文章目录
前言
在日常的音视频通话过程中，说话的双端往往会面对比较复杂的场景，比如：环境存在较大的噪声，扬声器需要开启外放导致麦克风重新采集到，麦克风固定而人物需要走来走去等等的场景。
而为了面对这些复杂的场景，音频通话不得不引入算法对于声音进行预处理，再进行发送给远端。而3A是对于音视预处理的三种算法的统称。这三种算法分别是：
- AEC（Acoustic Echo Cancellation）：声学回声消除
- AGC (Automatic Gain Control)：自动增益控制
以及硬件3A和软件3A中不同的降噪技术：
- ANS (Automatic Noise Suppression) ： 自动噪声抑制（软件噪声抑制算法）
- ANR（Active Noise Reduction）：主动噪声消除（硬件噪声抑制算法）
本篇文章中，会对3A的应用场景、基本原理、一些开源的3A库、以及引入3A会带来哪些问题做详细的介绍
|版本声明：山河君，未经博主允许，禁止转载
一、3A使用的场景和原理
1.AEC
- 解决问题：消除回声，尤其是在通话或会议过程中，扬声器声音被麦克风拾取，导致反复回传形成回声。
- 应用场景：视频会议、电话会议、语音助手等涉及麦克风和扬声器同时使用的场景。
- 工作原理：AEC 技术通过比较输入音频信号和输出信号，识别并减弱回声部分，确保只有原始的语音信号被传输。
2.AGC
- 解决问题：自动调节音量，使得音频信号的强度保持在一个稳定的范围内，防止声音过大或过小。
- 应用场景：语音通信、录音、音频采集系统中，用于在距离、音量差异较大的情况下确保音量一致性。
- 工作原理：AGC 监测输入信号的电平，当声音过弱时自动提高增益，过强时降低增益，从而保证输出信号的音量在适当范围内。
3.ANS/ANR
ANS和ANR虽然目的都是为了降低音频通话过程中产生的噪声，但是两者在使用时机和原理上，存在很大的区别，具体
- 解决问题：抑制背景噪声，如风声、键盘声、交通噪声等，以提高语音的清晰度和质量。
- 应用场景：语音通信、会议、录音、语音识别等场景，特别是在嘈杂环境中进行的音频处理。
- 工作原理：ANS 技术通过分析音频信号中的噪声成分并将其过滤，保留清晰的语音部分，从而提高音质。而ANR是通过使用麦克风捕捉环境噪声，并产生与噪声相位相反的声音信号来进行噪声抵消。
4.硬件3A和软件3A的区别
1）层级不同
- 硬件3A是通过专用的音频处理芯片或设备在硬件层面实现的音频增强功能，如自动增益控制、回声消除和噪声抑制。
- 软件3A通过音频处理算法和数字信号处理（DSP）在软件层面实现，包括在移动设备或电脑上运行的音频增强功能。
2）处理顺序不同
- 硬件3A处理顺序：AEC->ANR->AGC
- 软件3A处理顺序：AEC->AGC->ANS
产生不同的原因：
硬件3A往往需要处理实时性高的任务，因此ANR被提前应用，因为硬件可以更高效地处理环境噪声，减少低频噪声干扰，再进行增益控制。
而软件3A通常以灵活性为目标，处理复杂的噪声场景，因此优先进行增益控制，然后再通过算法进行噪声抑制，以确保语音信号在处理前后的一致性。
3）优缺点
| 硬件3A | 软件3A | |
|---|---|---|
| 延迟 | 低延迟: 由于硬件直接处理信号，通常具有较低的延迟 | 由于音频信号需要经过处理器的计算，可能会带来一定的延迟 |
| 成本 | 开发和制造专用硬件需要较高的成本，且设备升级或维修困难 | 依赖现有的处理器和硬件，不需要额外的音频处理芯片，从而降低了成本 |
| 性能 | 专用硬件可以更有效地处理音频信号，节省系统的CPU和电源资源，特别在移动设备或嵌入式系统中表现更好 | 软件处理音频通常需要占用设备的CPU和内存资源，可能影响其他应用的运行 |
| 扩展性 | 硬件方案较为固定，不容易根据不同场景需求进行调整或升级 | 软件可以通过更新或升级实现新功能，而无需更换硬件设备 |
| 维护 | 硬件处理通常是固定的，保证了一定的一致性和稳定性 | 软件算法可以根据不同的需求进行调整和优化 |
5.处理过程
这里以硬件3A举例
整体3A工作流程如下：
- 近端麦克风采集到Noise， Speaker和人声
- AEC通过AF(滤波器)模拟回声通道，再通过NLP进行非线性回声消除
- 通过ANR进行噪声抑制
- 通过AGC进行音量增益
- 通过EQ和CNG增加语音舒适度（非必须）再发送到远端
二、3A带来的问题
