張 偉，王冬霞，于 玲

（遼寧工業(yè)大學(xué)電子與信息工程學(xué)院，遼寧錦州121001）

（?通信作者電子郵箱1019247780@qq.com）

0 引言

近年來(lái)，隨著人工智能技術(shù)的不斷發(fā)展，語(yǔ)音交互成為最方便快捷的人機(jī)交互方式，其中智能音箱是人們?nèi)粘Ｖ饕獞?yīng)用對(duì)象。當(dāng)智能音箱中揚(yáng)聲器播放音樂時(shí)，會(huì)經(jīng)房間傳播后被智能音箱中麥克風(fēng)采集，即為智能音箱中的回聲，該回聲與使用者發(fā)出的目標(biāo)語(yǔ)音信號(hào)疊加在一起，嚴(yán)重影響目標(biāo)語(yǔ)音信號(hào)質(zhì)量和喚醒與識(shí)別結(jié)果，從而不能繼續(xù)對(duì)智能音箱進(jìn)行有效的語(yǔ)音控制。在通信中，傳統(tǒng)的單通道聲學(xué)回聲消除（Acoustic Echo Cancellation，AEC）主要采用自適應(yīng)濾波技術(shù)［1］，即首先估計(jì)揚(yáng)聲器和麥克風(fēng)之間的聲學(xué)沖擊響應(yīng)（Acoustic Impulse Response，AIR），然后利用估計(jì)的AIR 對(duì)揚(yáng)聲器播放信號(hào)進(jìn)行濾波，計(jì)算出回聲并從麥克風(fēng)信號(hào)中減去?，F(xiàn)有的自適應(yīng)濾波回聲消除算法包括歸一化最小均方（Normalized Least Mean Square，NLMS）算法［2］、分塊頻域自適應(yīng) 算 法［3］、開 源Speex 算 法［4］和WebRTC（Web Real-Time Communications）算法［5］等，還可以利用卡爾曼濾波技術(shù)［6］、盲源分離技術(shù)［7］，以及神經(jīng)網(wǎng)絡(luò)技術(shù)［8］等進(jìn)行回聲消除。其中NLMS 算法由于其相對(duì)強(qiáng)大的性能和低復(fù)雜度而得到最廣泛的應(yīng)用。這些算法在一定程度上改善了目標(biāo)語(yǔ)音的質(zhì)量，但由于大多基于自適應(yīng)濾波技術(shù)，若直接應(yīng)用到多通道情況中，會(huì)大幅度增加計(jì)算量，不利于工程上的實(shí)現(xiàn)。

然而，智能音箱設(shè)備多由一個(gè)揚(yáng)聲器和一個(gè)麥克風(fēng)陣列組成。在多通道情況下，回聲消除最直接的解決方案是在每個(gè)麥克風(fēng)的輸出端分別放置一個(gè)回聲消除器，然而多通道回聲消除MM-AEC（Multi Microphone Acoustic Echo Cancellation）算法的復(fù)雜度與麥克風(fēng)的數(shù)量成正比。對(duì)于較長(zhǎng)的自適應(yīng)濾波器，MM-AEC 算法的復(fù)雜性既與麥克風(fēng)數(shù)量成正比，又與回聲消除器長(zhǎng)度成正比，因此它很容易超過(guò)可用的計(jì)算資源。針對(duì)計(jì)算復(fù)雜度問(wèn)題，文獻(xiàn)［9］提出相對(duì)回聲傳遞函數(shù)-AEC（Relative Echo Transfer Function-AEC，RETF-AEC）低復(fù)雜度算法，首先用揚(yáng)聲器播放信號(hào)當(dāng)作參考信號(hào)，在短時(shí)傅里葉變換（Short Time Fourier Transform，STFT）域，利用單通道自適應(yīng)濾波算法更新聲學(xué)回聲傳遞函數(shù)（Acoustic Echo Transfer Function，AETF），估計(jì)出第一通道回聲，然后利用估計(jì)的第一通道回聲當(dāng)作其他通道的參考信號(hào)，來(lái)不斷更新麥克風(fēng)陣列之間的相對(duì)回聲傳遞函數(shù)（RETF），最后計(jì)算出其他通道回聲。因RETF 的長(zhǎng)度比AETF 長(zhǎng)度短，從而使MM-AEC 的總計(jì)算量降低。聲學(xué)回聲傳遞函數(shù)在立體聲回聲消除中也有廣泛應(yīng)用［10］。

