Эхоподавление

С момента изобретения эхоподавления в AT&T Bell Labs его алгоритмы были усовершенствованы и отточены. Как и все процессы эхоподавления, эти первые алгоритмы были разработаны так, чтобы ожидать сигнала, который неизбежно попадёт в тракт передачи, и подавить его.

Подавление акустического эха, Acoustic Echo Cancellation (AEC), происходит следующим образом:

1. Сигнал с дальнего конца поступает в систему.
2. Сигнал с дальнего конца воспроизводится динамиком в помещении.
3. Микрофон в этом же помещении принимает этот прямой сигнал и последующую реверберацию за звук в этом помещении.
4. Сигнал, принятый с дальнего конца, фильтруется и задерживается так, чтобы походить на сигнал с ближнего конца.
5. Отфильтрованные сигнал с дальнего конца вычитается из сигнала с ближнего конца.
6. Результирующий сигнал представляет собой звуки в комнате, за исключением прямых или отраженных звуков, воспроизведенных динамиком в комнате.

Главная задача эхоподавителя — определение характера фильтрации, которая должна применяться к поступающему с дальнего конца линии сигналу, так, чтобы он оказался похож на сигнал ближнего конца. Фильтр, по существу, — это модель динамика, микрофона и акустических параметров комнаты.

Чтобы настроить фильтр, ранние системы эхоподавления требовали профессиональной настройки с импульсным или розовым шумом, а некоторые использовали эти шумы в качестве единственной модели акустического пространства. Более поздние системы, использовали эту настройку только в качестве основы, и эхоподавитель затем адаптировался к фактической акустической картине. При использовании полученного сигнала в качестве задающего сигнала, современные системы могут сходиться с нуля до 55 дБ подавления примерно за 200 мс.

Широкое развитие рынка мобильных устройств и повышение их вычислительной мощности привело к появлению таких новых возможностей, как аудио и видео конференц-связь между несколькими абонентами. Одним из ключевых компонентом для таких коммуникационных платформ является акустический эхокомпенсатор. В современной терминологии он является скорее не просто подавителем эхо, а основным блоком для препроцессинга речи, включающим эхо- и шумоподавление, функции автоматической регулировки уровня речи и общего уравнивания речевого сигнала с микрофонного входа.

Применение акустических эхоподавителей в мобильных устройствах имеет существенные особенности по сравнению с классическим случаем:

• повышенные требования к качеству речи требуют интеграции с широкополосной (50-7000 Гц) IP-телефонией, дающей повышенное качество речи при приемлемом увеличении полосы, занимаемой трафиком;
• для мобильных устройств характерны сильная акустическая связь между микрофоном и динамиком из-за близости их расположения. Помимо этого, типичным является повышенный уровень интермодуляционных и нелинейных искажений из-за ряда факторов: использования нелинейных выходных усилителей, механических резонансов в корпусных элементах и проч.;
• кроме эха обычно присутствует также и значительный уровень внешнего шума, для которого характерна высокая динамика;
• мобильные устройства предъявляют очень жесткие ограничения на вычислительные ресурсы, так как это влияет на расход энергии и на совместную работу с другими приложениями;
• специфика аудиодрайверов ОС Linux, Android не позволяет обеспечить малую (до 50 мс) задержку ввода-вывода, что повышает требования к уровню подавления.

Часть эхо-сигнала возникает из-за механической связи между динамиком и микрофоном. Хотя производители и предпринимают меры по демпфированию как динамиков, так и микрофонов, в небольшом корпусе мобильного устройства довольно затруднительно сделать низкий уровень проникания сигнала напрямую через корпусные элементы. Помимо довольно высокого уровня такого сигнала, для него характерен довольно высокий уровень нелинейных искажений, а также в ряде случаев и наличие ярко выраженных резонансных пиков.

Второй источник эха — собственно отражения от элементов окружения устройства. Рассеяние при этом складывается как из рассеянных компонент по всей длине эхопути, так и из сосредоточенных отражений. В этом случае довольно характерны быстрые флуктуации по фазе и по амплитуде эха. Сам общий эхопуть оказывается достаточно большим даже для небольших помещений. Общепринятыми параметрами, достаточными для работы в большинстве помещений считаются величины 256 мс, а для больших или вытянутых помещений эхопуть достигает величин 512 мс и даже более.

Помимо этого для мобильных устройств довольно характерен высокий уровень интермодуляции и нелинейных искажений. Это обуславливается как собственными свойствами микрофонов и динамиков, использованием нелинейных выходных усилителей для минимизации энергопотребления, резонансами в корпусных элементах и проч. В целом, уровень нелинейных искажений порядка -10 дБ и интермодуляции -15 дБ является скорее нормой, чем дефектом.

