3、AEC算法原理：自适应滤波（NLMS、APA）、双讲检测（Double-Talk Detection）、非线性处理（NLP）

好，咱们今天来啃AEC算法里最核心的三块内容。说实话，自适应滤波、双讲检测、非线性处理，这三兄弟缺一不可。我当年刚接触AEC时，以为只要把自适应滤波调好就万事大吉了，结果被双讲场景折磨得够呛。后来才明白，这三者是一个完整的闭环。

先给你看一张总览图，把今天要讲的知识体系串起来：

3.1 自适应滤波：AEC的发动机

自适应滤波说白了就是让滤波器自己去学习回声路径。你想想看，回声从扬声器出来，经过房间反射，再被麦克风拾取，这个路径有多复杂？靠人工去建模根本不现实。所以得让算法自己来。

3.1.1 NLMS算法——最常用的基础款

NLMS（归一化最小均方）算法，我愿称之为AEC界的"Hello World"。它简单、稳定、够用。公式长这样：

// NLMS 核心更新公式
// w(n+1) = w(n) + μ * e(n) * x(n) / (||x(n)||² + δ)

// 其中：
// w(n)   - 滤波器系数
// μ      - 步长因子 (0 < μ < 2)
// e(n)   - 误差信号 (近端信号 - 估计回声)
// x(n)   - 参考信号 (远端信号)
// δ      - 正则化因子 (防止除零)

这里有个关键点：归一化。为什么要有这一步？因为参考信号的功率可能忽大忽小。如果不归一化，信号大时步长太大导致发散，信号小时步长太小导致收敛慢。归一化之后，步长就稳定了。

3.1.2 APA算法——进阶之选

APA（仿射投影算法）是NLMS的升级版。它一次用多个历史样本来更新滤波器，收敛速度更快。代价是计算量大了不少。

// APA 核心思路
// 1. 构建参考信号矩阵 X(n) = [x(n), x(n-1), ..., x(n-P+1)]
// 2. 计算误差向量 e(n) = d(n) - Xᵀ(n) * w(n)
// 3. 更新滤波器 w(n+1) = w(n) + μ * X(n) * (Xᵀ(n)*X(n) + δI)⁻¹ * e(n)

// P 是投影阶数，通常取 2~8

APA的投影阶数P越大，收敛越快，但计算量也越大。我建议在嵌入式平台上用P=2或P=4就够了。P=8以上，性价比就不高了。

算法	收敛速度	计算复杂度	稳态误差	适用场景
NLMS	慢	O(N)	中等	资源受限、回声变化慢
APA (P=2)	中等	O(N²)	较低	大多数手机/平板
APA (P=8)	快	O(N³)	低	服务器/高性能设备

3.2 双讲检测：保护滤波器的哨兵

双讲（Double-Talk）就是两个人同时说话的场景。这时候近端信号里既有回声又有本地语音，如果还继续更新滤波器，滤波器会学歪掉。我见过最惨的情况——滤波器直接发散，输出全是刺耳的噪声。

3.2.1 Geigel算法——简单粗暴但有效

Geigel算法是我最喜欢的DTD方法，因为它够简单。核心思想：比较近端信号和远端信号的幅度。

// Geigel 双讲检测
// 如果 |d(n)| >= T * max(|x(n)|, |x(n-1)|, ..., |x(n-L+1)|)
// 则判定为双讲状态，冻结滤波器更新

// T 是阈值，通常取 0.5 ~ 0.8
// L 是搜索窗口长度，通常取 10 ~ 50

为什么它能工作？因为正常情况下，回声经过房间衰减后，幅度应该比远端信号小。如果近端信号突然变大，说明有本地语音进来了。

3.2.2 相关检测法——更精确但更贵

相关检测法利用远端信号和近端信号的相关性来判断。双讲时，相关性会显著下降。

// 相关检测法
// 计算互相关系数 r = E[x(n) * d(n)] / sqrt(E[x²(n)] * E[d²(n)])
// 如果 r < threshold，判定为双讲

// 优点：对噪声不敏感
// 缺点：计算量大，需要统计窗口

说实话，在资源紧张的嵌入式设备上，我一般不用相关检测法。Geigel加上一些工程技巧，已经能应付90%的场景了。

3.3 非线性处理：最后的防线

自适应滤波做完后，回声大概能消掉20-30dB。但剩下的残余回声怎么办？这就需要NLP上场了。

3.3.1 中心削波——最直接的方法

中心削波就是把小信号直接砍掉。原理很简单：

// 中心削波
// if |e(n)| < threshold:
//     output(n) = 0
// else:
//     output(n) = e(n) - sign(e(n)) * threshold

但问题来了——削得太狠，语音听起来断断续续的；削得太轻，残余回声还在。我刚开始做的时候，削波阈值调了一整天都没调好。

3.3.2 舒适噪声注入——让听感更自然

直接削波会产生"音乐噪声"（musical noise），听起来像水龙头滴水一样，特别烦人。解决办法是注入舒适噪声。

// 舒适噪声注入
// 1. 估计背景噪声功率 P_noise
// 2. 生成高斯白噪声 n_g(n) ~ N(0, P_noise)
// 3. 输出 = 削波后的信号 + n_g(n) * 增益因子

舒适噪声的功率要和背景噪声匹配。太大会引入额外噪声，太小又盖不住残余回声。我一般用噪声估计器实时跟踪背景噪声，动态调整注入量。

3.3.3 残余回声抑制——更精细的处理

现代AEC方案中，NLP往往结合频谱处理。在频域上，对残余回声集中的频段做更强的抑制，对语音集中的频段做更弱的抑制。

// 频域残余回声抑制
// 1. 对误差信号做FFT，得到 E(k)
// 2. 估计每个频点的残余回声功率 P_res(k)
// 3. 计算抑制增益 G(k) = max(0, 1 - β * P_res(k) / P_e(k))
// 4. 输出 = IFFT(G(k) * E(k))

这里的β是抑制强度系数。β越大，抑制越强，但语音失真也越大。我习惯把β设在0.5到0.8之间，具体值要看实际效果。

好了，自适应滤波、双讲检测、非线性处理这三块就讲完了。它们之间的关系就像流水线——自适应滤波做粗加工，DTD负责保护设备，NLP做精加工。少了哪一环，最终效果都会大打折扣。

---