當(dāng)麥克風(fēng)接收的信號(hào)不僅包含回聲和目標(biāo)語(yǔ)音信號(hào)，還包含背景噪聲時(shí)，AEC 的最終目標(biāo)是完全去除回聲和背景噪聲，使其只有目標(biāo)語(yǔ)音信號(hào)。但在大混響、低回噪比條件下，自適應(yīng)濾波收斂后，仍會(huì)有殘留回聲存在，學(xué)者普遍認(rèn)為單獨(dú)的AEC 無(wú)法抑制背景噪聲和殘留回聲。單通道AEC 通常應(yīng)用后處理技術(shù)［11-12］來(lái)抑制存在于回聲消除輸出后的背景噪聲和殘余回聲。而MM-AEC 可以結(jié)合波束形成（Beam Former，BF）技術(shù)抑制背景噪聲和殘余回聲［13-14］:可以在AEC后先應(yīng)用BF 減少背景噪聲，再通過(guò)后處理技術(shù)去掉殘留回聲；或者先在每通道AEC后應(yīng)用后處理技術(shù)去掉殘留回聲，再應(yīng)用BF技術(shù)減少背景噪聲。該類算法殘留回聲和背景噪聲需分開抑制。最近，文獻(xiàn)［9］又提出了利用BF 技術(shù)聯(lián)合去除殘留回聲和背景噪聲的算法。該算法首先利用提出的RETF-AEC 算法去掉回聲，再估計(jì)出殘留回聲和背景噪聲，最后利用多通道維納濾波（Multi-Channel Wiener Filter，MCWF）波束技術(shù)聯(lián)合去除殘留回聲和背景噪聲（簡(jiǎn)記為MCWF-AEC 算法）。由于RETF-AEC 算法還需要利用自適應(yīng)濾波不斷更新RETF，計(jì)算量并沒有大幅度降低。且在低回噪比條件下，由于殘留回聲估計(jì)得過(guò)高，MCWF會(huì)使目標(biāo)語(yǔ)音信號(hào)有一定的失真，影響語(yǔ)音可懂度。

針對(duì)上述兩點(diǎn)問(wèn)題，本文借鑒麥克風(fēng)陣列語(yǔ)音去噪［15］的思想，在文獻(xiàn)［9］的基礎(chǔ)上，首先提出了一種改進(jìn)的相對(duì)回聲傳遞函數(shù)的多通道回聲估計(jì)算法——ERETF-AEC（Estimate Relative Echo Transfer Function-AEC），該算法不需要自適應(yīng)更新RETF，降低了算法的復(fù)雜度。隨后，鑒于廣義旁瓣抵消器（Generalized Sidelobe Canceller，GSC）算法在不同信噪比下的穩(wěn)定性，又提出了ERETF-GSAEC（Estimate Relative Echo Transfer Function Generalized Sidelobe Canceller Acoustic Echo Cancellation）麥克風(fēng)陣列快速回聲消除算法。該算法利用改進(jìn)的ERETF-AEC 回聲估計(jì)算法替代傳統(tǒng)GSC 算法的阻塞矩陣模塊，能有效地避免阻塞矩陣構(gòu)造不合適而造成的阻塞剩余和目標(biāo)語(yǔ)音信號(hào)抵消等缺點(diǎn)；并且該算法不再需要?dú)埩艋芈暪烙?jì)，有效避免殘留回聲估計(jì)過(guò)高引起的問(wèn)題，進(jìn)一步減少在低回噪比（Echo Noise Ratio，ENR）下MCWF 算法對(duì)語(yǔ)音失真的現(xiàn)象，較好地保留目標(biāo)語(yǔ)音信號(hào)的頻域信息，提高語(yǔ)音可懂度。

1 智能音箱環(huán)境下的聲學(xué)模型

如圖1 所示，假設(shè)智能音箱設(shè)備由一個(gè)揚(yáng)聲器和一個(gè)麥克風(fēng)陣列組成，回聲路徑為線性系統(tǒng)。

圖1 智能音箱環(huán)境下的聲學(xué)模型Fig. 1 Acoustic model in smart speaker environment

在STFT 域，令Sn(l，k)表示語(yǔ)音信號(hào)，Dn(l，k)表示回聲信號(hào)，Vn(l，k)表示背景噪聲，則第n個(gè)麥克風(fēng)接收信號(hào)表示為:

