CN113382119B - 消除回声的方法、装置、可读介质和电子设备 - Google Patents

Abstract

本公开涉及一种消除回声的方法、装置、可读介质和电子设备，该方法包括：对原始音频信号进行播放，并在原始音频信号的播放过程中采集外界声音，得到采集音频信号，对于采集音频信号中的第一音频信号，根据第一音频信号的音频指纹，在原始音频信号中查找第二音频信号，其中，第二音频信号的音频指纹与第一音频信号的音频指纹相匹配，根据第二音频信号，对第一音频信号进行回声消除。本公开在原始音频信号中，以音频指纹是否匹配为判断标准，能够快速、准确地查找与第一音频信号对应的第二音频信号，从而对第一音频信号进行回声消除，减少延时突变阶段出现回声信号的时间，提高回声消除的效率。

Description

消除回声的方法、装置、可读介质和电子设备

技术领域

本公开涉及信号处理技术领域，具体地，涉及一种消除回声的方法、装置、可读介质和电子设备。

背景技术

随着终端技术的不断发展，语音通话已经成为移动终端的基本功能之一。在语音通话的过程中，经常会出现回声现象。具体地，发送端(即远端)发送的A用户的语音(即原始信号)，传输到接收端(即近端)后，由接收端的扬声器进行播放，此时，接收端的麦克风会同时采集扬声器播放的A用户的语音和接收端的B用户的语音，这样，接收端采集的信号(即采集信号)中既包括了B用户的语音，又包括了A用户的语音(即回声信号)。因此，为了保证通话质量，需要对回声信号进行消除。

由于网络传输的延时，接收端接收到的原始信号所包含的时间信息(指示该信号的发送顺序)与当前时刻之间往往存在一定的延时。并且，接收端上通常存在数据缓存机制，不会对接收到的原始信号立刻进行播放，而是先对原始信号进行缓存(例如缓存10帧)，再进行播放。因此，接收端采集到的采集信号中包含的回声信号往往是由几十毫秒甚至几百毫秒之前，发送端发送的原始信号产生的。

通常情况下，要消除回声信号，接收端需要缓存一段时间范围(通常为500ms)内接收到的原始信号，然后根据这段时间范围内的原始信号，估计每一个原始信号在接收端被播放出来的信号，以确定与采集信号中包含的回声信号对应的原始信号，从而达到消除回声的目的。这种处理方式需要对大量的原始信号进行估计，计算量过高，时延大，很难保证消除回声的实时性和准确性。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种消除回声的方法，所述方法包括：

对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；

对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；

根据所述第二音频信号，对所述第一音频信号进行回声消除。

第二方面，本公开提供一种消除回声的装置，所述装置包括：

获取模块，用于对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；

查找模块，用于对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；

消除模块，用于根据所述第二音频信号，对所述第一音频信号进行回声消除。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，本公开首先对原始音频信号进行播放，并在原始音频信号的播放过程的同时，采集外界声音，得到采集音频信号，之后针对采集音频信号中的第一音频信号，在原始音频信号中查找音频指纹与第一音频信号的音频指纹的第二音频信号，最后根据第二音频信号对第一音频信号进行回声消除。本公开在原始音频信号中，以音频指纹是否匹配为判断标准，查找与第一音频信号对应的第二音频信号，避免了对原始音频信号中每个音频信号的估计。由于音频指纹可以基于现有的硬件模块快速获得，并且音频指纹所包含的数据量要远远小于相应的音频信号，因此能够快速、准确地查找到第二音频信号，以对第一音频信号进行回声消除。本公开减少了计算资源的消耗，缩短了延时突变阶段出现回声信号的时间，提高了回声消除的效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

