01 回声消除 AEC 理论与工程实现¶

1. 硬件解决什么问题：消灭免提通话时对端听到自己的回声¶

当用户开启手机免提、智能音箱语音对讲或车载电话时，扬声器播放出来的对端声音，会直接通过空气传播和外壳机震，重新窜入本地麦克风。

若不加处理，对端用户就会在 $200\text{ ms} \sim 500\text{ ms}$ 的网络往返延迟后，清晰地听到自己说过的声音（即声学回声 Acoustic Echo）。强烈的回声会使交谈完全无法继续，甚至在双向免提时激发出毁灭性的正反馈自激啸叫。

声学回声消除器（AEC, Acoustic Echo Cancellation）的目标是建立扬声器到麦克风的声学房间脉冲响应（RIR）模型，实时从麦克风信号中将回声分量精准扣除。

2. 硬件微架构与组成：AEC 核心处理拓扑¶

graph TD
    subgraph AEC_System["声学回声消除器 (AEC) 经典架构"]
        SPK_IN["远端下行音频 x(n)"] --> SPK["本地扬声器播放"]
        SPK_IN --> REF_DELAY["参考信号延时对齐缓冲 (Delay Align)"]

        SPK -.空气与机身声学回声路径 H(z).-> MIC["本地麦克风"]
        VOICE["本地说话人人声 s(n)"] --> MIC

        MIC --> MIC_IN["麦克风混合输入 y(n) = d(n) + s(n)"]

        REF_DELAY --> ADAPT_FILTER["自适应滤波器 W(z) (NLMS / PBFDAF)"]
        ADAPT_FILTER --> ECHO_EST["估计回声 d_hat(n)"]

        MIC_IN --> SUB["(-) 减法器"]
        ECHO_EST --> SUB

        SUB --> ERR_SIG["误差信号 e(n) = y(n) - d_hat(n)"]

        ERR_SIG --> DTD["双讲检测器 (Double-Talk Detector)"]
        DTD -->|控制滤波器系数更新步长 mu| ADAPT_FILTER

        ERR_SIG --> NLP["非线性残余回声压制 (NLP / Post-Filter)"]
        NLP --> OUT["纯净语音输出 s_clean(n)"]
    end

3. 算法核心数学方程：频域分块自适应滤波（PBFDAF）¶

在长回响时间（$T_{60} > 300\text{ ms}$）的真实房间中，时域滤波器的抽头数高达上千点，时域卷积计算量过大。工业界普遍采用分块频域自适应滤波（Partitioned Block Frequency Domain Adaptive Filter, PBFDAF）：

设块大小为 $B$，每个分块通过 FFT 变换至频域进行点乘： 1. 频域回声估计： $$\hat{D}_m(k) = \sum_{p=0}^{P-1} W_{m, p}(k) \cdot X_{m-p}(k)$$ 2. 时域误差转换： $$e_m(n) = y_m(n) - \text{IFFT}\left\{ \hat{D}_m(k) \right\}$$ 3. 频域权重梯度更新（带归一化步长）： $$W_{m+1, p}(k) = W_{m, p}(k) + \mu \cdot \frac{X_{m-p}^*(k) \cdot E_m(k)}{P_X(k) + \epsilon}$$ 其中 $P_X(k)$ 为参考信号在频点 $k$ 处的自适应功率谱估计，$\mu$ 为步长因子。

4. 四流全链路分析：双讲状态（Double-Talk）下的系数冻结流¶

单讲状态（Single-Talk，仅对端说话）：本地无人发声，$y(n)$ 中只有纯回声。误差 $e(n)$ 反映模型拟合偏差，步长 $\mu$ 全开，自适应滤波器以毫秒级速度快速收敛。
双讲突发（Double-Talk，两端同时说话）：本地人声 $s(n)$ 突然涌入麦克风。
双讲检测器（DTD）判定：DTD 监视互相关系数与能量比。由于本地人声对于自适应滤波器而言属于巨大的强非相关外生干扰噪声；
冻结流转：若继续迭代，强人声将迫使滤波器系数瞬态发散炸毁！DTD 立即将学习率 $\mu$ 瞬间拉降至 0（系数强制冻结），同时启用后级非线性残余回声压制（NLP），既保护了滤波器权重，又消除了残余漏音。

5. 软硬件设计约束¶

硬件时延固定性（Deterministic Latency）：从扬声器 DAC 发出声音，到内部 DMA 拷贝参考信号回送给 AEC 的时间差 $\Delta t_{\text{ref}}$ 必须是绝对固定且确定性的。若系统调度导致该延迟动态跳变几个样点，AEC 自适应滤波器将无法收敛，回声消除完全失效。
声学回声损耗（Echo Return Loss Enhancement, ERLE）：线性滤波器部分通常提供 $15\text{ dB} \sim 25\text{ dB}$ 的回声衰减；后级 NLP 算法提供额外的 $20\text{ dB} \sim 30\text{ dB}$ 衰减，综合回声抑制深度必须达到 $> 45\text{ dB}$。