一、一个容易被忽略的疑问：同一颗DSP上,为什么两个指标差了三个数量级

翻阅免提通话类语音处理模块的参数表时,常会看到一组看起来很不协调的数字。以A-59这类USB工业级双通道多模语音处理模块为例,其环境噪声压制(ENC)标称45dB,而回音消除(AEC)标称100dB。两者跑在同一颗DSP、同一条前端通路上,采样率同为16kHz/16bit,处理延迟同样落在100ms以内,但指标数值相差55dB——功率比约为316228倍。

如果把这两个数字都理解成"把不想要的声音减掉多少",这个差距是无法解释的。要解释它,必须回到两类干扰在数学上的根本区别:一类问题有参考信号,另一类没有。

二、AEC:一个有参考信号的系统辨识问题

回音的产生路径是确定的。远端语音经过USB或I2S下行进入模块,再经LINE OUT送到功放和喇叭,声音在空间中经墙面、桌面反射后被本地麦克风重新拾取。整条路径可以建模为一个线性时不变(短时近似)系统:麦克风信号 y(n) = s(n) + h(n) * x(n),其中 x(n) 是已知的远端参考信号,h(n) 是待估计的回声路径冲激响应。

关键在于 x(n) 是完全已知的。A-59把这一点做进了硬件接口:LINE IN被明确定义为消回音参考输入,输入阻抗47KΩ、最大幅度2Vrms、左右声道独立。有了已知的输入和已知的输出,估计 h(n) 就退化成一个标准的自适应滤波问题,NLMS或频域分块LMS都能收敛。滤波器一旦收敛,把 ĥ(n) * x(n) 从 y(n) 中减去,残差理论上只剩建模误差和数值精度。

所以100dB这个量级并不神秘,它衡量的是ERLE(回声返回损耗增强),即抵消前后回声能量之比。在参考信号已知、路径线性、系统平稳这三个前提都成立时,自适应滤波的抵消深度只受限于滤波器长度、定点运算的字长以及非线性失真的残余分量。100dB对应的是这条链路做到位之后的收敛上限,而不是某种"更强的算法"。

三、ENC:没有参考信号的盲估计,天花板在语音本身

环境噪声则完全是另一类问题。空调声、风扇声、汽车行驶噪声不会给你一路参考输入,模块只能从单一麦克风信号中区分"哪部分是语音、哪部分是噪声"。这属于盲信号估计,通常的做法是在频域估计噪声功率谱 N(f),再计算增益函数(谱减、维纳滤波、或基于神经网络的掩码估计),对每个频点做 G(f) = S(f) / (S(f) + N(f)) 形式的加权。

这里的天花板不是算力,而是失真。要压掉更多噪声,增益函数就必须在低信噪比频点上取更小的值;而语音的谐波结构、辅音的宽带瞬态成分恰恰分布在这些低信噪比频点上。压得越狠,语音本身被削掉的部分越多,主观上表现为音质发闷、辅音丢失,以及谱减法特有的"音乐噪声"——孤立频点残留随帧跳变形成的水泡声。

45dB这个数字,本质上是"在语音可懂度不明显劣化的前提下能压制的噪声量"。它不是算不动,是再压下去代价就不划算了。换句话说,AEC的上限由数值精度决定,ENC的上限由听感决定,两者根本不是同一把尺子。

四、测量口径的差异同样在拉大数字

指标差距还有一部分来自测量条件本身。AEC的100dB通常在单讲(single-talk)条件下、滤波器充分收敛之后测量,此时本地无人说话,残差全部计入回声。而ENC的45dB多在稳态噪声场中测量,同时要求语音通路不能明显失真。

一旦条件变化,数字会迅速缩水。双讲(double-talk)时自适应滤波器必须冻结或降低步长,否则会被本地语音带偏,此时实际ERLE远低于标称值;非稳态噪声(键盘敲击、关门声)因为噪声谱估计跟不上,ENC的有效压制量也会显著下降。A-59标注的"延迟小于100ms"约束的正是收敛与跟踪速度:在这个时间窗内,如果扬声器音量、麦克风位置或房间状态发生变化,滤波器要能重新追上新的回声路径。

五、A-59的参数配置反映了怎样的取舍

把A-59的其余参数放在这个框架下看,配置逻辑就清晰了。I2S采用16kHz/16bit(BCLK 512kHz)而非48kHz/32bit,是因为免提通话的可懂度主要由300Hz–3.4kHz的语音频段决定,16kHz采样已经覆盖到8kHz奈奎斯特频率;把采样率翻三倍换来的是AEC滤波器抽头数按比例增加、DSP负载和收敛时间同步上升,对通话质量的边际收益却很有限。

LINE OUT标称SNR 91dB、最大幅度1.5Vrms,这个数值低于同系列部分型号的106dB。原因在于,当AEC能提供100dB抵消深度时,系统的噪声底更多由麦克风自噪声和环境本底决定,输出级再往上堆SNR并不会改善通话端到端的听感。整机工作电流35–60mA、供电4V–6.5V、封装27mm×25mm,也说明这颗模块的设计重心是嵌入式集成度而非音频指标的极限值。

双通道设计与10种工作模式(数字麦/模拟麦双输入、USB免驱接入WIN/安卓/MAC/LINUX/树莓派)则把选择权留给了系统侧:同一颗模块既可以用作单麦免提,也可以配置成双路独立拾音,由上层决定是要空间分离还是要单通道的最大压制深度。

六、场景适配与边界

理解了45dB与100dB的成因差异,选型判断也就有了依据。对于楼宇对讲、车载通话、矿山呼叫这类回声路径固定(喇叭与麦克风在同一机壳内、相对位置不变)的场景,回声路径平稳、参考信号干净,AEC能长期工作在接近标称值的状态,这是这类模块最能发挥作用的区间。

反之有两类场景需要谨慎评估。一是本底噪声极高(超过75dB SPL)且以非稳态成分为主的环境,45dB的ENC加上10cm–500cm的拾音距离范围,远端拾音时信噪比可能仍然不足,这时更需要的是缩短麦距或增加麦克风数量,而不是指望后端降噪。二是功放存在明显削波或喇叭在大音量下产生非线性形变的设计,此时回声路径不再是线性系统,线性自适应滤波器的100dB前提被破坏,残余回声会以谐波形式出现,只能靠非线性后处理压制,而后者的代价同样是语音失真。

把两个指标放回各自的数学前提中去读,比单纯比较数字大小更有参考价值。