在附图中：

图1是一种发送端与接收端之间信号的传输过程示意图；

图2是根据一示例性实施例示出的一种消除回声的方法的流程图；

图3是根据一示例性实施例示出的另一种消除回声的方法的流程图；

图4是一种幅度谱和音频指纹的示意图；

图5是根据一示例性实施例示出的另一种消除回声的方法的流程图；

图6是根据一示例性实施例示出的另一种消除回声的方法的流程图；

图7是根据一示例性实施例示出的另一种消除回声的方法的流程图；

图8是根据一示例性实施例示出的一种消除回声的装置的框图；

图9是根据一示例性实施例示出的另一种消除回声的装置的框图；

图10是根据一示例性实施例示出的另一种消除回声的装置的框图；

图11是根据一示例性实施例示出的另一种消除回声的装置的框图；

图12是根据一示例性实施例示出的另一种消除回声的装置的框图；

图13是根据一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

在介绍本公开提供的消除回声的方法、装置、可读介质和电子设备之前，首先对本公开各个实施例所涉及的应用场景进行介绍。该应用场景可以包括接收端和发送端，接收端和发送端可以是任一种终端设备，例如包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。

发送端与接收端之间信号的传输过程如图1所示，发送端将采集到原始音频信号x发送至接收端。接收端接收到原始音频信号x之后，经过数模转换(英文：Digital toAnalog)，再通过接收端的扬声器播放回声信号y，即回声信号y是根据原始音频信号x生成的。接收端的麦克风采集到的采集音频信号d包括了接收端一侧的声音信号s(例如接收端的用户发出的声音)与回声信号y。接收端需要将采集音频信号d中的回声信号y进行消除，得到声音信号s，并发出声音信号s(例如可以是将声音信号s发送至发送端)。其中，原始音频信号、回声信号、采集音频信号、声音信号均为音频信号。

图2是根据一示例性实施例示出的一种消除回声的方法的流程图，如图2所示，该方法包括：

步骤101，对原始音频信号进行播放，并在原始音频信号的播放过程中采集外界声音，得到采集音频信号。

举例来说，发送端将原始音频信号发送至接收端，接收端对原始音频信号进行播放，同时，接收端上的声音采集装置(例如麦克风)会采集外界声音，得到采集音频信号。其中，采集音频信号中包括了回声信号和声音信号。由于网络传输的延时以及数据缓存机制的存在，接收端在当前时刻采集到的采集音频信号中的回声信号往往是由几十毫秒甚至几百毫秒之前发送端发送的原始音频信号生成的。

步骤102，对于采集音频信号中的第一音频信号，根据第一音频信号的音频指纹，在原始音频信号中查找第二音频信号。其中，第二音频信号的音频指纹与第一音频信号的音频指纹相匹配。

示例的，要确定采集音频信号中的回声信号，可以预先缓存之前一段时长(例如可以是500ms)内，发送端发送的原始音频信号，并获取原始音频信号中每一帧音频信号对应的音频指纹。针对采集音频信号中的第一音频信号，可以根据第一音频信号的音频指纹，在原始音频信号中查找音频指纹与第一音频信号的音频指纹匹配的第二音频信号。第二音频信号的音频指纹与第一音频信号的音频指纹相匹配，可以理解为第二音频信号的音频指纹与第一音频信号的音频指纹的相似度最高，或者第二音频信号的音频指纹与第一音频信号的音频指纹的相似度大于预设阈值。其中，接收端和发送端之间通常是以一帧一帧的形式进行音频信号的传输，第一音频信号可以是采集音频信号中的任一帧音频信号。

需要说明的是，一个音频信号(包括第一音频信号，或者第二音频信号)的音频指纹可以理解为能够唯一标识该音频信号的标识符，包含了该音频信号中独一无二的数字特征。相应的，第一音频信号的音频指纹能够唯一标识第一音频信号，包含了第一音频信号的数字特征，同样的，第二音频信号的音频指纹能够唯一标识第二音频信号，包含了第二音频信号的数字特征。音频指纹所包含的数据量要远远小于该音频信号所包含的数据量，因此能够快速得到两个音频指纹的相似度，从而在原始音频信号中快速查找到第二音频信号。

