一、回声消除概述：从一次痛苦的电话会议说起

我记得刚入行那年，调试一个车载免提系统。客户投诉说，司机一说话，对方就喊“你那边有回音”。我戴上耳机一听——好家伙，司机说的每个字，过了一秒又传回来了。那感觉就像对着山谷喊话。

这就是典型的声学回声。说白了，就是扬声器放出去的声音，又被麦克风收了回来，再传回给对方。对方听到自己的声音延迟出现，非常难受。

核心定义：声学回声是指扬声器播放的远端信号，经过房间反射、耦合等路径，被本地麦克风重新采集，并传回远端的过程。

1.1 回声是怎么产生的？

你想想看，一个完整的通话链路是这样的：

远端说话 → 网络传输 → 本地扬声器播放
扬声器的声音在房间内反射 → 被本地麦克风拾取
麦克风信号传回远端 → 远端用户听到自己的回声

这里面有两个关键路径：

声学耦合路径：扬声器到麦克风之间的空间传递函数。包括直达声、早期反射、混响。
电学耦合路径：硬件电路板上的串扰，比如扬声器信号通过地线耦合到麦克风输入端。

我在项目中遇到过一种情况：明明算法跑得好好的，回声就是消不干净。最后发现是麦克风支架共振，把扬声器的振动直接传过去了。嗯，硬件结构问题，算法再强也救不了。

1.2 回声消除的应用场景

回声消除（Acoustic Echo Cancellation，AEC）几乎出现在所有需要双向语音通信的设备里。我列几个典型的：

场景	特点	难点
VoIP 通话（、Zoom）	网络延迟大，丢包多	双讲检测困难，非线性失真
智能音箱（小爱、Alexa）	远场拾音，扬声器功率大	回声路径长，非线性严重
车载免提	封闭空间，多反射面	路径时变快，发动机噪声干扰
会议系统（全向麦）	多人说话，麦克风阵列	多通道耦合，计算量大
TWS 耳机	体积小，扬声器离麦克风近	声泄露严重，非线性失真大

每个场景我都踩过坑。比如智能音箱，你以为回声路径是固定的？不，用户把音箱从客厅搬到卧室，路径全变了。我曾经因为没处理好路径突变，被用户骂“音箱抽风了”。

1.3 AEC 系统的基本架构

一个标准的 AEC 系统，核心就做一件事：估计回声路径，然后减掉它。

下面这张图是我自己画的标准 AEC 框架，你一看就明白：

看懂这张图，你就理解了 AEC 的核心逻辑：

远端信号 x(n)：对方说话的声音，我们要播放出去
自适应滤波器 ĥ(n)：估计回声路径，生成回声副本
减法器：用麦克风信号 d(n) 减去回声副本，得到误差 e(n)
误差反馈：用 e(n) 更新滤波器系数，让估计越来越准

理想情况下，当自适应滤波器完全收敛，误差信号 e(n) 就只剩下近端语音 s(n) 了。回声，就这么被消掉了。

我的经验：刚开始学 AEC 时，我总以为滤波器收敛了就完事了。后来发现，双讲（双方同时说话）才是真正的噩梦。滤波器在双讲期间会发散，必须用双讲检测（Double-Talk Detection）来冻结系数更新。这个坑，我至少摔了三次才爬出来。

1.4 回声消除的数学本质

从信号处理的角度看，AEC 就是一个系统辨识问题。我们用数学语言描述一下：

麦克风信号：d(n) = s(n) + y(n) + v(n)
其中：
  s(n) — 近端语音（我们要保留的）
  y(n) — 回声信号（我们要消除的）
  v(n) — 环境噪声

回声信号：y(n) = h(n) * x(n)
  h(n) — 真实回声路径（未知）
  x(n) — 远端信号（已知）

自适应滤波器输出：ŷ(n) = ĥ(n) * x(n)
误差信号：e(n) = d(n) - ŷ(n)

我们的目标就是让 ĥ(n) 无限逼近 h(n)。当两者相等时，e(n) = s(n) + v(n)，回声就被完美消除了。

注意：实际系统中，h(n) 可能有几百甚至几千个抽头（对应几十到几百毫秒的回声路径）。而且它是时变的——人走动、门窗开关、温度变化都会改变它。所以自适应滤波器必须持续跟踪，不能一劳永逸。

1.5 一个简单的 AEC 代码框架

下面是我常用的 NLMS（归一化最小均方）算法框架。虽然工业级产品比这个复杂得多，但核心思想一模一样：

// 简化的 NLMS 自适应滤波器
#define TAP_NUM 1024  // 滤波器阶数

float h[TAP_NUM];     // 滤波器系数
float x_buffer[TAP_NUM]; // 远端信号缓冲区

float aec_process(float mic_signal, float far_end_signal) {
    float echo_estimate = 0;
    float error;
    float energy = 0;
    
    // 1. 更新远端缓冲区
    memmove(&x_buffer[1], &x_buffer[0], (TAP_NUM-1) * sizeof(float));
    x_buffer[0] = far_end_signal;
    
    // 2. 计算回声估计值
    for (int i = 0; i < TAP_NUM; i++) {
        echo_estimate += h[i] * x_buffer[i];
        energy += x_buffer[i] * x_buffer[i];
    }
    
    // 3. 计算误差信号
    error = mic_signal - echo_estimate;
    
    // 4. 更新滤波器系数（NLMS）
    if (energy > 1e-6) {  // 防止除零
        float mu = 0.1;   // 步长因子
        for (int i = 0; i < TAP_NUM; i++) {
            h[i] += mu * error * x_buffer[i] / energy;
        }
    }
    
    return error;  // 输出消回声后的信号
}

避坑指南：我曾经把步长 mu 设得太大，结果滤波器直接发散，输出信号比输入还大。后来我加了一个能量检测：只有当远端信号能量足够大时才更新滤波器。这个小改动，让系统稳定性提升了一个量级。

1.6 本章小结

回声消除，说白了就是估计回声路径，然后减掉它。这个思路看起来简单，但实际落地时，非线性失真、双讲检测、路径突变、计算复杂度……每一个都是硬骨头。

不过别担心。后面我们会一步步拆解这些问题。从自适应滤波器的数学原理，到双讲检测的工程实现，再到非线性回声的处理——我会把我在项目中踩过的坑、总结的经验，全都摊开来跟你讲。

📚 课程目录

一、回声消除概述：从一次痛苦的电话会议说起

1.1 回声是怎么产生的？

1.2 回声消除的应用场景

1.3 AEC 系统的基本架构

1.4 回声消除的数学本质

1.5 一个简单的 AEC 代码框架

1.6 本章小结