在免提通话设备中，声学回声（Acoustic Echo）和环境噪声（Ambient Noise）是影响语音清晰度的两大核心障碍。回声消除（AEC）与噪声抑制（ENC）技术经过数十年的发展，已从实验室算法演变为高度集成的芯片级解决方案。本文以典型双麦克风语音处理器 NR37‑CP 为技术蓝本，从信号处理原理出发，解析 AEC 与 ENC 的关键指标及其工程意义，不涉及产品推广，仅供技术参考。
一、声学回声的形成与消除原理
1.1 回声路径与挑战
声学回声是指扬声器播放的远端语音信号被本地麦克风重新拾取，再传回远端的过程。在免提设备中，声学路径包含：
直达路径：扬声器到麦克风的空气传播（几厘米到几十厘米）。
反射路径：墙壁、桌面等物体的多次反射（混响，可达上百毫秒）。
与传统电话的电路回声不同，声学回声的传递函数随时间变化（如用户移动设备、改变音量），因此必须采用自适应滤波器实时追踪路径变化。
1.2 自适应 AEC 的核心机制
典型的 AEC 系统包含以下模块：
自适应滤波器（通常为 NLMS 算法）：以远端信号为参考，模拟回声路径，生成估计回声。
减法器：从麦克风信号中减去估计回声，得到残差信号。
双讲检测（DTD）：判断本地用户是否也在说话。若双方同时说话（双讲），滤波器停止更新，避免发散。
非线性处理（NLP）：对残差信号中残留的回声进行衰减或掩蔽。
1.3 关键性能指标
回声消除深度（ERL + ERLE）：总回声衰减量，单位为 dB。60 dB 意味着回声被衰减至原信号的千分之一。这一水平在消费级设备中属于较高标准，常见产品多为 40～50 dB。
拖尾长度（Tail Length）：滤波器能够覆盖的最大回声延迟时间。100 ms 可覆盖大多数小型房间的早期反射（桌面设备、车载），但对于大型会议室（混响时间 >300 ms）则显得不足。
收敛时间：从启动或环境突变到滤波器稳定的时间。30 ms 的收敛速度可确保用户说出第一个字时，回声已被有效抑制。
二、噪声抑制：从单麦克风到波束成型
噪声抑制的目标是降低环境干扰，同时尽可能保留语音的自然度。噪声可分为两类：
稳态噪声：风扇、空调、发动机等频谱统计特性平稳的噪声。
非稳态噪声：旁人谈话、键盘声、关门声等突发性噪声。
2.1 单麦克风噪声抑制
单麦克风方法基于噪声估计与谱减法，典型流程为：
利用语音活动检测（VAD）区分语音与噪声帧。
在非语音帧更新噪声功率谱。
计算后验信噪比，推导增益函数（如维纳滤波或 MMSE）。
局限性：对稳态噪声抑制有效（通常 10～15 dB），但对非稳态噪声反应滞后，容易产生“音乐噪声”（残留的短时谐波）或语音畸变。
2.2 双麦克风波束成型
波束成型利用空间差异实现定向拾音。对于两个全向麦克风，通过延时求和或差分阵列形成指向性响应。
NR37‑CP 采用的圆锥形波束成型，其锥角典型值为 120°～150°。在此范围内的信号被保留，范围外的干扰被衰减。相比单麦克风方法：
非稳态噪声抑制能力提升至 20 dB（最高 35 dB）。
稳态噪声抑制也达到 12 dB（与单麦相当，但方向性叠加了额外衰减）。
波束成型的前提是麦克风之间的声学一致性（灵敏度、相位匹配）以及固定的几何位置。在实际产品中，两个麦克风间距通常为 10～20 mm，过小则方向性弱，过大则产生旁瓣。
三、60 dB 回声消除的技术可行性
60 dB 的 AEC 是否真实可行？需要从两个维度分析：
3.1 理论极限
自适应滤波器的理论最大回声消除深度受限于：
非线性失真：扬声器和功放产生的谐波失真（典型 0.1%～1%，对应 -60 dB 到 -40 dB）。若非线性失真高于 -60 dB，则无论滤波器如何精确，残留回声都将由非线性成分主导。因此，要达到 60 dB 衰减，要求扬声器系统 THD 低于 0.1%。
环境噪声基底：若本底噪声为 30 dB SPL，原始回声为 90 dB SPL，60 dB 衰减后残余回声为 30 dB SPL，恰好被噪声掩蔽。更高衰减没有实际意义。
3.2 工程实现
60 dB 的实现通常借助：
高精度自适应算法：如频域分块 NLMS 或仿射投影算法（APA）。
双滤波器结构：一个快速收敛粗估，一个慢速精确追踪。