步骤103，根据第二音频信号，对第一音频信号进行回声消除。

举例来说，在确定了第二音频信号之后，可以根据第二音频信号生成回声信号，然后用第一音频信号减去生成的回声信号，得到的信号即为第一音频信号中包含的声音信号，以达到消除第一音频信号中回声信号的目的。具体的，根据第二音频信号生成回声信号，可以理解为模仿第二音频信号在接收端与发送端之间的信道中传输，并模仿接收端的数模转换和扬声器的处理，得到回声信号。例如，可以根据接收端与发送端的参数，预先设置一个能够模仿接收端与发送端之间信号的传输、播放过程的自适应滤波器，然后将第二音频信号输入自适应滤波器，自适应滤波器输出的即为回声信号。还可以预先训练一个回声信号生成模型，利用之前传输的原始音频信号和相应的回声信号进行训练，使得该回声信号生成模型能够模仿接收端与发送端之间信号的传输、播放过程。然后将第二音频信号输入该回声信号生成模型，该回声信号生成模型输出的即为回声信号。最后，从第一音频信号中去除回声信号，以消除第一音频信号中的回声信号。

本公开在原始音频信号中，以音频指纹是否匹配为判断标准，查找与第一音频信号对应的第二音频信号，不需要对原始音频信号中的每个音频信号进行估计，大大降低了计算量和对硬件计算能力的要求。并且，音频指纹提取技术成熟，可以基于现有的硬件模块(例如快速傅里叶变换模块)快速获得音频指纹，并且音频指纹所包含的数据量要远远小于相应的音频信号，因此能够快速、准确地查找到第二音频信号，从而对第一音频信号进行回声消除，减少延时突变阶段出现回声信号的时间，提高回声消除的效率。相比于传统的AEC(英文：Acoustics Echo Cancellation，中文：声学回音消除)算法，能够提前约1000帧(约4s)确定第一音频信号对应的第二音频信号，从而快速消除回声信号。

图3是根据一示例性实施例示出的另一种消除回声的方法的流程图，如图3所示，该方法还可以包括以下步骤：

步骤104，获取音频信号对应的频谱，音频信号为第一音频信号或第二音频信号。

步骤105，获取频谱对应的幅度谱。

步骤106，提取幅度谱的特征值，并将幅度谱的特征值作为音频信号的音频指纹。

在具体的实现场景中，提取音频指纹的方式，可以是：首先对每帧音频信号(包括第一音频信号或第二音频信号)进行FFT(英文：Fast Fourier Transform，中文：快速傅里叶变换)处理，将每帧音频信号从时域转换到频域，以得到每帧音频信号对应的频谱。之后提取出频谱中的幅度，作为幅度谱。最后从幅度谱中提取特征值，作为音频指纹。第二音频信号属于原始音频信号，其中不存在回声信号，其幅度谱例如可以如图4中的(a)所示，第二音频信号的音频指纹可以如图4中的(b)所示。第一音频信号中存在回声信号，其幅度谱例如可以如图4中的(c)所示，第一音频信号的音频指纹可以如图4中的(d)所示。

图5是根据一示例性实施例示出的另一种消除回声的方法的流程图，如图5所示，步骤106的实现方式可以包括：

步骤1061，将幅度谱划分为多个检测区域。

举例来说，提取幅度谱的特征值的过程，可以先将幅度谱划分为多个原始检测区域。为了增加音频指纹中包含的信息量，以使音频指纹能够更细粒度、更准确地反映对应的音频信号中的数字特征，可以将幅度谱划分为多个检测区域。例如，可以将幅度谱按照指定大小的矩阵进行划分，得到多个检测区域。例如：幅度谱的横坐标(频率)范围为0-8000Hz，纵坐标(幅度)范围为0-100，那么可以将幅度谱按照5*5的大小进行划分，每个检测区域内的幅度跨度为5，频率跨度为5Hz。