Yn(l，k) = Dn(l，k) + Sn(l，k) + Vn(l，k) （1）其中:l、k、n 分別表示幀索引、域帶索引、麥克風(fēng)索引，n ∈{1，2，…，N}。當(dāng)房間混響較大時(shí)，回聲信號(hào)可以使用卷積傳遞函數(shù)（Convolutive Transfer Function，CTF）［16］近似表示為:

其中:

上腳標(biāo)(·)Τ和(·)Η表示轉(zhuǎn)置和共軛轉(zhuǎn)置；hn(l，k)是揚(yáng)聲器和麥克風(fēng)之間的第n 個(gè)AETF 向量；B 為hn(l，k)的長(zhǎng)度；X(l，k)是揚(yáng)聲器播放的信號(hào)，鑒于AEC的特殊應(yīng)用，X(l，k)是可以采集到的，通常在AEC中當(dāng)作參考信號(hào)。

根據(jù)麥克風(fēng)陣列的空間結(jié)構(gòu)，類比相對(duì)傳遞函數(shù)（Relative Transfer Function，RTF）［17］，第一通道與其他通道間的聲學(xué)回聲傳遞函數(shù)比或RETF表示為:

這里僅使用一個(gè)CTF［16］長(zhǎng)度來(lái)近似表示RTF、RETF。則第n個(gè)麥克風(fēng)接收信號(hào)可以改寫為:

Yn(l，k) = Rn(l，k)D1(l，k) + Vn(l，k) + Cn(l，k)S1(l，k) （4）其中:Cn(l，k)為每通道目標(biāo)語(yǔ)音信號(hào)的RTF。

2 ERETF-GSAEC回聲消除算法

本文的ERETF-GSAEC 麥克風(fēng)陣列快速回聲消除算法框圖如圖2 所示，主要包括三部分:固定波束形成、噪聲參考信號(hào)估計(jì)和自適應(yīng)波束形成。

圖2 ERETF-GSAEC回聲消除算法框圖Fig. 2 Block diagram of ERETF-GSAEC echo cancellation algorithm

2.1 固定波束形成

固定波束形成器是利用聲源信號(hào)空間方位信息，最大限度輸出期望方向內(nèi)信號(hào)。本文算法采用文獻(xiàn)［18］中的固定波束形成器，使得波束指向目標(biāo)語(yǔ)音信號(hào)方向。

其中:

c(l，k)表示目標(biāo)語(yǔ)音信號(hào)RTF向量；w(l，k)表示固定波束形成器權(quán)系數(shù)。則固定波束形成的輸出為:

其中:y(l，k) =[Y1(l，k)，Y2(l，k)，…，YN(l，k)]Τ是麥克風(fēng)陣列接收信號(hào)。YFBF(l，k)作為上支路語(yǔ)音參考信號(hào)。

2.2 噪聲參考信號(hào)估計(jì)

如圖3 所示，利用回聲估計(jì)算法替代傳統(tǒng)GSC 算法的阻塞矩陣模塊，能有效地避免阻塞矩陣構(gòu)造不合適而造成的阻塞剩余和目標(biāo)語(yǔ)音信號(hào)抵消等缺點(diǎn)。

圖3 ERETF-AEC回聲估計(jì)算法框圖Fig. 3 Block diagram of ERETF-AEC echo estimation algorithm

2.2.1 AETF-AEC算法

AETF-AEC 算法在STFT 域中采用自適應(yīng)濾波技術(shù)，在沒有語(yǔ)音信號(hào)存在時(shí)（即回聲幀），不斷更新?lián)P聲器和麥克風(fēng)之間的AETF，利用估計(jì)的AETF 對(duì)揚(yáng)聲器播放信號(hào)進(jìn)行濾波得到回聲信號(hào):

其中:“^”表示估計(jì)。當(dāng)有語(yǔ)音信號(hào)存在時(shí)，停止更新，計(jì)算出回聲，隨后從麥克風(fēng)信號(hào)中減去，從而使回聲減少。則第一通道誤差信號(hào)表示為:

該算法利用最小均方誤差作為代價(jià)函數(shù)，使用梯度下降自適應(yīng)算法進(jìn)行更新，則更新等式表示為:

M1(l，k)是一個(gè)B × B的自適應(yīng)步長(zhǎng)矩陣，表達(dá)式為:

φx(l，k)表示相關(guān)矩陣，采用平滑方式得到，表達(dá)式為:

