１ 引 言
在語音通信中，有一個(gè)很影響通話質(zhì)量的因素就是回聲?；芈暰褪侵刚f話者通過通信設(shè)備發(fā)送給其他人的語音又重新又回到自己的聽筒里的現(xiàn)象?；芈晻?huì)對(duì)說話者產(chǎn)生嚴(yán)重的干擾，必須想辦法消除。一般，回聲分為兩種，即“電路回聲”和“聲學(xué)回聲”。“電路回聲”可以通過硬件設(shè)備的合理設(shè)計(jì)而消除，在此不作討論。最復(fù)雜和最難消除的應(yīng)該是所謂的“聲學(xué)回聲”?！奥晫W(xué)回聲”是指遠(yuǎn)端用戶的聲音從聽筒出來以后，經(jīng)過空氣或其他的傳播媒介傳到近端用戶的話筒，再通過話筒錄音后又重新傳到遠(yuǎn)端用戶的聽筒中形成的回聲。當(dāng)近端用戶的放音音量比較大而錄音設(shè)備和放音設(shè)備距離比較近時(shí)回聲尤其明顯?！奥晫W(xué)回聲”受近端用戶環(huán)境的影響，可能產(chǎn)生多路回聲，包括直接回聲和反射回聲，各個(gè)回聲的路徑不同，延遲也就不同，因而難以消除（如圖１）。
?。?聲學(xué)回聲消除器
對(duì)于聲學(xué)回聲消除，常見的消除算法有２類，即回聲抑制（ａｃｏｕｓｔｉｃ ｅｃｈｏ ｓｕｐｐｒｅｓｓｉｏｎ）算法和聲學(xué)回聲消除（ａｃｏｕｓｔｉｃ ｅｃｈｏ ｃａｎｃｅｌｌａｔｉｏｎ）算法。
回聲抑制算法是較早的一種回聲控制算法?；芈曇种剖且环N非線性的回聲消除。它通過簡單的比較器將準(zhǔn)備由揚(yáng)聲器播放的聲音與當(dāng)前話筒拾取的聲音的電平進(jìn)行比較，如果前者高于某個(gè)閾值，那么就允許傳至揚(yáng)聲器，而且話筒被關(guān)閉，以阻止它拾取揚(yáng)聲器播放的聲音而引起遠(yuǎn)端回聲。如果話筒拾取的聲音電平高于某個(gè)閾值，揚(yáng)聲器被禁止，以達(dá)到消除回聲的目的。由于回聲抑制是一種非線性的回聲控制方法，會(huì)引起揚(yáng)聲器播放的不連續(xù)，影響回聲消除的效果，隨著高性能的回聲消除器的出現(xiàn)，回聲抑制已經(jīng)很少有人使用了。
聲學(xué)回聲消除算法（ＡＥＣ）是對(duì)揚(yáng)聲器信號(hào)與由它產(chǎn)生的多路徑回聲的相關(guān)性為基礎(chǔ)，建立遠(yuǎn)端信號(hào)（ｓ［ｎ］）的語音模型，利用它對(duì)回聲進(jìn)行估計(jì)（ｅ～［ｎ］），并不斷地修改濾波器的系數(shù)，使得估計(jì)值更加逼近真實(shí)的回聲（ｅ［ｎ］）。然后，將回聲估計(jì)值從話筒的輸入信號(hào)中減去，從而達(dá)到消除回聲的目的，如圖２所示。
?。?聲學(xué)回聲消除器設(shè)計(jì)
一般，回聲消除器的初始化需要兩個(gè)參數(shù)：一次處理的數(shù)據(jù)量（幀長）和估計(jì)的錄音中回聲相對(duì)于錄音開頭的偏移量，即回聲相對(duì)于錄音的延遲的最大值（尾長）?；芈曄涌诘囊话阈问綖椋海粒澹悖疲酰睿悖簦椋铮睿ǎ椋睿穑酰?ｆｒａｍｅ， ｐｌａｙｂａｃｋ ｆｒａｍｅ， ｏｕｔ ｆｒａｍｅ），對(duì)錄音數(shù)據(jù)進(jìn)行回聲消除需要等量的播放數(shù)據(jù)輸入作為建立回聲模型的參考數(shù)據(jù)。要達(dá)到良好的回聲消除效果，必須保證以下3點(diǎn)：
?。ǎ保?播放數(shù)據(jù)的產(chǎn)生速度要和錄音數(shù)據(jù)的產(chǎn)生速度達(dá)到動(dòng)態(tài)平衡，為此如果錄放音數(shù)據(jù)的采樣率不同，那么需要把他們統(tǒng)一成同一采樣率下的數(shù)據(jù)以后再進(jìn)行回聲消除。如果是實(shí)時(shí)的語音處理，由于網(wǎng)絡(luò)的不穩(wěn)定性，數(shù)據(jù)包可能在網(wǎng)絡(luò)上丟失或者由于過大的延遲而被其他的處理環(huán)節(jié)丟棄，那么來自遠(yuǎn)端的數(shù)據(jù)量可能會(huì)少于近端錄音產(chǎn)生的數(shù)據(jù)量，對(duì)于這種情況我們必須補(bǔ)充播放數(shù)據(jù)，以保證放音數(shù)據(jù)的量和錄音數(shù)據(jù)量達(dá)到平衡。