步骤1062，对于多个检测区域中的每个检测区域，将该检测区域中的最大幅度值作为该检测区域的特征值。

步骤1063，从多个检测区域的特征值中确定幅度谱的特征值。

具体的，步骤1063的实现方式可以包括：

在多个检测区域的特征值中查找目标特征值，其中，目标特征值大于或等于预设的幅度阈值，且目标特征值在频谱中对应的频率大于或等于预设的频率阈值。然后将目标特征值确定为幅度谱的特征值。

示例的，由于终端设备(即上述实施例中的接收端和发送端)的扬声器通常存在低频段响应不佳的问题，导致接收端采集的采集音频信号的低频段信号受到了很强的抑制，低频段的幅度与发送端发送的原始音频信号的对应关系已经被破坏。因此，幅度谱中的低频段不具有参考价值，可以预先设置一个频率阈值(例如可以是300Hz)，将多个检测区域中，在频谱中对应的频率大于或等于频率阈值的特征值，作为幅度谱的特征值(即目标特征值)，以滤除低频段的特征值。

并且由于将幅度谱划分为了多个检测区域，相比于整个幅度谱，提取特征值的范围减小了，可能存在某个检测区域内都是噪声信号对应的特征值，导致特征值杂乱无章，也不具有参考价值。而噪声信号对应的幅度通常较低，因此可以预先设置一个幅度阈值(例如可以是5)，将多个检测区域的特征值中幅度大于或等于幅度阈值的特征值，作为幅度谱的特征值(即目标特征值)，以滤除噪声信号对应的特征值。

还可以结合频率阈值和幅度阈值，将多个检测区域的特征值中幅度大于或等于幅度阈值，且频率大于或等于频率阈值的特征值，作为幅度谱的特征值。

图6是根据一示例性实施例示出的另一种消除回声的方法的流程图，如图6所示，步骤102包括：

步骤1021，在采集音频信号中获取包括第一音频信号在内的多个第三音频信号。

在具体的应用场景中，由于接收端和发送端之间进行信号传输时，受到外界干扰等因素的影响，可能出现突变。为了进一步提高回音消除的准确度，可以在采集音频信号中获取包括第一音频信号在内的多个第三音频信号，可以理解为接收端预先缓存多个第三音频信号。需要说明的是，第三音频信号的数量小于原始音频信号中包含的音频信号的数量。

步骤1022，在原始音频信号中，查找分别与多个第三音频信号中每个第三音频信号相匹配的第四音频信号。其中，相匹配的第三音频信号与第四音频信号具有相匹配的音频指纹。

步骤1023，根据多个第三音频信号中每个第三音频信号与该第三音频信号相匹配的第四音频信号之间的延时时长，确定目标延时时长。

步骤1024，在原始音频信号中查找与第一音频信号之间具有目标延时时长的音频信号，作为第二音频信号。

示例的，根据每个第三音频信号的音频指纹，在原始音频信号中，查找音频指纹与该第三音频信号的音频指纹的第四音频信号。可以理解为，在原始音频信号中，包括了与每个第三音频信号相匹配的第四音频信号。一个第三音频信号和与之相匹配的第四音频信号可以组成一个信号对，那么经过步骤1022，可以得到多个信号对，信号对的数量与第三音频信号的数量相同。

之后，根据一个信号对中的第三音频信号与之相匹配的第四音频信号之间的延时时长，确定目标延时时长。其中，延时时长可以理解为第三音频信号的采集时刻t1，和与之相匹配的第四音频信号的发送时刻t0之间的时间差，即t1-t0。每个第三音频信号对都对应一个延时时长，然后从全部的第三音频信号所对应的多个延时时长中，确定适用于第一音频信号的目标延时长。最后在原始音频信号中查找与第一音频信号之间具有目标延时时长的音频信号，作为第二音频信号。即第一音频信号的采集时刻与第二音频信号的发送时刻之间的时间差为目标延时时长。