其中:μ 為固定步長(zhǎng)；β 為遺忘因子。所以AETF-AEC 算法的復(fù)雜度與CTF長(zhǎng)度即濾波器長(zhǎng)度B成正比。

2.2.2 RETF估計(jì)

RETF-AEC 算法［9］利用自適應(yīng)濾波算法來(lái)不斷更新RETF。更新等式表示為:

其中:

n ∈{2，3，…，N}，P ＜B；Qn(l，k)是一個(gè)P × P 的自適應(yīng)步長(zhǎng)矩陣，與M1(l，k)計(jì)算相同。所以RETF-AEC 算法［9］計(jì)算量與濾波器長(zhǎng)度P 成正比。由于自適應(yīng)濾波算法較為復(fù)雜，并沒有大幅度提高計(jì)算量。

RETF 由陣列的空間結(jié)構(gòu)決定，當(dāng)回聲路徑為線性系統(tǒng)時(shí)，RETF不隨時(shí)間的變化而變化，并不需要時(shí)時(shí)更新，所以可以取出前1 s的語(yǔ)音，只需估計(jì)一次陣列間的RETF，之后便不再更新，作為定值，當(dāng)作整段信號(hào)的RETF。本文RETF 估計(jì)算法在回聲幀先估計(jì)出噪聲信號(hào)，從麥克風(fēng)信號(hào)中減去，再以第一通道為基準(zhǔn)，得到估計(jì)的Rn(l，k)，表達(dá)式為:

所以，當(dāng)n ∈{2，3，…，N}時(shí)，回聲估計(jì)可以表示為:

2.3 自適應(yīng)波束形成

采用文獻(xiàn)［18］中的自適應(yīng)波束形成器，根據(jù)由固定波束形成得到的語(yǔ)音參考信號(hào)YFBF(l，k)和自適應(yīng)波束形成噪聲參YANC(l，k)之間的最小均方誤差值來(lái)構(gòu)建代價(jià)函數(shù):

使用NLMS算法對(duì)波束形成器系數(shù)進(jìn)行更新迭代:

其中:

是噪聲參考信號(hào)，由估計(jì)回聲和估計(jì)噪聲向量串聯(lián)組成。

與RETF-AEC 算法［9］相比，本文ERETF-AEC 算法由于不需要自適應(yīng)一直更新每通道的RETF 來(lái)估計(jì)回聲，只需要利用每通道前1 s 的語(yǔ)音估計(jì)出RETF 作為定值，所以使估計(jì)回聲的計(jì)算量降低。與MCWF-AEC 算法［9］相比，本文ERETFGSAEC 算法選擇GSC 波束形成技術(shù)，將估計(jì)的每通道回聲信號(hào)不直接從麥克風(fēng)信號(hào)中減去，而是通過(guò)GSC 中自適應(yīng)波束形成器去除回聲和噪聲。所以該算法不需要自適應(yīng)估計(jì)每通道的殘留回聲，從而使波束形成計(jì)算量減少，同時(shí)避免了由于殘留回聲估計(jì)過(guò)高，而使目標(biāo)語(yǔ)音失真的現(xiàn)象。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)定

按照實(shí)際設(shè)備的運(yùn)行環(huán)境，設(shè)置本次實(shí)驗(yàn)仿真，模擬一個(gè)智能音箱設(shè)備，它由一個(gè)揚(yáng)聲器和一個(gè)麥克風(fēng)陣列組成。麥克風(fēng)陣列是由四個(gè)麥克風(fēng)組成的均勻線性陣列，麥克風(fēng)的間距是1.5 cm；揚(yáng)聲器與陣列中心之間的距離為10 cm；揚(yáng)聲器播放信號(hào)的到達(dá)方向設(shè)定為12°；此外，將所需的遠(yuǎn)場(chǎng)目標(biāo)信號(hào)用另一個(gè)揚(yáng)聲器模擬，放置在距離陣列中心2.5 m，71°處；選擇與揚(yáng)聲器最接近的麥克風(fēng)作為主麥克風(fēng)，即n=1。

實(shí)驗(yàn)使用文獻(xiàn)［19］中的房間脈沖發(fā)生器，用鏡像法對(duì)一個(gè)尺寸為（3× 5× 2.5）m3的房間產(chǎn)生兩組AIR，每一組為有4個(gè)AIR。房間的混響時(shí)間設(shè)定為0.35 s。采樣率為fs=16 kHz，避免由于AETF的模型不足造成的殘留回聲，截?cái)郃IR的長(zhǎng)度L=1 536 個(gè)樣本，選定的長(zhǎng)度可確保截?cái)嗟腁IR 覆蓋早期反射。

