采用TMS320C54x免提開發平臺的車載信號處理與音頻系統
加入技術交流群
AEC 的其他問題在于兩人同時講話的模糊音(DT)情況。如果沒有檢測到的話，DT 會造成自適應算法的發散。
AEC 軟件利用 NLMS 算法來消除回聲，執行 C54x DSP 匯編程序。
NLMS 算法
NLMS 算法可更新自適應有限脈沖響應 (FIR) 濾波器的系數，可將該濾波器用于預計回聲。隨后我們從實際回聲中減去預計值，并給出剩余回聲。
活動通道檢測
AEC 算法的一個關鍵特性就是活動通道檢測。遠端操作者沉默而近端操作者講話時，濾波器不可進行適配，因為近端操作者不再是回聲。通過計算信號能量，并將該能量與自適應閾值進行比較，可實現活動通道的檢測。
模糊音 (DT) 檢測
在 DT 情況下，擴音器上的近端信號包括回聲與近端話音（即模糊音）。用于更新濾波器系數的剩余誤差包括近端講話，而如果算法仍在進行自適應，則算法可能開始發散，必須避免這種情況。DT 檢測使用基于能量的算法，并配合一個變量閾值來解決此問題。
基準
AEC 軟件的基準（以 16 位字表示）為：
－ 代碼大小：154 字；
－ 靜態 RAM：527 字；
－ 擦寫 RAM：2 字；
－ 最大計算時成本為 4.7MIPS。
計算時成本在 ST 時期最大；在 DT 時期降至 2.4MIPS。ST 時期表現通話主要部分，而DT 時期僅在較短的有限情況出現。
4. CVC-HFK 軟件
圖２：CVC-HFK 應用圖示
CVC-HFK AEC
CVC-HFK 回聲消除器是"無狀態"AEC，其采用標準頻率域NLMS算法的一個變體作為其主要的自適應濾波器。我們將在下面說明采用這些方法的優勢。首先，子帶頻率域方法可取消關聯或白化每個帶中的輸入信號，這相比于相當時間域的AEC 就可實現更快的收斂。第二，無狀態 AEC 可實現連續的濾波器適應，這改善了噪聲環境中的魯棒性和整體模糊音性能。我們記得，DT 情況下擴音器信號既包含回聲，又包含近端話音。近端話音不與回聲信號相關聯，如果沒有進程避免它的話就會造成自適應濾波器的發散。第三，NLMS可實現獨立于輸入振幅的一致收斂。正由于此，CVC-HFK AEC實現了典型的40 dB ERLE（回聲返回損失量），最大為50 dB ERLE，并可實現80ms左右的快速收斂時間，且在大多數環境下可進行全雙工操作。此外，CVC-HFK AEC為其自適應濾波器采用了 64ms 的尾長，這就在內部容量方面實現了更大的靈活性。
CVC-HFK NS
CVC-HFK 噪聲抑制器是一種利用話音與噪聲特性來幫助從合成噪聲及話音信號中提取話音的頻率域算法。CVC-HFK NS 的兩大主要模塊是語音構成分析與語音提取。
語音成份分析模塊采用話音與噪聲的暫時與相關屬性來構建話音構成的可預測模型。語音提取塊可根據語音與噪聲模型修改各頻率成份。此外，語音提取塊還可充分利用音質原理最小化噪聲底限與感覺的語音失真。
CVC-HFK NS 采用該方案可在噪聲環境中實現 10-15dB SNR（信躁比）的改善，同時還能保持較好的語音質量。在SNR已經足夠高的極低噪聲環境中，因為已關閉了 NS，不會發生語音失真。
CVC-HFK NLP
由于系統失真增加，因而 CVC-HFK NLP 最小。由CVC-HFK NLP 增加的失真量比諸如中心削波器等標準NLP模塊要低得多，因為其使用來自輸入與誤差信號的信息來確定額外的衰減。
由于所有的 CVC-HFK 模塊均使用頻率域算法，因而與既使用時間域又使用頻率域算法的解決方案相比，可以顯著節約內存，并簡化計算復雜性。
評論