具体的，步骤1023的实现方式可以包括：

步骤A)对于多个第三音频信号中的每个第三音频信号，根据该第三音频信号的采集时刻和与该第三音频信号相匹配的第四音频信号的发送时刻，确定该第三音频信号对应的延时时长。

步骤B)对多个第三音频信号对应的延时时长进行统计，确定对应于相同延时时长的第三音频信号的数量，以得到每种延时时长对应的音频信号数量。

步骤C)将对应于音频信号数量最多的延时时长作为目标延时时长。

示例的，将每个第三音频信号的采集时刻和，与该第三音频信号相匹配的第四音频信号发送时刻的时间差作为该第三音频信号对应的延时时长。在全部的第三音频信号所对应的多个延时时长中，可能存在多个延时时长的数值相同。通常情况下，接收端和发送端之间进行信号传输时，回声信号与产生该回声信号的原始音频信号之间的延时时长比较稳定，即一段时间范围内，接收端采集的采集音频信号中包括的回声信号与对应的原始音频信号之间的延时时长是稳定的。但是，由于外界干扰等因素的影响，可能出现突变，导致回声信号与产生该回声信号的原始音频信号之间的延时时长产生突变，即第三音频信号对应的延时时长可能存在波动。因此，可以对多个第三音频信号对应的延时时长进行统计，统计每种延时时长对应的音频信号数量。然后将音频信号数量最多的一种延时时长作为目标延时时长，从而根据目标延时时长确定第一音频信号对应的第二音频信号。一种实现方式可以为：将每一个第三音频信号对应的延时时长，放入一个固定长度N的柱状图中，柱状图种每一个图形柱对应一种延时时长，然后将出现次数最多的一种延时时长作为目标延时时长。确定目标延时时长之后，清空柱状图中记录的延时时长，以保证柱状图的实时性。

例如，步骤1021中获取了10个第三音频信号，每个第三音频信号对应的延时时长为：128ms、128ms、150ms、128ms、128ms、107ms、128ms、128ms、128ms、128ms，统计得到128ms的音频信号数量为8个，150ms的音频信号数量为1个，107ms的音频信号数量为1个，那么确定目标延时时长为128ms。相应的，在原始音频信号中查找，发送时刻与第一音频信号的采集时刻之间具有128ms时间差的音频信号，作为第二音频信号。

图7是根据一示例性实施例示出的另一种消除回声的方法的流程图，如图7所示，步骤103包括：

步骤1031，将第二音频信号输入预设的自适应滤波器，以得到自适应滤波器输出的回声信号。

步骤1032，将第一音频信号与回声信号的差值作为目标信号，并输出目标信号。

示例的，可以根据接收端与发送端的参数，预先设置一个能够模仿接收端与发送端之间信号的传输、播放过程的自适应滤波器，然后将第二音频信号输入自适应滤波器，自适应滤波器输出的即为回声信号。相比于现有技术中，为了覆盖足够时长范围内的原始音频信号，输入自适应滤波器的原始音频信号的帧数多，相应需要消耗大量的计算单元和存储单元，计算量高，时延大。而本公开只需要将第二音频信号输入自适应滤波器，就能得到回声信号，有效减小了计算量和延时。最后，由于第一音频信号包括回声信号与声音信号的线性叠加，因此，从第一音频信号中去除回声信号，就可以得到第一音频信号中包括的声音信号，即目标信号，以达到消除待第一音频信号中的回声信号的目的。接收端输出目标信号，例如可以是将目标信号发送至发送端。同样的，发送端在对目标信号进行处理时，也可以按照上述实施例中示出的消除回声的方法来消除回声。