圖4 為各語(yǔ)音時(shí)域信號(hào)波形。從酷狗音樂中下載音樂“最美的太陽(yáng)”，截選12.5 s當(dāng)作智能音箱揚(yáng)聲器播放信號(hào)，如圖4（a）所示；通過(guò)將截?cái)嗟牡谝唤MAIR 與揚(yáng)聲器播放信號(hào)進(jìn)行卷積生成回聲信號(hào)，第一通道回聲信號(hào)如圖4（b）所示；將互不相關(guān)的白噪聲信號(hào)添加到麥克風(fēng)信號(hào)以模擬不同的ENR；從標(biāo)準(zhǔn)TIMIT 語(yǔ)音庫(kù)選取2.5 s 語(yǔ)音作為目標(biāo)信號(hào)，如圖4（c）所示，通過(guò)將目標(biāo)信號(hào)與第二組AIR 進(jìn)行卷積來(lái)生成語(yǔ)音信號(hào)，以第一通道的語(yǔ)音信號(hào)當(dāng)作目標(biāo)語(yǔ)音信號(hào)，如圖4（d）所示。在第10 s 后，以回信比（Echo Signal Ratio，ESR）的方式將語(yǔ)音信號(hào)加到麥克風(fēng)信號(hào)中。即0～10 s 屬于回聲幀。

圖4 各語(yǔ)音時(shí)域信號(hào)波形Fig. 4 Each speech time-domain signal waveform

STFT 的長(zhǎng)度K = 512，窗選擇漢明窗，幀移R = 128，AETF濾波器長(zhǎng)度B如下:其中:“「·」”表示取整。自適應(yīng)濾波器固定步長(zhǎng)為μ = 0.1，遺忘因子β如下:

3.2 回聲估計(jì)實(shí)驗(yàn)結(jié)果與分析

將本文改進(jìn)的回聲估計(jì)算法ERETF-AEC 與RETF-AEC算法［9］進(jìn)行性能比較。回聲估計(jì)的性能采用回聲返回?fù)p耗增益（Echo Return Loss Enhancement，ERLE）表示回聲信號(hào)與殘留回聲的比值，值越高性能越好。

表1為ENR為-5 dB、0 dB、5 dB與10 dB的回聲估計(jì)情況。表1 中數(shù)值為總時(shí)間段ERLE 的平均值，第一通道均使用AETF 算法來(lái)估計(jì)回聲，總體來(lái)講，在不同ENR 情況下，RETF-AEC 算法比第一通道AETF 算法值都略高，本文算法與第一通道AETF 算法值略低。本文算法和RETF-AEC 算法［9］性能相差不大。因此，本文算法能夠在具有較好性能同時(shí)又能減少算法計(jì)算量，保證算法實(shí)用性。

表1 不同回噪比下各算法平均ERLE比較Tab. 1 Average ERLE comparison of different algorithms under different ENR

如圖5 所示，給出了ENR 為0 dB 時(shí)不同算法在有目標(biāo)語(yǔ)音出現(xiàn)幀的回聲估計(jì)時(shí)域信號(hào)波形。從圖5 可知，三種算法均取得了較好的回聲估計(jì)效果。

圖5 回噪比為0 dB時(shí)不同算法的回聲估計(jì)時(shí)域信號(hào)波形Fig. 5 Echo estimation time-domain signal waveform of different algorithms with ENR=0 dB

3.3 回聲消除實(shí)驗(yàn)結(jié)果與分析

本文采用信源失真率（Signal Distortion Ratio，SDR）、語(yǔ)音短時(shí)客觀可懂度（Short Time Objective Intelligibility，STOI）作為目標(biāo)語(yǔ)音信號(hào)回聲消除算法性能客觀評(píng)估標(biāo)準(zhǔn)，對(duì)MCWFAEC 算法［9］和本文算法的性能在可懂度和失真方面進(jìn)行評(píng)估，評(píng)估值越高算法的性能越好。

由于噪聲估計(jì)算法并不在本文研究之內(nèi)，所以采用真實(shí)噪聲信號(hào)進(jìn)行實(shí)驗(yàn)。目標(biāo)語(yǔ)音信號(hào)的RTF在線下進(jìn)行計(jì)算。