NLP 补充：对残差信号施加非线性衰减，将残余回声进一步压低 10～20 dB。
因此，60 dB 是“自适应滤波 + 非线性处理”的联合指标，这在专用硬件加速器上是可达的。
四、拖尾长度与处理延迟的权衡
4.1 拖尾长度的物理意义
拖尾长度 L 决定了自适应滤波器的阶数 N = L × fs（fs 为采样率，8 kHz 时 100 ms 对应 800 阶）。高阶滤波器需要更多计算资源，也会引入更长的处理延迟（因为需要缓存输入信号）。
4.2 延迟的构成
在典型的芯片实现中：
算法延迟：主要为滤波器的块处理时间（如 4 ms 或 8 ms 一帧）。
输入输出缓冲：为确保数据完整性，通常引入 1～2 帧延迟。
ADC/DAC 组延迟：Δ-Σ 转换器固有约 0.5～1 ms。
30 ms 的正常模式延迟是一个合理平衡：既能处理 100 ms 拖尾（通过频域分块并行计算），又不会引起用户可察觉的对话不自然。
五、收敛时间：一个常被忽视的指标
许多规格书只宣传稳态 AEC 性能，却回避收敛时间。NR37 明确给出：
单麦 AEC 收敛：30 ms
双麦非稳态噪声收敛：200 ms
稳态噪声收敛：1.5 s
这些数值反映了不同算法的收敛特性：
AEC 自适应滤波器采用固定步长 NLMS，可在几十毫秒内收敛。
非稳态噪声抑制依赖波束成型的方向调整或 VAD 辅助，需要数百毫秒。
稳态噪声估计需要长时间平均（通常 1 秒以上）以获得稳定统计量。
工程启示：在设备启动或模式切换时，可通过短暂静音（0.5 秒）或提示音掩盖初始回声，待算法收敛后再打开麦克风通路。
六、双麦克风 vs 单麦克风：模式选择的工程依据
芯片支持两种模式，并非双麦总是更好。设计者需根据以下因素决策：
| 因素 | 推荐模式 | 理由 |
|---|---|---|
| 成本敏感、安静环境 | 单麦克风 | 节省一颗麦克风及阻容，12 dB 稳态抑制已足够 |
| 嘈杂环境（办公室、车内） | 双麦克风 | 利用波束成型压制非稳态噪声 |
| 设备结构限制（只有一个开孔） | 单麦克风 | 无法安装双麦 |
| 需要全向拾音（如会议中心） | 单麦克风或固定波束 | 双麦会引入方向性，不适合 360° 拾音 |
值得注意的是，双麦克风与单麦克风功耗几乎相同（25 mW），因此功耗不作为模式选择的依据。
七、硬件相关的性能保障
除了算法本身，以下硬件特性直接影响 AEC 与 ENC 的实际效果：
差分模拟输入：抑制共模干扰（地环路、射频耦合），避免噪声进入 ADC 后无法被算法区分。在扬声器大电流回流的设备中尤为重要。
ADC 信噪比（84 dB）：决定了信号动态范围的上限。若 ADC 本底噪声高于环境噪声，则算法无法处理更低电平的信号。
可编程增益（PGA）：允许调整麦克风输入幅度，确保语音信号不削波、不埋没于噪声。建议安静环境下增益设为 0 dB，嘈杂环境下增加 6～12 dB。
电源纹波（≤100 mV）：纹波会调制 ADC 采样时钟或产生谐波，这些干扰可能被 AEC 误认为是回声，影响滤波器收敛。
八、性能验证方法
在实际产品开发中，验证 AEC 与 ENC 性能建议采用以下测试：
回声衰减测试：播放标准远端信号（如扫频或语音），测量麦克风输入与线路输出端的回声残留，计算 ERLE。
双讲性能：同时播放远端信号和本地说话，主观评估是否出现回声或语音中断。
噪声抑制测试：在背景播放粉红噪声（稳态）或谈话录音（非稳态），测量输出信号的信噪比提升量。
收敛时间测量：突然改变扬声器音量或设备位置，记录从改变到回声消失的时间。
测试环境应模拟实际使用条件（如桌面反射、空调噪声）。数据手册标称值通常在半消声室中测得，实际产品可能略低 5～10 dB，需预留余量。
结语
回声消除与噪声抑制是免提通话设备的两大支柱技术。从原理上看，60 dB 的 AEC 依赖于自适应滤波器与非线性处理的协同，同时受限于扬声器线性度和环境本底噪声；而 20 dB 的非稳态噪声抑制则需要双麦克风波束成型来超越单麦克风方法的理论极限。拖尾长度、收敛时间、处理延迟等指标共同决定了用户的实际体验。理解这些技术参数背后的物理与数学含义，有助于工程师在设计选型和系统集成时做出有理有据的权衡，而不是简单地追求更高的数字。
全部评论