综上所述，本公开首先对原始音频信号进行播放，并在原始音频信号的播放过程的同时，采集外界声音，得到采集音频信号，之后针对采集音频信号中的第一音频信号，在原始音频信号中查找音频指纹与第一音频信号的音频指纹的第二音频信号，最后根据第二音频信号对第一音频信号进行回声消除。本公开在原始音频信号中，以音频指纹是否匹配为判断标准，查找与第一音频信号对应的第二音频信号，避免了对原始音频信号中每个音频信号的估计。由于音频指纹可以基于现有的硬件模块快速获得，并且音频指纹所包含的数据量要远远小于相应的音频信号，因此能够快速、准确地查找到第二音频信号，以对第一音频信号进行回声消除。本公开减少了计算资源的消耗，缩短了延时突变阶段出现回声信号的时间，提高了回声消除的效率。

图8是根据一示例性实施例示出的一种消除回声的装置的框图，如图8所示，该装置200包括：

获取模块201，用于对原始音频信号进行播放，并在原始音频信号的播放过程中采集外界声音，得到采集音频信号。

查找模块202，用于对于采集音频信号中的第一音频信号，根据第一音频信号的音频指纹，在原始音频信号中查找第二音频信号。其中，第二音频信号的音频指纹与第一音频信号的音频指纹相匹配。

消除模块203，用于根据第二音频信号，对第一音频信号进行回声消除。

图9是根据一示例性实施例示出的另一种消除回声的装置的框图，如图9所示，该装置200还可以包括：

提取模块204，用于获取音频信号对应的频谱，音频信号为第一音频信号或第二音频信号。

提取模块204，还用于获取频谱对应的幅度谱。

提取模块204，还用于提取幅度谱的特征值，并将幅度谱的特征值作为音频信号的音频指纹。

图10是根据一示例性实施例示出的另一种消除回声的装置的框图，如图10所示，提取模块204可以包括：

划分子模块2041，用于将幅度谱划分为多个检测区域。

第一确定子模块2042，用于对于多个检测区域中的每个检测区域，将该检测区域中的最大幅度值作为该检测区域的特征值。

第一确定子模块2042，还用于从多个检测区域的特征值中确定幅度谱的特征值。

具体的，第一确定子模块2042可以用于执行以下步骤：

步骤1)在多个检测区域的特征值中查找目标特征值，其中，目标特征值大于或等于预设的幅度阈值，且目标特征值在频谱中对应的频率大于或等于预设的频率阈值。

步骤2)将目标特征值确定为幅度谱的特征值。

图11是根据一示例性实施例示出的另一种消除回声的装置的框图，如图11所示，查找模块202包括：

获取子模块2021，用于在采集音频信号中获取包括第一音频信号在内的多个第三音频信号。

查找子模块2022，用于在原始音频信号中，查找分别与多个第三音频信号中每个第三音频信号相匹配的第四音频信号。其中，相匹配的第三音频信号与第四音频信号具有相匹配的音频指纹。

第二确定子模块2023，用于根据多个第三音频信号中每个第三音频信号与该第三音频信号相匹配的第四音频信号之间的延时时长，确定目标延时时长。

查找子模块2022，还用于在原始音频信号中查找与第一音频信号之间具有目标延时时长的音频信号，作为第二音频信号。

进一步的，第二确定子模块2023用于执行以下步骤：

步骤A)对于多个第三音频信号中的每个第三音频信号，根据该第三音频信号的采集时刻和与该第三音频信号相匹配的第四音频信号的发送时刻，确定该第三音频信号对应的延时时长。

步骤B)对多个第三音频信号对应的延时时长进行统计，确定对应于相同延时时长的第三音频信号的数量，以得到每种延时时长对应的音频信号数量。

步骤C)将对应于音频信号数量最多的延时时长作为目标延时时长。

图12是根据一示例性实施例示出的另一种消除回声的装置的框图，如图12所示，消除模块203包括：

滤波子模块2031，用于将第二音频信号输入预设的自适应滤波器，以得到自适应滤波器输出的回声信号。

消除子模块2032，用于将第一音频信号与回声信号的差值作为目标信号，并输出目标信号。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