Еще несколько лет назад качество связи, обеспечиваемое кодеками с полосой телефонного канала (300-3400 Гц) считалось приемлемым для большинства приложений. Однако прогресс не стоит на месте. Стандартизация новых кодеков от ITU (G.711.1, G.722.2 (AMR-WB), G.729.1 и др.), обеспечивающих более высокое качество речи при полосе 50-7000 Гц продвигает внедрение широкополосных технологий в различные устройства. Де-факто, поддержка широкополосного режима с частотой дискретизации 16 кГц, наряду со стандартным 8 кГц узкополосным режимом, является одним из обязательных требований к современным эхоподавителям. Более высокая частота дискретизации означает и значительное увеличение количества вычислительных операций, требуемых для компенсации эха, поэтому алгоритмы эхоподавления для широкополосного режима проектируются таким образом, чтобы вычислительная нагрузка на процессор оставалась бы сравнимой с узкополосным режимом.

Задержка является важнейшей характеристикой аудио подсистемы. Известно, что субъективное качество речи и сложность восприятия при двустороннем общении сильно ухудшается при увеличении задержки до величин 200-250 мс. Однако требуется заметить, что общая задержка влияет и на восприимчивость человеческого уха к эху. В частности, рекомендация ITU-T G.131 приводит примерную зависимость требуемого уровня эхоподавления в зависимости от задержки, которая показывает, что при увеличении задержки от 50 до 250 мс требуется дополнительно подавлять эхо на 20 дБ.

В мобильных устройствах обычно используются ОС Linux, Android, Symbian, которые не обеспечивают малую задержку ввода-вывода в полнодуплексном режиме. Общая задержка в аудио тракте может составлять значительные величины – до 200-300 мс – и поэтому эхоподавители для таких платформ должны иметь повышенное подавление эха.

Особенностью применения мобильных устройств является использование их в условиях высокого уровня внешних шумов и достаточно быстро меняющейся шумовой обстановки. При этом шумы носят разнообразный характер и могут быть как широкополосные, так и частотно-селективные. Казалось бы, в офисных помещениях шумов должно быть немного, но возникают дополнительные шумы, являющиеся гармониками сетевых частот, производимые люминесцентными и энергосберегающими лампами. Их спектр весьма заметен даже на частотах выше 1 кГц. В целом, типичный уровень шумов может составлять величину порядка 10-15 дБ от уровня речи. В таких условиях, эхоподавитель должен обеспечивать совместное эхо и шумоподавление, в противном случае могут возникать разнообразные негативные эффекты такие, как: замедление скорости сходимости, ухудшение качества речи, ухудшение подавления в режиме двойного разговора, замедление адаптации шумоподавителя на изменение внешнего шума в присутствии значительного эха или двойного разговора, возникновение так называемого музыкального шума в паузах, металлизация речи и изменение её тембра.

Ресурсные ограничения являются важнейшим лимитирующим фактором для мобильных устройств. Минимизация потребления ресурсов является важнейшим источником экономии потребления энергии и увеличения времени непрерывной работы устройства от аккумуляторов. Еще совсем недавно считалось, что наиболее распространенные в сегменте мобильных устройств процессоры класса ARM не способны решать задачу эхоподавления. Однако, появление нового поколения таких процессоров с поддержкой системы команд для обработки сигналов (ARM9e, ARM11, расширения WMMX, Neon и проч.) и повышение тактовых частот, наряду с появлением новых алгоритмов эхоподавления, сделало это реальностью.

Безусловно, эхоподавление, особенно в широкополосном режиме, для таких процессоров остается весьма ресурсоемкой задачей – типичное потребление ресурсов для процессора класса ARM11 составляет 50…100 MIPS, что при тактовой частоте 600 МГц соответствует 8…17% загрузки. Постепенно производители внедряют многоядерные архитектуры и специализированные акселераторы, в которых ресурсоемкие алгоритмы такие, как эхоподавление, кодирование речи и прочие переносятся в специализированное ядро, оптимизированное для таких вычислений. При этом расход энергии существенно снижается.

Таким образом, особенности мобильных устройств накладывают перечень требований к эхокомпенсатору. Он должен:

• иметь слабую чувствительность к нелинейным и интермодуляционным искажениям;
• поддерживать эхопуть до 512 мс;
• иметь средства работы на различных частотах дискретизации сигнала;
• обладать высокой скоростью адаптации как эхо так и шумоподавителя;
• обеспечивать улучшенное подавление эха при больших задержках;
• иметь средства борьбы с нежелательными резонансами, а также иметь возможность коррекции частотной характеристики микрофонного тракта;
• иметь приемлемое потребление ресурсов.