2. 声学基础：声音的传播与反射、混响与延迟、线性与非线性失真

做回声消除，如果不理解声音在物理世界里的行为，那算法调得再好也是白搭。我刚开始接触这个领域时，就犯过这样的错误——在消声室里跑得好好的模型，一到真实会议室就崩了。后来才明白，问题出在声学基础上。

这一章，我们就来聊聊声音是怎么传播的，反射、混响、延迟这些现象到底是怎么回事，以及为什么线性与非线性失真对回声消除如此关键。

2.1 声音的传播与反射

声音的本质是机械波。它需要介质才能传播，在空气中就是空气分子的疏密变化。你对着麦克风说话，声波从你的嘴巴出发，以大约 340 m/s 的速度向四周扩散。

但问题来了——声音不会乖乖只走直线。它会撞到墙壁、天花板、桌面，然后反弹回来。这就是反射。

我记得有一次在调试车载免提系统时，发现回声路径特别复杂。后来测量才发现，车内玻璃窗的反射太强了，导致回声路径的冲激响应拖得很长。嗯，这里要注意：反射面的材质、角度、距离，都会直接影响回声的特性。

反射的几种类型

• 镜面反射：发生在光滑表面，如玻璃、瓷砖。反射声方向明确，能量集中。
• 漫反射：发生在粗糙表面，如毛毯、吸音棉。反射声向各个方向散射，能量分散。
• 混合反射：大多数真实场景都是镜面反射和漫反射的混合。

你想想看，在视频会议场景中，如果房间里有大面积的玻璃窗，那镜面反射就会占主导，回声路径会比较“尖锐”。如果房间里铺了地毯、挂了窗帘，漫反射更多，回声听起来就会更“柔和”一些，但路径也更复杂。

2.2 混响与延迟

混响和延迟，这两个概念经常被混为一谈。其实它们有本质区别。

延迟是声音从发出到被接收所经历的时间差。在回声消除里，延迟决定了自适应滤波器的长度。延迟越大，你需要估计的冲激响应就越长，计算量也越大。

混响则是声音在封闭空间内多次反射后，能量逐渐衰减的过程。混响时间（RT60）是衡量混响强度的关键指标——它表示声能衰减到原始值的百万分之一（即 -60 dB）所需的时间。

参数	典型值（会议室）	对回声消除的影响
RT60	0.3 - 0.8 s	混响越长，自适应滤波器需要覆盖的时域范围越大
直达声延迟	1 - 10 ms	决定滤波器的最小长度
早期反射延迟	10 - 50 ms	这部分回声最难消除，因为与直达声高度相关
后期混响延迟	50 ms 以上	能量较低，但会降低双讲检测的准确性

为什么会这样？因为混响本质上是一种“时间扩散”。你发出的一个短脉冲，在混响环境中会变成一个拖尾的信号。这个拖尾信号和远端信号高度相关，如果滤波器长度不够，就无法覆盖整个拖尾，残留的回声就会很明显。

2.3 线性与非线性失真

这是很多初学者容易忽略的点。我当年也踩过这个坑——在实验室里用高保真音箱测试，算法表现完美。结果到了客户现场，用的是廉价扬声器，回声消除效果直接打对折。

问题出在哪里？非线性失真。

线性失真

线性失真是指系统对信号的幅度和相位进行了线性变换，但不会产生新的频率分量。比如，频率响应不平坦、相位偏移等。线性失真是可以用自适应滤波器来建模和补偿的——说白了，只要滤波器长度足够，线性回声路径可以被精确估计。

非线性失真

非线性失真就麻烦了。它会产生新的频率分量。常见的来源包括：

• 扬声器削波：当输入信号超过扬声器的线性工作范围时，波形顶部被“削平”，产生高次谐波。
• 功率放大器饱和：放大器进入非线性区，产生互调失真。
• 机械振动：扬声器振膜的物理非线性，导致低频失真。
• 模数/数模转换器过载：量化噪声和削波失真。

我曾经在一个智能音箱项目中遇到过类似情况。用户把音量调到 80% 以上，回声消除就崩溃了。后来我们用频谱分析仪一看，扬声器在 80% 音量时已经产生了明显的三次谐波。解决方案有两个：一是限制最大音量，保证扬声器工作在线性区；二是在算法中加入非线性处理模块，比如使用 Volterra 滤波器或神经网络。

2.4 本章知识体系

下面这张图总结了本章的核心逻辑。你可以把它当作一个思维导图来理解。

从这张图可以看出，声学基础是回声消除的底层支撑。声音传播与反射决定了回声路径的物理特性；混响与延迟决定了算法的时域覆盖范围；线性与非线性失真则决定了算法模型的选择。

我个人习惯在开始任何回声消除项目之前，先花时间搞清楚这三个方面。说白了，就是先做声学测量，再写代码。很多团队一上来就调算法参数，结果越调越乱。你想想看，如果连房间的 RT60 都不知道，你怎么确定滤波器长度？如果连扬声器的失真特性都不清楚，你怎么判断要不要加非线性处理模块？