听见自己说话：回声消除原理

你给别人打电话，说了句“喂”，隔了半秒，自己的声音又冒了回来。你第一反应多半是：我手机坏了？方向恰恰相反——你听到的这段回声，是对方那头泄漏出来的你自己的声音，绕了一大圈弹回你耳朵里的。于是通信工程里有条反直觉的铁律：谁听到回声，问题在谁的对端。整部回声消除技术的发展史，就是围绕这条铁律展开的。这篇文章把回声从哪来、为什么人类偏偏在这个距离上听得见它、以及消除器为什么长成今天这副模样，一次讲透。

一、回声环游了一圈：先看清它的路径

在动手消除之前，先得明白回声走的是条什么路。以 B 打给 A 为例，B 的一句话要经历：编码打包 → 核心网传输 → A 的扬声器播放。如果 A 这一侧存在“泄漏路径”——无论是扬声器声音被麦克风重新拾取，还是线路上的电气反射——这句话就会被再次送上行，沿原路返回 B 的耳朵，附赠一次往返时延。

flowchart TD
    B1["B端: 你说一句话"] --> N1["网络: 编码与传输"]
    N1 --> SPK["A端: 扬声器播放"]
    SPK -->|"声泄漏或电反射"| MIC["A端: 回声路径"]
    MIC --> AEC["A端: 回声消除器"]
    AEC -->|"泄漏被扣掉"| N2["网络: 干净语音回传"]
    N2 --> B2["B端: 听不到回声"]
    MIC -.->|"若未消除"| B3["B端: 听到延迟的自己"]

这张图暴露了两个关键事实。第一，回声的出生地在对端，所以拦截动作也必须在对端完成——等回声跑回 B 这边，B 手里只有混成一团的信号，无能为力。第二，消除器必须部署在回声路径的下游、上行发送之前，这是它唯一有效的卡位。

二、回声的出生地：二线与四线的分界线

电话网有个历史遗留的“混流口”。骨干网内部是四线制：发送、接收各走各的线对，方向分明，像高速公路的上下行。但接入用户的那一段，一百多年来为省钱用的是二线制：一对线同时承担说和听。两种制式交界处，需要一个叫混合线圈（hybrid）的部件完成转换——把四线的两个方向“搓”进一对线里，再把回来的信号分回四线。

flowchart TD
    TX["四线: 发送方向"] --> HY["混合线圈"]
    RX["四线: 接收方向"] --> HY
    HY -->|"下行送到用户"| TW["二线用户环路"]
    TW -->|"上行收回网络"| HY
    RX -->|"阻抗失配泄漏"| TX

混合线圈能理想工作的前提，是它对用户线路的阻抗估计足够准。可现实中用户线的长短、线径、有没有并接分机、话机阻抗千差万别，阻抗永远匹配不完美。失配的后果是：从网络下发给用户的声音，有一小部分本该全部灌进二线环路，却“漏”回了四线的发送侧——这就是线路回声（line echo）。可以类比一个单向阀门没关严的水管：正着流水没事，一有背压就往回渗。

另一类回声更直白：声学回声（acoustic echo）。免提模式下扬声器放出的声音，直接被几厘米外的麦克风重新收进去；会议室里天花板音箱对着桌面话筒说话；甚至手持通话时扬声器振动通过外壳传导给麦克风。与线路回声相比，声学回声的路径随环境随时变化——有人走动、话筒挪个位置，回声特性就变了，这也是它更难对付的原因。

三、为什么1970年代之前没人管：时延决定感知

一个自然的问题是：混合线圈的泄漏存在了几十年，为什么早期电话没人抱怨回声？答案不是泄漏不存在，而是人耳听不见它。

拿起老式话机，你能在听筒里听到一点自己说话的声音，这叫侧音（sidetone）。它其实是被有意保留的：一点即时的自听感，让用户确认“线路是通的”，通话更自然。关键在于时延——泄漏回来的声音若在几十毫秒以内回到耳朵，人耳分辨不出“这是回放”，只把它当成侧音的一部分，声音甚至会显得更厚实。根据维基百科相关条目的梳理：时延只有几十毫秒以内时表现为侧音；拖到约50毫秒，人耳听不出独立的回声，而是听到类似“合唱”的拖影；时延到几百毫秒量级，回声就成了明确恼人的存在。而以 VoIP 为代表的分组语音网，单向时延普遍在30–40毫秒以上，回声对听者来说就已经藏不住了。

本地通话里，从你的嘴到你的耳朵，回声路径可能就几公里，传播时延微不足道——回声与侧音混作一体，安然无恙。打破这个平衡的是长途与卫星通信：路径拉长，往返时延从几毫秒涨到几百毫秒，回声从侧音里“剥”了出来，变成一个明确的、延迟的自言自语。拿静止轨道卫星算笔账：地面到卫星约3.6万公里，上下行加起来7万多公里，光速往返一次约240毫秒——这个量级的回声，任何人都能清晰地“听见自己”。

于是1950年代出现了第一代方案：回声抑制器（echo suppressor）。思路粗暴：检测到本端在说话，就把返回方向的线路压下去（衰减甚至断开），反正那方向上跑的多半是回声。它治了回声，却带来三个新毛病——双方同时开口时互相“堵嘴”；抢话的人第一个字被剪掉；对方环境噪声随说话被切换消隐，让人误以为线路死了。这些体验问题催生了贝尔实验室在1960年代初提出的自适应回声消除理论（Sondhi 1967 年在《贝尔系统技术杂志》上的经典论文是公认起点），实验室样机出现在1960年代末，商用产品到1980年代才成熟，1990年代被集成进程控交换机。

