蓝牙耳机AEC：SCO链路、HFP协议中的回声消除

各位好，今天我们来聊聊蓝牙耳机场景下的回声消除。说实话，这个领域坑不少。我早年做第一个蓝牙通话项目时，就被回声问题折磨得够呛——明明手机端AEC跑得好好的，一连上蓝牙耳机，对方就开始抱怨「听到自己的声音」。嗯，这其实就是典型的蓝牙AEC没处理好。

蓝牙AEC和有线耳机AEC最大的区别在哪？说白了，就是数据通路变了。有线耳机音频走的是模拟或数字音频总线，延迟可控、采样率固定。蓝牙呢？走的是SCO链路，经过HFP协议封装，中间还有射频传输、编解码、抖动缓冲……延迟不确定，数据格式也特殊。你想想看，AEC最怕什么？最怕参考信号和回声信号对不上时间戳。蓝牙这个场景，简直就是给AEC出难题。

SCO链路：蓝牙音频的「专用通道」

SCO，全称是Synchronous Connection Oriented，同步面向连接链路。它专门为实时音频设计，比如通话。我个人的理解是，它就像一条「预约好的高速公路」——蓝牙主设备给SCO预留了固定的时隙，每两个时隙传输一个SCO包。

SCO链路有几个关键参数：

参数	典型值	说明
传输间隔	2个时隙（1.25ms）	每1.25ms传输一个SCO包
数据包类型	HV1/HV2/HV3	不同编码率和纠错能力
采样率	8kHz	窄带语音，部分支持16kHz宽带
延迟	10-30ms	取决于蓝牙版本和实现

这里要注意，SCO链路的延迟不是固定的。我曾经在项目中遇到过，不同品牌的蓝牙耳机，SCO延迟能差出15ms。这对AEC来说是个大麻烦——你没法用一个固定的延迟值去对齐参考信号。

HFP协议：音频数据的「包装盒」

HFP，Hands-Free Profile，免提协议。它定义了蓝牙耳机和手机之间如何传输音频和控制信令。HFP协议里，音频数据走SCO链路，控制命令走ACL链路（异步无连接链路）。

HFP协议中与AEC相关的关键点：

• 音频编码：CVSD（连续可变斜率增量调制）或mSBC（modified Sub-Band Coding）。CVSD用于窄带，mSBC用于宽带。
• 帧结构：每帧包含一定数量的音频样本。CVSD帧长通常为8ms，mSBC帧长为7.5ms。
• 音量控制：HFP支持远端音量调节，但音量变化会影响回声路径的增益。
• AT命令：比如AT+VGSN用于设置扬声器音量，AT+VGMR用于设置麦克风音量。

我个人习惯，在HFP协议栈里，重点关注两个事件：SCO连接建立和SCO连接断开。这两个时刻是AEC状态机重置的关键点。为什么？因为蓝牙耳机重新连接时，回声路径完全变了——可能换了耳机，可能换了佩戴方式，甚至可能换了环境。AEC滤波器必须重新收敛。

蓝牙AEC的架构设计

好了，理论说完了，我们来看看实际怎么设计。下面这张图是我在项目中常用的蓝牙AEC架构：

这个架构里，我特别强调自适应延迟估计模块。为什么？因为蓝牙SCO链路的延迟不是固定的。你想想看，蓝牙耳机可能离手机远一点，射频环境差一点，重传次数多一点，延迟就变了。如果没有延迟估计，AEC的参考信号和回声信号对不齐，滤波器根本收敛不了。

延迟估计怎么做？我常用的方法是互相关峰值检测。把参考信号（手机端播放的远端语音）和回声信号（蓝牙耳机麦克风采集的信号）做互相关，峰值位置就是延迟值。但要注意，互相关计算量不小，8kHz采样率下，每10ms计算一次，CPU负载还能接受。如果上16kHz宽带，建议用FFT加速。

双端检测的特殊处理

蓝牙AEC的双端检测（Double-Talk Detection, DTD）和有线场景不太一样。有线场景下，近端和远端信号是同步的，检测相对容易。蓝牙场景呢？远端信号经过SCO链路传输，到达蓝牙耳机时已经延迟了10-30ms。近端说话人的语音和远端回声在时间上错开了。

我遇到过一个问题：双端检测器把延迟的远端信号误判为近端语音，导致滤波器停止更新，回声就漏出来了。后来怎么解决的？我加了一个延迟对齐的步骤——先把参考信号延迟估计值对齐，再做双端检测。说白了，就是让参考信号和回声信号在时间上「同步」了，再判断有没有近端语音。

双端检测的常用方法：

• 能量比较法：比较参考信号能量和回声信号能量。如果回声能量远大于参考能量，说明有近端语音。
• 相关性法：计算参考信号和回声信号的相关系数。近端语音存在时，相关系数会下降。
• 深度学习法：用神经网络做双端检测，准确率更高，但计算量也更大。

我个人习惯，在蓝牙场景下用能量比较法 + 相关性法的组合。能量比较法做粗判，相关性法做细判。这样既保证了检测速度，又减少了误判。

非线性处理：蓝牙AEC的最后一关

线性AEC能消除多少回声？理想情况下能消20-30dB。但蓝牙耳机扬声器是非线性的——小音量时失真小，大音量时失真大。线性滤波器对非线性失真无能为力。所以，蓝牙AEC必须加非线性处理（Non-Linear Processing, NLP）。

NLP怎么做？常见的方法：

• 中心削波：把低于某个阈值的信号直接置零。简单粗暴，但会引入音乐噪声。
• 频谱减法：在频域把回声残留减掉。效果比中心削波好，但可能损伤近端语音。
• 舒适噪声注入：在静音段注入背景噪声，避免通话断续感。

嗯，这里要注意，NLP不能做得太狠。我曾经在项目中把NLP阈值设得太高，结果近端语音被削得断断续续，用户投诉「声音像机器人」。后来我把阈值调低，同时加了舒适噪声，效果才好了。

实战建议

最后，给各位一些实战建议：

1. 先做延迟估计，再做AEC。没有准确的延迟估计，AEC就是空中楼阁。
2. HFP协议事件要监听。SCO连接建立/断开时，重置AEC状态机。
3. 宽带和窄带分开处理。mSBC和CVSD的帧结构不同，AEC参数也要不同。
4. 留好调试接口。把参考信号、回声信号、AEC输出信号都导出来，方便分析问题。
5. 多测几款蓝牙耳机。不同品牌的耳机，延迟、频响、非线性特性都不一样。

好了，蓝牙AEC的内容就讲到这里。这个领域细节很多，但核心思路就是「对齐、估计、消除」三步走。各位在实际项目中遇到问题，欢迎随时交流。

---

公众号:蓝海资料掘金营，微信deep3321