9、时延估计：延迟差测量方法（互相关、自适应滤波）、延迟补偿策略

好，咱们进入回声消除里最让人头疼的一个环节——时延估计。

说实话，很多做音频的同行，算法调了半天效果不行，最后发现是时延没对齐。你想想看，远端信号和近端信号时间上差了那么几十毫秒，自适应滤波器再怎么努力也白搭。我当年在做一个车载免提项目时，就吃过这个亏，调了三天滤波器参数，结果发现是蓝牙传输的延迟没算进去……嗯，从那以后，我对时延估计就格外上心。

9.1 为什么时延估计这么重要？

回声消除的核心，是用一个自适应滤波器去模拟回声路径。但滤波器有个前提——它得知道远端参考信号和近端麦克风信号之间的时间差。

这个时间差，我们叫它延迟差（Delay Difference）。

如果延迟差没对齐，滤波器会去拟合一个时间偏移后的信号，效果大打折扣。更糟的是，在双讲场景下，没对齐的滤波器会疯狂发散，产生刺耳的噪声。

所以，时延估计不是「锦上添花」，而是「雪中送炭」。没有它，AEC 就是个摆设。

9.2 延迟差测量方法

测量延迟差，主流方法有两种：互相关法和自适应滤波法。我分别讲讲。

9.2.1 互相关法

互相关法，说白了就是「找相似」。把远端信号和近端信号做滑动点乘，找到峰值位置，那个位置就是延迟差。

数学上很简单：

R(d) = Σ x[n] * y[n + d]

其中 x 是远端信号，y 是近端信号，d 是延迟偏移。R(d) 最大的地方，就是我们要找的延迟。

但实际用起来，有几个坑：

• 信号太安静时，互相关峰值不明显。 比如对方不说话，远端信号全是噪声，互相关结果就是一坨乱码。
• 多径效应。 回声路径不只有一条，可能有多个反射。互相关会出现多个峰值，你得判断哪个是主峰。
• 计算量大。 如果采样率是 16kHz，搜索范围是 100ms，那就是 1600 个点要算，实时系统扛不住。

我在项目中用过一种改进方法：先做下采样，把 16kHz 降到 4kHz，粗搜一遍找到大致范围，再回到原采样率精搜。这样计算量能降 75%，而且精度几乎不受影响。

9.2.2 自适应滤波法

另一种思路，是用一个短的自适应滤波器去「跟踪」延迟。具体做法是：

• 初始化一个长度较长的滤波器（比如 1024 阶）
• 让滤波器去拟合回声路径
• 观察滤波器系数的峰值位置——那个位置就是延迟差

这个方法的好处是：它天然适应环境变化。比如你拿着手机从耳边移到免提模式，延迟变了，滤波器系数会自动漂移，你只需要跟踪峰值位置就行。

但缺点也很明显：

• 滤波器收敛需要时间，刚开始的几帧数据不可靠
• 如果滤波器长度不够，延迟超出范围就抓瞎了

我个人习惯把两种方法结合起来：用互相关做初始估计，用自适应滤波做跟踪。这样既保证了启动速度，又保证了动态适应性。

9.3 延迟补偿策略

测出了延迟差，下一步就是补偿。补偿策略分两种：硬件补偿和软件补偿。

9.3.1 硬件补偿

如果延迟是固定的（比如 DSP 处理延迟、AD/DA 转换延迟），可以在硬件层面做对齐。比如在音频链路上插入一个 FIFO 缓冲区，让远端信号和近端信号在时间上对齐。

但硬件补偿不够灵活。一旦系统升级或换芯片，延迟变了，硬件就得重新设计。

9.3.2 软件补偿

软件补偿是主流做法。核心思路是：在远端信号进入自适应滤波器之前，先做延迟对齐。

具体实现：

• 维护一个远端信号的环形缓冲区，长度覆盖最大可能的延迟（比如 200ms）
• 根据时延估计的结果，从缓冲区中取出对应位置的数据
• 把对齐后的数据送入自适应滤波器

伪代码大概是这样：

// 远端信号环形缓冲区
float far_buffer[BUFFER_SIZE];
int write_ptr = 0;

// 时延估计结果
int delay_samples = estimate_delay(far_end, near_end);

// 从缓冲区读取对齐后的远端信号
int read_ptr = (write_ptr - delay_samples + BUFFER_SIZE) % BUFFER_SIZE;
float aligned_far = far_buffer[read_ptr];

// 送入自适应滤波器
aec_process(aligned_far, near_end);

这里有个细节：延迟估计不是每帧都做。我一般每 100ms 更新一次延迟值，中间用插值平滑。这样既保证了实时性，又避免了估计值抖动带来的噪声。

9.4 时延估计的工程实践

讲完了理论，聊聊我在实际项目中踩过的坑。

第一个坑：系统延迟不是常数。 比如 Android 手机的音频延迟，会因为 CPU 负载、音频 HAL 实现不同而波动。我见过一台手机在空闲时延迟是 30ms，跑个游戏就变成 50ms。所以时延估计必须持续运行，不能只做一次。

第二个坑：双讲场景下的误判。 当远端和近端同时说话时，互相关法会误以为近端语音是回声，导致延迟估计出错。我的解决方案是：在双讲检测器触发时，冻结时延估计的更新，等单讲时再恢复。

第三个坑：采样率不匹配。 有些系统远端和近端的采样率不一样（比如远端 48kHz，近端 16kHz）。这时候必须先做重采样，再做时延估计。否则互相关结果全是错的。

9.5 知识体系总览

下面这张图，把时延估计的核心逻辑串起来了。你可以看到从信号输入到延迟补偿的完整链路。

从图上你能看到，远端和近端信号先进入时延估计模块，这里有两种方法可选。得到延迟值后，再进入补偿模块，最终输出对齐后的信号给自适应滤波器。

嗯，时延估计这块内容就这些。记住一句话：时延不对，一切白费。把这个基础打牢了，后面的自适应滤波器才能发挥真正的作用。