线上会开到一半，你回听自己那条录音轨，发现里面隐约有对方的说话声------不是听筒漏音那么简单，是隔着一层、和你的声音混在一起的那种。最难受的是时间：串进来的那段正好压在你说话的同一秒，两个人话叠着，谁都不干净。你试着拉高降噪强度，串话没小多少，自己的声音先闷了。
底层原理：串话至少有三条路径，各有各的物理量
路径一，声学泄漏。 对方的语音从扬声器出来，穿过房间空气被你的麦克风重新收进去。强度随扬声器到麦克风的距离平方衰减，还叠上房间早期反射------笔记本外放音量调大一格，串话电平能涨好几个 dB。
路径二，电学串线。 声音还没到空气就在线路上混了：调音台的辅助送出（Aux Send）或编组被误挂到自己的输入通道、声卡把「立体声混音（Stereo Mix）」当成输入设备、共享音频总线把两路信号耦合在一起。这类串话不随房间变，随接线与通道设置变。
路径三，平台混流。 会议服务端把多路上行流混成一路下行再分发。某一路上行本来就带串音，或者客户端把下行流循环重采回上行，串音就会被复制到你听到的每一路里。这一层改不了，只能识别并规避。
对付路径一的标准工具是回声消除（AEC, Acoustic Echo Cancellation） ：它对扬声器到麦克风的声学路径建一个自适应滤波器，估计出「对方本应被我听到的那份信号」，再从麦克风信号里减掉。前提是延迟对齐 ------扬声器输出与麦克风拾取之间那几毫秒到几十毫秒的延迟必须估准，差一点，减的就不是同一个东西。效果用 **ERLE（回声返回损耗增强）**衡量，线性声学路径下能到 20dB 以上，路径一旦非线性（扬声器失真、自动增益在动）立刻打折。
另一个绕不开的量是串音电平比：主说话人电平减去串话电平。它决定后面所有处理的地板。近讲效应（Proximity Effect）是最便宜的杠杆------嘴离麦近一倍，直达声大约多 6dB，远处的串话几乎不变，比值瞬间被拉开。
层次一：先把声学路径掐死，成本最低
这一层都在录之前，效果最实在。
用耳机替掉外放。 单一收益最大的动作：路径一整条消失，AEC 也不用再估那条回声路径，双讲误判跟着少一截。
把麦克风挪近。 目标 15cm 以内、微微偏开嘴正前方（避开喷气）。距离每减半，直达声涨 6dB 左右，串话几乎不动。
换指向性。 心形（Cardioid）或超心形指向对后方与侧后方的抑制是硬件级的，比事后任何算法都干净。
增益不要顶。 输入增益压到峰值 -12dBFS 左右留余量，让 AEC 有整段波形可用；增益贴顶的素材一进算法就先削波。
层次二：把电学路径查清，用二分法最快
换成耳机、麦也挪近了，串话还在，那大概率不是声学路径。
排查用二分法，一次只动一个变量：把所有输入通道逐个静音，看串话在哪一路消失。调音台上先摘 Aux Send 与编组，声卡上确认输入选的是真实麦克风口而不是「立体声混音」，再检查有没有设备通过共享总线耦合进来。
这一步常见两个伪装成串话的现象：一是地环路 带来的哼声（50Hz 及其谐波），听起来像低频杂音，其实是电学耦合，不该走降噪；二是通道间电平差，两路信号实际都在，只是增益不同，一路听起来像「漏」过来的。先把两路增益对齐，再判断谁是主、谁是串。
电学路径没有算法捷径，但它的好处是一旦找到就彻底消失，不像声学串话需要持续处理。
层次三：剩下的重叠段，交给按说话人特征的分离
声学路径掐了、电学路径查了，还会有一种情况：两个人的声音在同一时刻、同一频段真实重叠。这时候没有哪条路可以关掉，只能在重叠段把它们拆开。
语音分离模型的思路和降噪相反：它不判断「哪部分不是人声」，而是判断「这部分人声更像谁说」------依据是不同说话人的基频（F0）走向、共振峰分布、以及音高与音色的连续性。对一段重叠语音，模型输出按说话人归置的多条轨，你保留自己那条，串话就落到另一条上。
重叠的人声分离步骤
选择重叠人声分离的模型，导入音频或者视频素材，AI识别人声后分离出两段的轨道，导出完整版的音频文件。
「能不能算干净」的答案不在降噪强度那一栏，而在三条路径上：声学用耳机和距离掐、电学用二分法查、重叠交给分离估计。前两类是确定性的，找到入口就彻底消失；第三类只能做概率估计，知道该在哪一步收手，比反复加力更有用。