，结果要么漏检要么误检。我建议做自适应阈值，根据噪声底噪动态调整。
- AEC 滤波器长度不够：在会议室这种大空间，回声路径长，滤波器长度不够就消不干净。我一般设 1024 点起步。
- AGC 增益突变：增益变化太快会产生「呼吸效应」，听起来很不自然。攻击时间和释放时间要调得平滑一些。
- 忽略双端检测：AEC 没有 DTD，双方同时说话时滤波器发散，回声反而变大。这个坑我至少见过三次。