（２） 播放數(shù)據(jù)帶有的聲音信息先于錄音數(shù)據(jù)中帶有的對(duì)應(yīng)的回聲信息送給回聲消除接口。這個(gè)先后順序是回聲消除的前提，回聲消除器不可能消除自己沒有“見過”的回聲。
?。ǎ常?播放數(shù)據(jù)的聲音對(duì)應(yīng)的回聲在錄音數(shù)據(jù)中出現(xiàn)的位置相對(duì)于錄音的開頭的偏移量（即延遲）不能太大，因?yàn)樗械幕芈曄髦С值奈查L都有一個(gè)范圍，延遲超過了這個(gè)范圍回聲就無法消除了。
為了滿足第一條，我們需要對(duì)放音線程數(shù)據(jù)產(chǎn)生的速度進(jìn)行控制，控制拿給聲卡播放的數(shù)據(jù)量和從聲卡獲得的錄音數(shù)據(jù)量總是保持一致。由于錄音數(shù)據(jù)產(chǎn)生的速度總是均勻的，因此放音數(shù)據(jù)的產(chǎn)生也必須均勻，也就是說從服務(wù)器得到的放音數(shù)據(jù)沒有及時(shí)達(dá)到時(shí)，我們需要“創(chuàng)造”放音數(shù)據(jù)給系統(tǒng)播放，同時(shí)將這些數(shù)據(jù)緩存到放音數(shù)據(jù)隊(duì)列里。創(chuàng)造的方式有很多，比如填充靜音數(shù)據(jù)或是通過Wｓｏｌａ算法來模擬連續(xù)語音數(shù)據(jù)。
?。?回聲延遲估計(jì)
在第一次獲得放音數(shù)據(jù)時(shí)，我們開始對(duì)錄音數(shù)據(jù)進(jìn)行回聲消除。開始回聲消除之后，從系統(tǒng)錄音接口得到的錄音數(shù)據(jù)里可能含有回聲消除開始前錄到的數(shù)據(jù)。而從開始回聲消除那一刻起到放音幀真正從聲卡放出來被錄音設(shè)備捕獲可能也需要等待一段時(shí)間（我們假設(shè)聲音一放出來立即被錄到錄音數(shù)據(jù)里，忽略其在媒介中的傳播時(shí)間，因?yàn)閷?shí)際中最突出的回聲是直接回聲，即聲音從播放設(shè)備出來，通過空氣或手機(jī)本身直接傳輸?shù)戒浺粼O(shè)備，而不是經(jīng)過反射回到錄音設(shè)備，一般直接回聲從放音設(shè)備出來再回到錄音設(shè)備的時(shí)間是很短的，一般不到１毫秒，可以忽略），這個(gè)時(shí)間跟聲卡放音的緩沖區(qū)的長度和我們的放音幀長度有關(guān)。放音數(shù)據(jù)和錄音數(shù)據(jù)的時(shí)序關(guān)系如圖３所示。
（以ＡＥＣ開始后取得的第一個(gè)錄音幀的起始錄音時(shí)間為起點(diǎn)ｔ０）
粗虛線圈表示一個(gè)放音幀時(shí)長，實(shí)線圈表示錄音緩沖區(qū)對(duì)應(yīng)的時(shí)長，淺虛線圈表示錄音幀時(shí)長。
為了保證所有播放的聲音一定會(huì)在錄音數(shù)據(jù)中重現(xiàn)，應(yīng)先啟動(dòng)錄音線程，然后再啟動(dòng)放音線程。回聲的延遲決定了回聲消除器需要的“尾長”，“尾長”越小，同樣長度的數(shù)據(jù)回聲消除器的處理時(shí)間越短，回聲消除算法的收斂也越快，即消除回聲起效越快。為了使回聲的延遲盡量小，我們需要從設(shè)備支持的采樣率中選擇最合適的錄放音采樣率。這個(gè)選擇的過程是移動(dòng)設(shè)備上回聲消除處理的關(guān)鍵。
如上所述，延遲可分為兩部分，一部分是由錄音時(shí)產(chǎn)生的，另一部分是由放音產(chǎn)生的。