综上所述，本公开首先对原始音频信号进行播放，并在原始音频信号的播放过程的同时，采集外界声音，得到采集音频信号，之后针对采集音频信号中的第一音频信号，在原始音频信号中查找音频指纹与第一音频信号的音频指纹的第二音频信号，最后根据第二音频信号对第一音频信号进行回声消除。本公开在原始音频信号中，以音频指纹是否匹配为判断标准，查找与第一音频信号对应的第二音频信号，避免了对原始音频信号中每个音频信号的估计。由于音频指纹可以基于现有的硬件模块快速获得，并且音频指纹所包含的数据量要远远小于相应的音频信号，因此能够快速、准确地查找到第二音频信号，以对第一音频信号进行回声消除。本公开减少了计算资源的消耗，缩短了延时突变阶段出现回声信号的时间，提高了回声消除的效率。

下面参考图13，其示出了适于用来实现本公开实施例的电子设备(例如图1中的接收端和发送端)300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图13示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图13所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图13示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，接收端和发送端可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；根据所述第二音频信号，对所述第一音频信号进行回声消除。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取采集音频信号的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种消除回声的方法，包括：对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；根据所述第二音频信号，对所述第一音频信号进行回声消除。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，还包括：获取音频信号对应的频谱，所述音频信号为所述第一音频信号或所述第二音频信号；获取所述频谱对应的幅度谱；提取所述幅度谱的特征值，并将所述幅度谱的特征值作为所述音频信号的音频指纹。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述提取所述幅度谱的特征值，包括：将所述幅度谱划分为多个检测区域；对于所述多个检测区域中的每个检测区域，将该检测区域中的最大幅度值作为该检测区域的特征值；从所述多个检测区域的特征值中确定所述幅度谱的特征值。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述从所述多个检测区域的特征值中确定所述幅度谱的特征值，包括：在多个所述检测区域的特征值中查找目标特征值，其中，所述目标特征值大于或等于预设的幅度阈值，且所述目标特征值在所述频谱中对应的频率大于或等于预设的频率阈值；将所述目标特征值确定为所述幅度谱的特征值。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号，包括：在所述采集音频信号中获取包括所述第一音频信号在内的多个第三音频信号；在所述原始音频信号中，查找分别与所述多个第三音频信号中每个第三音频信号相匹配的第四音频信号；其中，相匹配的所述第三音频信号与所述第四音频信号具有相匹配的音频指纹；根据所述多个第三音频信号中每个第三音频信号与该第三音频信号相匹配的第四音频信号之间的延时时长，确定目标延时时长；在所述原始音频信号中查找与所述第一音频信号之间具有所述目标延时时长的音频信号，作为所述第二音频信号。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据所述多个第三音频信号中每个第三音频信号与相匹配的第四音频信号之间的延时时长，确定目标延时时长，包括：对于所述多个第三音频信号中的每个第三音频信号，根据该第三音频信号的采集时刻和与该第三音频信号相匹配的第四音频信号的发送时刻，确定该第三音频信号对应的延时时长；对所述多个第三音频信号对应的延时时长进行统计，确定对应于相同延时时长的第三音频信号的数量，以得到每种延时时长对应的音频信号数量；将对应于音频信号数量最多的延时时长作为所述目标延时时长。

根据本公开的一个或多个实施例，示例7提供了示例1至6中的任一种方法，所述根据所述第二音频信号，对所述第一音频信号进行回声消除，包括：将所述第二音频信号输入预设的自适应滤波器，以得到所述自适应滤波器输出的回声信号；将所述第一音频信号与所述回声信号的差值作为目标信号，并输出所述目标信号。

根据本公开的一个或多个实施例，示例8提供了一种消除回声的装置，包括：获取模块，用于对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；查找模块，用于对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；消除模块，用于根据所述第二音频信号，对所述第一音频信号进行回声消除。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例7中所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例7中所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (9)