既然3A能够带来那么多的好处，为什么使用场景上通常只是在音频通话中使用呢？ 例如演唱会、音乐会等等不使用呢？并且在实际场景中，还要根据环境不同进行调节参数呢？
下面来看一看3A引入的一些问题：
- AEC（声学回声消除）相关问题：
- 误消除问题：在回声和语音信号难以区分时，AEC可能误将真实语音当作回声进行消除，导致语音部分被削弱或失真。
- 延迟引发的失效：AEC依赖于精确的时间同步，如果延迟过大，回声消除器可能无法及时捕捉并处理回声，导致回声仍然存在。
- 双讲问题：当两个人同时说话时，AEC 可能无法准确处理双向回声，从而导致语音不清晰或部分对话丢失。
- AGC（自动增益控制）相关问题：
- 过度增益调整：AGC可能会导致音量波动过大，特别是在安静的环境下，它会试图放大背景噪声，导致不必要的噪声变得明显。
- 语音动态损失：在音乐或情感丰富的对话中，AGC可能削减声音的动态范围，使得声音显得过于平淡，失去了原有的情感表现。
- 慢速反应：AGC可能会对快速变化的音量反应不及时，导致声音过大会有突然的削弱，或者在突然安静后有一段时间声音仍然较高。
- ANS（自动噪声抑制）相关问题：
- 语音质量下降：ANS在过度抑制背景噪声时，可能会削减语音的自然部分，导致语音失真或听起来不自然、机械化。
- 残留噪声或伪影：在抑制噪声时，ANS有时会留下残余噪声或产生伪影音效（如"嗡嗡"声），特别是在环境噪声复杂或变动较大的情况下。
- 适应性不足：对于突发性或非持续性的噪声，ANS可能不够灵敏，导致这些噪声在处理时被漏过或抑制效果较差。
- 综合问题：
- 处理延迟：音频3A技术的处理通常需要一些计算时间，特别是对于实时通话应用，这些延迟可能会影响自然的对话流畅性，导致讲话者之间出现不自然的停顿。
- 复杂环境表现不足：在非常复杂的音频环境下（例如同时存在回声、噪声和音量差异），音频3A系统可能无法同时应对所有问题，导致回声未完全消除、噪声仍然存在或音量波动不稳定。
- 算法适应问题：音频3A技术往往需要根据不同的环境和设备进行优化。如果没有正确调校，音频质量反而可能受到负面影响，尤其在不同设备（如不同品牌麦克风、扬声器）或不同声学环境中，可能会表现不一致。
三、开源3A算法
下面介绍一些常用的3A开源算法库
| 介绍 | 功能 | 优点 | 缺点 | git地址 | |
|---|---|---|---|---|---|
| webrtc | 最为广泛使用的实时音频处理库之一 | AEC、AGC、ANS 、VAD（语音检测技术） | 功能丰富（不仅仅是3A）、跨平台、社区活跃、低延迟场景 | 使用复杂度高、性能高、调节困难 | webrtc地址 |
| SpeexDSP | 轻量级的开源音频处理库，适合低功耗或嵌入式设备 | AEC、AGC、ANS | 轻量级、易于集成、低功耗和低延迟 | 功能不如 WebRTC 丰富、更新较少、高噪音环境表现一般 | SpeexDsp地址 |
| PulseAudio AEC Module | Linux 上常用的音频管理系统，它的模块中集成了回声消除功能，可以结合 WebRTC AEC 模块 | AEC（基于 WebRTC） | 无缝集成到桌面和应用程序中、基于 WebRTC、易用性 | 局限于 Linux 平台、使用体验有时受限于 PulseAudio 的整体设置、仅提供回声消除功能 | PulseAudio 地址 |
| RNNoise | 基于深度学习的噪声抑制库,通过机器学习模型有效减少环境噪音 | ANS（基于神经网络） | 在复杂的噪声环境中效果非常好，特别适合高噪声背景下的语音通信,高效且低延迟，可以根据不同场景进行模型的训练和微调 | 只支持噪声抑制，训练模型难度，平台支持有限 | RNNoise地址 |
总结
- WebRTC Audio Processing：功能全面，适合复杂的实时音频通信应用，但复杂且资源占用较大。
- SpeexDSP：轻量、简单，适合嵌入式和低功耗设备，但功能较为基础。
- PulseAudio AEC：适合 Linux 桌面应用，集成简单，但功能相对较少。
- RNNoise：神经网络噪声抑制效果好，适合高噪声环境，但需要与其他库结合使用。
总结
本篇文章是先对音频3A的概念和一些常用的开源算法的介绍，后面博主会结合实际一一对3A中的算法进行介绍，实际上个人也是从事音视频开发工作后才慢慢了解到这些知识，为了梳理和避免遗忘才坚持在写博客，如果有些不足的地方还希望读者能够指点出来。
如果对您有所帮助，请帮忙点个赞吧！