AEC3 回声消除内核 · 估计回声再减掉

AEC3 知道扬声器播了什么（远端参考），就用一个“模型”预测出“这段声音经声学路径漏回麦克风会是什么样”（即回声），然后从麦克风采的音里把这个预测的回声减掉**——剩下的就是干净的近端语音。** 这就是“必须同时知道播了什么和采了什么”的用处：有了远端参考（播的），预测出回声；有了近端（采的），减掉回声。

难点当然是那个“模型”——它得准确刻画看不见、还在变的声学路径。AEC3 用自适应滤波来实时逼近这条路径，并分两级处理。

线性滤波器在线学习扬声器到麦克风的声学路径（建模成一组滤波系数），用它对远端参考做滤波，得到“预测的回声”，从近端减掉。它靠观测“减完还剩多少”来持续调整系数，越学越准。 这是经典的自适应滤波（类似 NLMS 等算法）：

• 它维护一组系数，代表当前估计的声学路径（冲激响应）。
• 每一帧，用这组系数滤波远端参考 → 预测回声 → 从近端减掉 → 得到“残差”。
• 用残差反馈调整系数：残差里若还有回声成分，说明系数不准，就微调——路径一变（你动了手机），它就重新收敛到新路径。

线性滤波能消掉回声的线性、可预测部分——通常是回声的大头。但它有局限：扬声器 / 放大器的非线性失真、路径突变的瞬间，它消不干净，会留下残余回声。所以要有第二级。

抑制器在频域工作：估计“每个频段还剩多少残余回声”，据此衰减那些残余回声占主导的频段——像一个智能的、随回声动态调整的均衡器。 它不像线性滤波那样“精确相减”，而是“按比例压制”：某个频段残余回声多，就把这个频段整体压低。代价是可能连带压掉一点近端语音（那个频段的人声也被削），所以要精细——这里就要用上双讲检测：双讲时手下留情（别压太狠，保住近端语音），单讲时放心压（反正没有近端语音要保）。

两级配合：线性滤波精确消掉大部分（可预测的）回声，残余抑制兜底压掉剩下的（非线性、难预测的）回声。一“减”一“压”，把回声消到听不见，同时尽量保住近端语音。这个“精确 + 兜底”的两级架构，是现代回声消除的标准范式，AEC3 把它打磨到了很高水准。