第二章 背景與相關研究
2.3 回音消除方法分類
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
2.3 回音消除方法分類
回音消除機制根據實做的使用者端不同，可分為以下兩種方式：
2.3.1 Listener Echo Cancellation
這是『由回音產生者消除回音』的方法，亦即由麥克風擷取聲音(發話者)一方自己 進行回音消除的動作。若此方法使用在一對一的傳輸狀況下則稱為Near End Echo Cancellation。
圖11：Listener Echo Cancellation 機制
如圖 11，此方法是由產生回音的收聽者 B 負責消除回音。當收聽收到來自發話者 A 的訊號時，會先經過暫存。當麥克風收到回音時，就將此包含回音的訊號與原本暫存反 向後的訊號相減，以去除回音。
2.3.2 Listener Echo Cancellation 失效原因
在VoIP 系統中，雖然每部參與會談的裝置的都有 Listener Echo Cancellection，但卻 常因某些因素造成此機制失效，這些原因包含：
VoIP 沒有標準的話筒與聽筒，延遲時間難以計算，且回音的音量也難以預估，不一定 能正確將回音訊號抵銷。
根據使用者所使用的收/放音設備不同，聲音傳輸距離造成的回音延遲時間差異相當 大。可能的聲音傳輸距離與其所需時間範圍如表3 所列(以音速在空氣中速度為 340.29 m / sec 計算)：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表3：Acoustic 延遲時間
Echo 路徑
距離Delay Time
手機聽筒---話筒 10cm 0.29ms 一般電話聽筒---話筒 15cm 0.44ms 喇叭---麥克風 50cm 1.47ms
喇叭---牆壁反射---麥克風 2~5m 5.88ms~14.69ms
由麥克風擷取的回音可能經過牆壁反射而造成相位相反，此時若再與反向過的訊號相 加，則不但不能減少回音，反而使回音更為嚴重。另外，由於環境(包含空間，材質，
距離等等)因素，由麥克風收到的回音訊號可能會在相位與頻率上產生嚴重失真，而 難以判定回音是否產生。
2.3.3 Talker Echo Cancellation
與前述相反，這是『由回音接收者消除回音』的方法。由聽到回音的收聽端在播 放聲音之前，先將聲音中的回音去除再播放。若此方法使用在一對一的傳輸狀況下則 稱為Far End Echo Cancellation。[5][6]
圖12：Talker Echo Cancellation 機制
如圖 12，此方法是由說話者(A)在送出聲音之前，先將自己的聲音存下，當回音訊 號透過收聽端傳回後，由說話者A 取出先前暫存的訊號，比對回音是否存在，一旦發 現回音存在，就將訊號經過衰減後相減。
2.3.4 Talker Echo Cancellection 的挑戰
如前述，Listener Echo Cancellection 有許多導致失效的因素。但同樣的，若要設計
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
一套由Talkerer 端主動消除回音的機制也會有相當多挑戰存在，尤其在多人網路會談 中，某些問題將變得比一對一時更加複雜，這些問題列舉如下：
1. 回音時間難以預估
在語音會談中，若使用者之間距離相當遙遠(例如跨國 VoIP 會談)，則回音到達的時 間可能難以預估，其傳輸途徑如圖13：
圖13：遠距離 VoIP 會談時的傳輸時間難以預估
如圖13，發話者 A 說出 S(A)聲音後，若在遠方的另一使用者 C 為 Echo Generator，
則A 聽到回音訊號 S’(A)的延遲時間為：
( 2 )
2
e d t p fecho
T T T T T
T
其中：
Techo為說話者聽到回音所需的總延遲時間。
Te為語音訊框編碼(encode)時間。
Td為語音訊框解碼(decode)時間。
Tt為封包傳輸時間(transmition delay)。
Tp為傳輸延遲(propagation delay)。
Tf為聲音在空間中傳遞的時間。
在這些時間中，Tc與Tt為固定值，很容易事先預估。而如同前述，由於VoIP 沒有 固定的聽筒與話筒，故Tf的傳遞時間並不容易預估。另外，說話者與收聽者之間距離越 遠，所需要的網路傳輸時間Tp也隨之增加，若再考慮網路擁塞時封包在router 中排隊
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
遠或經過的網路hop 數量越多，Listener 端的回音就越難以消除。
2. 說話人數與聲音到達順序
在一對一的VoIP 中，通常都可假設絕大部份時間的講話者只有一位，即一方為說 話者，另一方必定為收聽者，即使有兩者同時說話，也只有短暫時間。不過一旦與會人 數很多時，多人同時說話的機率隨之增加。
假設參與會談人數為N 個時，同時說話的組合有 2N個組合：假設每個使用者都可 能有『說話』或『不說話』兩種狀態，則會有非常多組合產生，相對的特徵值就會有非 常多組。在此情形下，多個人聲混合後特徵值不明顯，聲音會彼此調合因而失去自己的 特性，這將使得前述演算法難以進行聲音特徵比對，判斷回音是否存在。
此外，在封包傳輸時，有可能因為網路擁塞或路徑選擇等因素，造成封包不依照順 序到達(即發生 time sequence disorder 的問題)。這將導致回音和正常語音可能會同時出 現，甚至可能先聽到回音，再聽到正常語音。此狀況發生時，也會讓回音判定演算法失 效。
3. 運算時間之限制
對於VoIP 而言，使用者能忍受的 mouth-to-ear delay time(聲音由說話者傳送到收聽 者的總延遲時間)不可超過 300ms，而在 VoIP 系統中，除了傳輸延遲時間外，還多了編 解碼所需時間，使得容許的回音消除運算時間被大幅壓縮。
聲音送出時必須經過類比數位轉換(A/D)，訊框編碼(Encoding)與封包化(Packetize) 的過程(如圖 14)。
圖14：聲音訊號由麥克風傳至網路的必經過程
相反的，在接收端也必須經過解封包，訊框解碼與數位類比轉換(D/A)的過程，圖 15 為由網路收取封包後，還原為聲音的過程。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖15：由封包還原為聲音的過程
在這些必須消耗的時間以外，留給Talker 端執行回音消除運算的時間就極為短暫，
對程式實作的挑戰相當大。
4. Mixer 造成的困擾
在P2P Multicast 的 VoIP 系統中，可能會有某些裝置擔任 mixer 負責將來自數個使 用者發出的聲音先進行混音後再轉送[3]。
圖16：mixer 的混音程序
此時，若使用者收到的是混合後的聲音，則不但回音分析的複雜度大幅提昇，而且 要消除混雜於其他聲音之內的回音亦極為困難。
5. 使用者說話行為造成誤判
在多人會談時，使用者們有些說話行為會造成『很像回音，但卻不是回音』的情況 產生。以下兩個狀況就是經常發生的情形。
例1，在選舉造勢場合中的『一呼百應』：
台上主持人：『大家說對不對？』
台下的眾人：『對！』
例2，軍隊或團體活動時的『呼口號』：
主席：『復興中華文化！』
眾人：『復興中華文化！』
以上這種說話的行為，對於程式而言都與回音的狀況非常類似(具有類似特徵的語 音在短時間內重複出現)，但實際上卻是正常的會談內容，此時就很容易發生誤判。