第一章 簡介
1.5 VoIP 中的回音
1.5.2 Proximity Problem 造成的回音
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
1.5.2 Proximity Problem 造成的回音
所謂的Proximity Problem 為電腦之間距離太近時，所發生一種聲音傳遞上造成的干 擾問題[7]。若兩部電腦距離太接近時，則使用者的聲音（假設只有一個人說話）及兩部 電腦的喇叭聲音，同時被兩部電腦的麥克風收回，此狀況發生的狀況如圖9 所示。則此 時兩部電腦的喇叭將會同時放出包含發話者以及不斷重複的回音，且如此混亂的聲音將 再次被雙方的麥克風收音，導致此現象不斷循環。如此一來，將會造成複雜且混亂的回 音加上互相收音所造成的雜音。就如雪崩效應一般，收回的聲音被放大後播出，接著又 立刻被收音且播放，不斷反覆而造成類似震盪的刺耳噪音。
圖9：Proximity Problem 現象 1.6 名詞定義
a. Echo Generator：即回音消除機制產生故障，而使得會談中其他使用者聽到回音產 生的裝置，亦即此裝置為Compromized Node。反之，功能正常者則稱為 Healthy Listener。
b. Direct Echo：由 Echo Generator 所產生，使得 Talker 聽到自己的聲音的回音。
c. Indirect Echo：網路會談中其他 listener 聽到 Talker 聲音的回音。
d. Infected Conference：因為有 Echo Generator 參與，而造成含有 Indirect Echo 亂竄 的網路語音會談。
1.7 研究動機與目的
由於目前各種針對回音消除的方法，大多僅針對一對一的通話所產生的回音進行消 除，且考慮的僅有聽筒到話筒間固定長度且短距離造成的回音，針對距離不固定，甚且
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參與會談人數增加時所造成的回音狀況均沒有加以歸納分析，以至於常常無法正確的消 除回音。雖然現在的電腦音效卡中均有內建回音消除演算機制，VoIP 軟體中也有加入類 似的判斷與修正機制，但卻常常發生失效的狀況，更常見的是部份失效，亦即回音消除 不完全而產生噪音，且當多人進行大型網路語音會談時，經常由於一個使用者的設備出 現問題，而造成整個會談的通話品質受到嚴重干擾，以至於難以溝通。
此外，當與會成員沒有在說話時，傳統的會談程式仍然會持續將空白的語音封包送 至網路上，如此將造成網路資源的浪費。基於以上理由，本研究希望分析在大型網路語 音會談中，回音消除機制失效的成因與語音的特性，以此設計消除回音與Slience Suppression 的方法，抑制會談中不必要的回音與靜音，確保語音會談正常進行的方法，
同時節省網路頻寬。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y 第二章 背景與相關研究
本章針對目前已經存在的回音消除機制相關作法與其歷史進行說明，探討它們的實 作原理與尚須改進的部份。
2.1 回音消除技術演進
在1950 年代以前，電話系統中並沒有回音消除機制存在。當時的通訊系統為了消 除回音對通訊造成的干擾，而採用回音抑制(echo suppression)的方式降低回音。由於 當時的通話系統均為一對一通話，沒有多方通話技術出現，因此人與人的溝通是以半 雙工(half-duplex)方式進行，亦即同一時間僅其中一方在說話，另一方是收聽者[20]。
此回音抑制機制會判定電話的那一方是說話者，則在說話期間就保留正常的語音，將 收聽者回傳的訊號視為回音進行衰減或阻止其傳輸，以達到回音抑制的目的。此方法 雖有效消除半雙工通話中的回音，但回音抑制機制的判定速度往往跟不上發話者切換 的速度，如此可能導致使用者開始講話時的語音遺失，或者雙方同時講話時無法判定 那一方是說話者而造成誤判產生回音[21]。
直到1970 年代，隨著半導體的進步，市場上才逐漸出現回音消除機制的產品。此 時的技術開始採用前述的以訊號暫存與相減的方式消除回音[11]，以此方式取代先前 回音抑制機制的信號開關。直到90 年代，隨著 DSP 數位訊號處器普及，回音消除機 制才逐漸整合於電話交換機內，並且能更精準的消除延遲時間不固定的回音。
2.2 回音消除原理
如同前述，在VoIP 系統中，不像傳統電話，由於沒有標準的聽筒裝置，因此回音 的延遲時間與音量/失真狀況相當難以預估。所以，針對此狀況需要加入更多的判斷機制 來掌握回音的狀況，並即時的進行消除。例如Perry P. He 等人提出的"Network Echo
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
Cancellers: Requirements, Applications and Solutions"[4]一文中所提出的解決方案，此系統 與傳統電話的回音消除機制類似，在受話端加入回音消除裝置，但此裝置包含了訊號即 時比對的裝置：
圖10：VoIP 系統中回音消除機制
圖10 為 VoIP 中所使用的回音消除機制示意，其中包含的主要元件為 Echo Inverter 與Adaptation Filiter，其功能分別為：
a. Echo Inverter：此部份包含了暫存記憶體(buffer)與訊號反向的運算機制。目的為將接 收到的語音訊號暫存，若經由演算判斷回音發生時，則取出暫存器中的訊號做反，
相並與回音訊號相減，以達到抵銷的目的。
b. Adaptation filter：此部份包含預期回音傳回的時間，判斷回音是否發生與決定相減訊 號的衰減程度等等。透過LMS/NLMS 等演算法[9]，將可能有回音的訊號做誤差還 原後，逐一與原始訊號做比較，判斷回音是否發生。若回音發生時，則由此部份決 定回音傳遞時間與衰減幅度等等因素，將前述Echo Inverter 中原始訊號取出，經過 處理後相減以消除回音。
通常，此部份需要不斷進行暫存，濾波器參數運算調整，比對，訊號處理與相減等 等複雜的計算工作，因此在目前絕大多數的系統中，都是由DSP (Digital Signal Processor-數位訊號處理器) 進行運算[8]，以避免如此大量的計算影響 VoIP 等通訊軟體的正常工 作。
2.2.1 回音消除演算法
‧
Algorithm，正規化最小平方誤差演算法) 或LMS (Least Mean Square Algorithm，最小平 方誤差演算法) 。此演算法為1960年由B. Widrow等人所提出[17][18]，最初為用來作為 信號誤差修正用，後來被DSP系統用來實做回音消除裝置。例如U. I. Choudhry等人提出 的”A Highly Adaptive Acoustic Echo CancellationSolution for VoIP Conferencing
Systems”[1]一文中，就採用LMS演算法。由於經過空間傳遞或反射後的回音訊號，無論
‧ 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
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