语音识别中的回声消除：从原理到Android实战

1次阅读

没有评论

共计 2119 个字符，预计需要花费 6 分钟才能阅读完成。

当我们在 Android 设备上使用语音识别功能时，经常会遇到一个恼人的问题：设备扬声器播放的声音会被麦克风再次捕获，形成回声。这种回声会严重影响语音识别的准确率，因为识别引擎无法区分用户的真实语音和回声。

回声的产生主要源于以下几个物理因素：

声学耦合路径：扬声器发出的声音通过空气传播到麦克风
机械振动传导：设备内部扬声器振动通过机身传导到麦克风
电子串扰：音频电路中的电磁干扰导致信号泄漏

这些因素共同作用，使得回声成为移动端语音识别必须解决的难题。

目前主流的回声消除方案主要有两种：

WebRTC AEC
优点：延迟低(通常 <10ms)，处理效果好
缺点：计算复杂度较高
适用场景：实时性要求高的语音交互
Speex Echo Cancellation
优点：资源占用少
缺点：延迟较高(约 30-50ms)
适用场景：对实时性要求不高的场景

对于移动端语音识别，我们推荐使用 WebRTC AEC，因为它在延迟和效果上都有明显优势。

首先需要修改 Android 的音频采集和播放流程：

// 创建 AudioRecord 时指定采样率和声道数
int sampleRate = 16000;
int channelConfig = AudioFormat.CHANNEL_IN_MONO;
AudioRecord recorder = new AudioRecord(
    MediaRecorder.AudioSource.VOICE_RECOGNITION,
    sampleRate,
    channelConfig,
    AudioFormat.ENCODING_PCM_16BIT,
    bufferSize
);

// AudioTrack 配置需要与 AudioRecord 匹配
AudioTrack player = new AudioTrack(
    AudioManager.STREAM_MUSIC,
    sampleRate,
    AudioFormat.CHANNEL_OUT_MONO,
    AudioFormat.ENCODING_PCM_16BIT,
    bufferSize,
    AudioTrack.MODE_STREAM
);

关键结构体定义：

typedef struct {
    int sampleRateHz;
    int samplesPerFrame;
    int numChannels;
    void* aecmInst;
} WebRtcAecmConfig;

初始化函数示例：

JNIEXPORT jlong JNICALL Java_com_example_WebRtcAec_init(JNIEnv* env, jobject obj, jint sampleRate, jint channels) {WebRtcAecmConfig* config = new WebRtcAecmConfig();
    config->sampleRateHz = sampleRate;
    config->samplesPerFrame = sampleRate / 100; // 10ms 帧
    config->numChannels = channels;

    // 初始化 WebRTC AEC
    WebRtcAecm_Create(&config->aecmInst);
    WebRtcAecm_Init(config->aecmInst, sampleRate);

    return (jlong)config;
}

// 每帧音频处理示例
void processFrame(WebRtcAecmConfig* config, 
                 const short* nearEnd, 
                 const short* farEnd, 
                 short* output) {
    // 执行回声消除
    WebRtcAecm_Process(config->aecmInst,
                      nearEnd, 
                      farEnd, 
                      output,
                      config->samplesPerFrame,
                      config->delayMs);

    // 后续可以添加噪声抑制等处理
}

经过测试，我们发现不同缓冲区大小对延迟和 CPU 使用率的影响如下：