0 引 言

      近年來，VoIP(Voice over
  IP)技術(shù)及其業(yè)務的迅速發(fā)展，對傳統(tǒng)的電信業(yè)務造成了巨大的沖擊，與傳統(tǒng)電話相比，IP電話以其網(wǎng)絡帶寬利用率高，通話成本低，可靈活地提供豐富的增值功能而備受市場青睞。然而，由于VoIP的語音在與其他數(shù)據(jù)一起在網(wǎng)絡中傳輸時要經(jīng)過壓縮、編碼、打包等一系列處理，造成回聲路徑的延遲較大，延遲抖動也較大，嚴重影響了話音質(zhì)量，阻礙了VoIP市場的拓展。因此，在VoIP終端上增加回聲消除算法已成為必然。
  1 聲學回聲消除技術(shù)的原理

  1．1 聲學回聲產(chǎn)生原理

     
  根據(jù)回聲的產(chǎn)生原因，回聲可以分為聲學回聲和電學回聲兩類。電學回聲是由于電路阻抗不匹配造成的，通常影響比較小。隨著消除回聲技術(shù)的發(fā)展，當前回聲消除研究的重點已由“電學回聲”的消除轉(zhuǎn)向了“聲學回聲”的消除。聲學回聲指設(shè)備的一部分聲音信號回饋到同一設(shè)備的受話器，分為直接回聲和間接回聲。直接回聲指揚聲器的聲音未經(jīng)任何反射直接進入麥克風，這種回聲延遲最短。間接回聲是指揚聲器播放的聲音經(jīng)不同的路徑一次或多次反射后進入麥克風所產(chǎn)生的回聲集合，其主要特點是回聲路徑?jīng)_激響應變化范圍大，變化快，沖激響應持續(xù)時間長，一般在50~300
  ms。這使得自適應建模濾波器的階數(shù)很高，因而成為語音通信系統(tǒng)回聲的主要難題。

  1．2 聲學回聲消除的原理

      自適應回聲抵消的基本思想是估計回聲路徑的特征參數(shù)，產(chǎn)生一個模擬的回音路徑，得出模擬回聲信號，從接收信號中減去該信號，實現(xiàn)回聲抵消。
     
  圖1中，y(n)代表來自遠端的信號；r(n)是經(jīng)過回聲通道而產(chǎn)生的不期望的回聲；x(n)是近端的語音信號；D口的近端信號疊加有不期望的回聲。對消回聲器來說，接收到的遠端信號作為參考信號，消回聲器根據(jù)由自適應濾波器產(chǎn)生回聲估計值，將r1(n)從近端帶有回聲的語音信號減去，就得到近端傳送出去的信號μ(n)=x(n)+r(n)-r1(n)。在理想情況下，經(jīng)過消回聲處理后，殘留的回聲誤差e(n)=r(n)-r1(n)將為0，從而實現(xiàn)回音消除。
  2 自適應回聲消除算法理論

     
  回聲消除理論的難點是估計回聲與近端輸入信號之間的同步問題以及如何對雙端講話進行處理的問題，若這兩個問題處理不好，就會造成濾波器的發(fā)散，不但不能消除回聲，反而會引入更煩人的噪聲。
  2．1 雙端話音處理與MDF算法結(jié)合

      在NLMS算法中，假設(shè)輸入近端背景噪聲與遠端信號均為白噪聲，那么兩信號間為時間無關(guān)的，因此可以求得最優(yōu)步長因子：

  式中：r(n)為殘留回聲的方差的估計值；e(n)為誤差信號的方差的估計值。      
  但是用LMS／NLMS算法來進行語音信號的聲學回聲消除時，兩信號時間無關(guān)的假設(shè)就不完全成立，因此只能借助于頻域處理法。MDF算法相當于對每一個頻率使用NLMS算法。為了解決雙端講話檢測這個難題，文獻[6]提出了一種與MDF相結(jié)合的不需要顯式進行雙端話音檢測的方法，以下是推導。由于信號在頻域的相關(guān)程度比在時域的相關(guān)程度小得多，而且步長因子μ也可以變換到頻率域μ(k，l)，即有公式：