先說放音，移動(dòng)設(shè)備支持的放音采樣率有多種，每種采樣率下都有一個(gè)最小放音緩沖區(qū)長度，放音的緩沖區(qū)只能設(shè)置得比這個(gè)長度長。我們每次給放音ＡＰＩ播放的數(shù)據(jù)會(huì)去填充緩沖區(qū)，只有當(dāng)緩沖區(qū)被填滿以后才會(huì)真正拿到聲卡去播放。如果放音幀比放音緩沖區(qū)長，那么放音的延遲就只是聲卡固有的放音延遲。如果放音幀比放音緩沖區(qū)短，那么就要等若干個(gè)放音幀來填充放音緩沖區(qū)，直到填滿以后才送給聲卡去播放。而聲卡收到放音數(shù)據(jù)到放音數(shù)據(jù)開始播放，這之間可能還有一個(gè)間隔，這是由于聲卡總是一段數(shù)據(jù)一段數(shù)據(jù)地播放，如果送到聲卡的時(shí)候前一段數(shù)據(jù)還沒播放完，那么聲卡會(huì)等到前一段數(shù)據(jù)播放完了才開始播放送來的這段數(shù)據(jù)，這個(gè)“數(shù)據(jù)段”的長度一般對(duì)應(yīng)的就是“最小放音緩沖區(qū)長度”。所有上述的時(shí)間內(nèi)產(chǎn)生的錄音數(shù)據(jù)也會(huì)被送到回聲消除器里去處理，因此這段時(shí)間內(nèi)造成的數(shù)據(jù)延遲為（用時(shí)長表示）：
放音延遲 ＝ － １ ・ 放音幀時(shí)長 ＋ 聲卡延遲 （1）
其中［ ］表示向上取整，即取不小于該數(shù)的最小整數(shù)?！奥暱ㄑ舆t”即數(shù)據(jù)包送到聲卡后到其播放出來之間的間隔。如果有多個(gè)采樣率下的放音延遲都達(dá)到最小，那么我們選取最接近編解碼采樣率的那個(gè)采樣率，因?yàn)樵较嘟牟蓸勇手夭蓸訒r(shí)造成的失真越小。而放音緩沖區(qū)長度也就設(shè)置為（大于或等于最小放音緩沖區(qū)長度的）重采樣為放音采樣率后的放音幀長度的最小倍數(shù)。
再說錄音，錄音稍微復(fù)雜一些。錄音也和放音一樣，在每種錄音采樣率下都有一個(gè)最小錄音緩沖區(qū)長度，錄音的緩沖區(qū)只能設(shè)置得比這個(gè)長度長。當(dāng)錄音數(shù)據(jù)填滿第一個(gè)緩沖區(qū)以后，我們才能從錄音ＡＰＩ中獲得第一個(gè)錄音塊，由于回聲消除的原因，我們每次都要從錄音數(shù)據(jù)里取得和放音幀“等長”（這里的“等長”是指播放時(shí)長相等）的錄音幀來進(jìn)行處理。在放音線程得到第一個(gè)放音幀、開始回聲消除這個(gè)時(shí)刻之后，我們從錄音ＡＰＩ里得到的錄音數(shù)據(jù)里可能有一部分是在回聲消除開始之前就錄到的，這個(gè)數(shù)據(jù)有多少跟錄音幀長度以及錄音緩沖區(qū)的長度都有關(guān)。如果錄音緩沖區(qū)的長度不是錄音幀長度的整數(shù)倍，錄音數(shù)據(jù)里錄到的回聲消除前的聲音數(shù)據(jù)的時(shí)長的最大值是一個(gè)錄音幀時(shí)長加上填滿一個(gè)錄音緩沖區(qū)需要的數(shù)據(jù)對(duì)應(yīng)的播放時(shí)長之和。而如果錄音緩沖區(qū)長度是錄音幀長度的整數(shù)倍，那么錄到的回聲消除前的聲音的最大時(shí)長就是填滿一個(gè)錄音緩沖區(qū)需要的數(shù)據(jù)對(duì)應(yīng)的播放時(shí)長。
錄音延遲 ＜ （２）
因此我們選擇使錄音延遲最大值最小的錄音采樣率，而存在多個(gè)同時(shí)達(dá)到最小值的錄音采樣率時(shí)，我們選擇最接近錄音編碼采樣率的采樣率。錄音緩沖區(qū)長度就設(shè)為（大于或等于最小錄音緩沖區(qū)長度的）換算到錄音采樣率下的錄音幀長度的最小倍數(shù)。
由于放音延遲除去“聲卡延遲”的部分以外，剩下的那部分是固定的（見式（１）），作為一種優(yōu)化，我們可以把錄音數(shù)據(jù)從頭部先丟掉一部分?jǐn)?shù)據(jù)，這部分?jǐn)?shù)據(jù)對(duì)應(yīng)的時(shí)長就等于這部分延遲，這樣將縮短回聲的延遲，可以降低回聲消除器的“尾長”。
５ 結(jié) 論
本文通過仔細(xì)地分析移動(dòng)設(shè)備的錄放音系統(tǒng)的各個(gè)環(huán)節(jié)對(duì)回聲消除器得到的數(shù)據(jù)產(chǎn)生的影響，精確地估算出了回聲延遲可能的范圍，通過精確估計(jì)延遲的下限值，給回聲消除器的優(yōu)化提供了可能，提高了回聲消除器的處理效率和效果。