1.一种消除回声的方法，其特征在于，所述方法包括：

对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；

对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；所述音频指纹是唯一标识音频信号的标识符；

根据所述第二音频信号，对所述第一音频信号进行回声消除；

所述根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号，包括：

在所述采集音频信号中获取包括所述第一音频信号在内的多个第三音频信号；

在所述原始音频信号中，查找分别与所述多个第三音频信号中每个第三音频信号相匹配的第四音频信号；其中，相匹配的所述第三音频信号与所述第四音频信号具有相匹配的音频指纹；

根据所述多个第三音频信号中每个第三音频信号与该第三音频信号相匹配的第四音频信号之间的延时时长，确定目标延时时长；所述目标延长时长为对应音频信号数量最多的延时时长；

在所述原始音频信号中查找与所述第一音频信号之间具有所述目标延时时长的音频信号，作为所述第二音频信号。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取音频信号对应的频谱，所述音频信号为所述第一音频信号或所述第二音频信号；

获取所述频谱对应的幅度谱；

提取所述幅度谱的特征值，并将所述幅度谱的特征值作为所述音频信号的音频指纹。

3.根据权利要求2所述的方法，其特征在于，所述提取所述幅度谱的特征值，包括：

将所述幅度谱划分为多个检测区域；

对于所述多个检测区域中的每个检测区域，将该检测区域中的最大幅度值作为该检测区域的特征值；

从所述多个检测区域的特征值中确定所述幅度谱的特征值。

4.根据权利要求3所述的方法，其特征在于，所述从所述多个检测区域的特征值中确定所述幅度谱的特征值，包括：

在多个所述检测区域的特征值中查找目标特征值，其中，所述目标特征值大于或等于预设的幅度阈值，且所述目标特征值在所述频谱中对应的频率大于或等于预设的频率阈值；

将所述目标特征值确定为所述幅度谱的特征值。

5.根据权利要求1所述的方法，其特征在于，所述根据所述多个第三音频信号中每个第三音频信号与相匹配的第四音频信号之间的延时时长，确定目标延时时长，包括：

对于所述多个第三音频信号中的每个第三音频信号，根据该第三音频信号的采集时刻和与该第三音频信号相匹配的第四音频信号的发送时刻，确定该第三音频信号对应的延时时长；

对所述多个第三音频信号对应的延时时长进行统计，确定对应于相同延时时长的第三音频信号的数量，以得到每种延时时长对应的音频信号数量；

将对应于音频信号数量最多的延时时长作为所述目标延时时长。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述根据所述第二音频信号，对所述第一音频信号进行回声消除，包括：

将所述第二音频信号输入预设的自适应滤波器，以得到所述自适应滤波器输出的回声信号；

将所述第一音频信号与所述回声信号的差值作为目标信号，并输出所述目标信号。

7.一种消除回声的装置，其特征在于，所述装置包括：

获取模块，用于对原始音频信号进行播放，并在所述原始音频信号的播放过程中采集外界声音，得到采集音频信号；

查找模块，用于对于所述采集音频信号中的第一音频信号，根据所述第一音频信号的音频指纹，在所述原始音频信号中查找第二音频信号；其中，所述第二音频信号的音频指纹与所述第一音频信号的音频指纹相匹配；

消除模块，用于根据所述第二音频信号，对所述第一音频信号进行回声消除；

其中，查找模块包括：

获取子模块，用于在采集音频信号中获取包括第一音频信号在内的多个第三音频信号；

查找子模块，用于在原始音频信号中，查找分别与多个第三音频信号中每个第三音频信号相匹配的第四音频信号, 其中，相匹配的第三音频信号与第四音频信号具有相匹配的音频指纹；

第二确定子模块，用于根据多个第三音频信号中每个第三音频信号与该第三音频信号相匹配的第四音频信号之间的延时时长，确定目标延时时长；所述目标延长时长为对应音频信号数量最多的延时时长；

查找子模块，还用于在原始音频信号中查找与第一音频信号之间具有目标延时时长的音频信号，作为第二音频信号。

8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。

9.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。

Images