  式中：k為輸入信號塊索引號；l為信號頻率。假定殘留回聲是泄漏因子η(l)與回聲估計值的乘積，即：

  又因為步長因子需要在雙端講話發(fā)生時迅速對其做出反應，故可以有等式：

  分子代表估計回聲與誤差信號的互相關(guān)值，分母為估計回聲的自相關(guān)值。若有雙端講話存在，則誤差就會變得很大，因此步長因子就會變得非常小，不會使濾波器系數(shù)變化太大；若有背景噪聲存在，由于步長因子公式中，分子分母都有噪聲的影響，因此相互抵消后噪聲的影響也會變得非常小了。

  2．2 估計回聲與近端輸入信號的同步

      回聲消除的原理就是利用參考回聲與真實回聲之間的相關(guān)性，因此播放聲音的線程和錄音線程之間的同步就顯得極為重要。下面分兩步進行處理：

     
  第一步，輸入／輸出設(shè)備與處理器之間存在速度不匹配的問題，為了改善這個矛盾，需要在輸入／輸出端分別劃出若干個專用緩沖區(qū)。在本測試環(huán)境中，輸入／輸出流的延遲經(jīng)過計算結(jié)果為10幀，也就是從處理器把第一幀要播放的聲音放人參考回聲幀隊列算起，到處理器從參考回聲幀隊列中取出一幀來與第一幀錄音輸入進行回聲消除時為止，錄音輸入比參考回聲在時間上落后了10幀。也就是說，這前10幀錄音輸入不用進行回聲消除，而是直接傳走，這個過程就稱為預取。

     
  第二步，實際應用中播放聲音和錄音是用兩個線程完成的，所以僅僅用上面固定的延遲數(shù)量來同步參考回聲和錄音輸入這兩個信號還不行。設(shè)一個變量rec_ts作為處理器要處理的錄音輸入幀的序列號，設(shè)play_ts作為處理器處理的參考回聲幀的序列號。用seq_delay=play_ts-rec_ts來修正上面的預取過程。當Seq_delay>0時，證明播放線程比錄音線程快，因此則減少錄音輸入幀的預取個數(shù)；當Seq-delay<0時，證明播放線程比錄音線程慢，因此則增加錄音輸入幀的預取個數(shù)。

  3 測試及結(jié)論

     
  Speex是一個開源、免費、專門針對VoIP語音的編解碼器，是一種動態(tài)比特率編碼方式，它意味著可以根據(jù)網(wǎng)絡環(huán)境的變化來動態(tài)地修改其比特率，它在窄帶和寬帶中都提供相應版本?；匾粝恢笔荲oIP中亟待解決的主要問題，所以近年來Speex中也集成了回音消除的模塊。因為Speex算法中，AEC沒有考慮線程同步問題，因此這里提出了一種使播放線程和錄音線程同步的方法。

      用PC機在VC 6.O下建工程進行測試。用麥克將一段語音錄下，存為ref.pcm，之后用音箱把這段錄音播放出來，播放的同時再用麥克將其錄下，等播放一段時間后(代表只有遠端講話的情況)，再有人開始講話，這時的錄音就代表雙端講話的情況，把該文件存為echo.pcm。測試時采樣率為8 000 Hz，20 ms為一幀，／μmax=1。

      回聲抵消效果一般還采用回聲返回衰減增益(ERLE)來評價，其定義如下：

      ERLE值越大，則表明回聲抵消效果越好，一般要求ERLE≥6 dB。測試回聲返回衰減增益如圖2所示。

由圖2可知，加入時間延遲估計后的效果好于不加時間延遲估計的效果。

失調(diào)也稱為系統(tǒng)距離(DIST)，反映的是回聲消除器中自適應FIR濾波器r1(n)對真實回聲路徑r(n)的逼近程度。其定義如下：

      DIST值越低，表明自適應濾波器收斂性能越好。由圖3也可看出，加入時間延遲估計后的失調(diào)量總體上低于不加時間延遲估計的失調(diào)量。

      通過測試和大量的通話主觀測試，結(jié)果表明，用該方法實現(xiàn)的聲學回聲消除器能夠滿足通信對語音的要求，因此為VoIP語音通信和移動通信終端提供了參考。