如圖6 所示，給出了在ENR 為0 dB 和ESR 為0 dB 時(shí)兩種算法波束形成后的時(shí)域波形圖。從圖6（c）中可以看出:MCWF-AEC算法［9］在能量較大的語(yǔ)音幀，有明顯的語(yǔ)音失真；本文算法能較好地保證重構(gòu)語(yǔ)音質(zhì)量，實(shí)現(xiàn)回聲消除和去噪。

圖6 回噪比和回信比均為0 dB時(shí)不同算法的目標(biāo)語(yǔ)音時(shí)域信號(hào)波形Fig. 6 Target speech time-domain signal waveform of different algorithms with ENR=0 dB and ESR=0 dB

如表2 所示，給出ESR 分別為-5 dB、0 dB、5 dB，ENR為-5 dB、0 dB、5 dB 與10 dB 時(shí)回聲消除情況。ESR 小于0 dB時(shí)，表示回聲能量比語(yǔ)音信號(hào)能量低，這時(shí)回聲消除性能最高。正常情況下，回聲信號(hào)與語(yǔ)音信號(hào)能量相差不大，即ESR為0 dB 一旦回聲信號(hào)比語(yǔ)音信號(hào)能量大，即ESR 大于0 dB時(shí)，回聲消除性能會(huì)下降?？傮w上看，本文算法SDR 與STOI評(píng)估指標(biāo)存在著明顯優(yōu)勢(shì)。這說(shuō)明對(duì)于噪聲環(huán)境與回信比的變化，ERETF-GSAEC 模型能夠更好地消除回聲和抑制噪聲，能更好地提高目標(biāo)語(yǔ)音可懂度，減少語(yǔ)音失真。

信號(hào)語(yǔ)譜圖顏色的深淺和清晰度能夠反映語(yǔ)音信號(hào)能量的大小和語(yǔ)音的質(zhì)量。如圖7 所示，給出了MCWF-AEC 算法［9］和 本 文 算 法 在ENR 和ESR 均 為0 dB 時(shí) 的 語(yǔ) 譜 圖。從圖7（d）可以發(fā)現(xiàn)，在該條件下回聲和噪聲分布在整個(gè)頻段，語(yǔ)音受到嚴(yán)重干擾，目標(biāo)語(yǔ)音信號(hào)幾乎被淹沒。圖7（e）顯示MCWF-AEC 算法雖然能夠很好地減少回聲和噪聲的影響，但在低回噪比情況下，由于MCWF-AEC 算法殘留回聲估計(jì)過(guò)高，會(huì)過(guò)度地去除回聲和噪聲，使一些頻點(diǎn)丟失，導(dǎo)致語(yǔ)音失真。本文ERETF-GSAEC 算法通過(guò)自適應(yīng)波束形成去除回聲和噪聲，在保證去噪的情況下，頻點(diǎn)不丟失，這是由于采用GSC 波束形成算法在不同信噪比下具有較強(qiáng)的穩(wěn)定性。因此，本文算法能夠有效地減少目標(biāo)語(yǔ)音失真，提高回聲和噪聲抑制的能力。

表2 不同回信比和回噪比下各算法SDR與STOI得分Tab. 2 SDR and STOI scores of different algorithms under different ESR and ENR

圖7 回噪比和回信比均為0 dB時(shí)不同算法的語(yǔ)譜圖Fig. 7 Spectorgrams of different algorithms with ENR=0 dB and ESR=0 dB

4 結(jié)語(yǔ)

考慮到多通道回聲消除的復(fù)雜性，本文提出了相對(duì)回聲傳遞函數(shù)的多通道回聲估計(jì)算法——ERETF-AEC，能使計(jì)算量減少；然后結(jié)合ERETF-AEC算法又提出了一種麥克風(fēng)陣列快速回聲消除算法——ERETF-GSAEC，以有效地避免阻塞矩陣構(gòu)造不合適和殘留回聲估計(jì)過(guò)高而引起目標(biāo)語(yǔ)音信號(hào)失真的現(xiàn)象，獲得更好的目標(biāo)語(yǔ)音信號(hào)。實(shí)驗(yàn)結(jié)果表明，在不同回噪比和回信比下從回聲估計(jì)和目標(biāo)語(yǔ)音信號(hào)信源失真率和可懂度三方面，客觀評(píng)測(cè)參數(shù)顯示本文算法有效地抑制了回聲和噪聲，減小了語(yǔ)音的失真度。未來(lái)可以在立體聲加麥克風(fēng)陣列回聲消除方向進(jìn)行研究。