四、消除器的三板斧：复制、相减、再擦一遍

维度	回声抑制器	回声消除器
出现年代	1950年代（卫星通信时代）	理论1960年代，商用1980年代
核心动作	检测单方向有话，压制反方向	合成回声副本，从信号中相减
双方同时说话	容易互相堵话、剪字	双讲检测冻结系数，可保双工
副作用	首音丢失、“线路死了”错觉	残余回声需二次处理
命运	已淘汰	当代语音引擎标配

回声消除器的高明之处在于一个朴素的观察：回声的原材料我们手里就有。发往对端的远端参考信号是已知的，回声无非是这个信号经过回声路径（一个滤波器）加工后的产物。那么只要估计出这条路径，就能造出回声的副本，从麦克风信号里减掉它。

用数学描述：麦克风收到的信号是近端语音 $s(n)$ 与回声 $y(n)$ 的混合：

其中 $x(n)$ 是远端参考信号，$h_k$ 是真实的回声路径系数，$L$ 是路径跨度。消除器用一个系数可调的滤波器 $\hat{h}_k(n)$ 造出估计回声，再从 $d(n)$ 中减去，得到残差：

理想情况下 $\hat{h} \approx h$，回声在减法里被抵消，$e(n)$ 只剩干净的近端语音。剩下的问题是：$\hat{h}$ 一开始是瞎猜的，怎么收敛到真值？业界主流做法是归一化最小均方算法（NLMS），每来一帧就朝“残差更小”的方向修一次系数：

$$\hat{\mathbf{h}}(n+1) = \hat{\mathbf{h}}(n) + \frac{\mu \, e(n)\, \mathbf{x}(n)}{\mathbf{x}^T(n)\,\mathbf{x}(n) + \delta}$$

分母是对输入能量的归一化——信号大时自动把步子迈小，避免发散；$\mu$ 是步长因子，决定了收敛速度与稳定性的折中：步子大收敛快但容易晃，步子小稳但跟不上变化的回声路径。这也是为什么自适应滤波器必须存在：用户线路阻抗、房间声学特性事先不可能知道，只能在线学习。

flowchart TD
    R["远端参考信号"] --> AF["自适应滤波器"]
    R --> SUB["减法器"]
    AF -->|"合成回声副本"| SUB
    MIC2["麦克风信号"] --> SUB
    SUB --> ERR["残差信号"]
    ERR --> NLP["非线性处理"]
    NLP --> OUT["发送信号"]
    ERR --> DTD["双讲检测"]
    DTD -->|"冻结系数"| ADP["系数更新"]
    ERR --> ADP
    ADP -->|"调整抽头"| AF

尾长（tail length）。滤波器的抽头数决定了它能覆盖多长的回声时延。覆盖不足，绕远路的回声成分就漏网。工程上的典型配置：线路回声消除器通常覆盖到64毫秒；声学场景因房间混响更长，滤波器长度常做到60–200毫秒。尾长也不是越长越好——抽头翻倍，算力和收敛时间都翻倍，所以高级实现会把长回声路径分段，只给真正有反射的区域分配系数。

双讲检测。双方同时说话是常态。此刻若继续更新系数，滤波器会把近端语音也误当回声学进去，越学越歪（工程上称“滤波器发散”）。所以一旦检测到双讲，系数更新立即冻结，靠已收敛的状态硬扛过去；稳一点的设计干脆用两个同结构滤波器轮换——一个前台消回声，一个后台悄悄学习，学好了再交接。

非线性处理（NLP）与舒适噪声。自适应滤波只能消掉线性相关的部分，总有残差漏出来。NLP 在残差里做二次判决，把疑似回声的成分进一步压低。但纯粹的突然静音会重现抑制器时代“线路死了”的错觉，所以还要用舒适噪声发生器补一点与背景环境匹配的本底噪声，让消音过渡自然。

衡量消除器性能的常用指标：ERL 是回声路径自身的损耗（回声有多强），ERLE 是消除器额外贡献的损耗（消掉多少），两者之和 ACOM 是听者最终感受到的总损耗。ITU-T G.168 框架下，线路回声路径通常按至少6 dB 损耗假设设计；据 EE Times 的工程分析，多数商用消除器可提供 18–35 dB 的 ERLE——意味着残余回声被压到原强度的百分之一以下。

五、VoLTE与VoNR现网：回声在哪里被杀掉

理解了原理，再看现网的部署就一目了然。一通 VoLTE 语音，从嘴到耳的时延账本大致是：

环节	时延量级（典型估算）	与回声的关系
编码打包（20ms一帧）	约20毫秒	叠加进单向总时延
抖动缓冲	常见数十毫秒	为抗抖动而设，占大头之一
空口调度与重传	约十至三十毫秒	重传时显著增大
骨干传输传播	约几毫秒以上，视距离	长距离不可忽略
单向合计	约百毫秒量级	远超30ms感知门限

ITU-T G.114《单向传输时间》给出的经典基准是：单向嘴到耳时延控制在约150毫秒内，多数用户可获良好体验。而只要总时延显著超过30毫秒这条感知线，混合线圈与免提场景的回声就一定会被听见——这不是4G/5G的缺陷，而是任何分组语音的必答题。所以消除器在两个位置值守：

终端侧。手机的语音引擎链路是：麦克风 → 声学回声消除 → 降噪 → 自动增益 → 编码器（AMR/EVS）。声学回声的泄漏发生在麦克风之后、编码之前，只有终端有能力消除——网络根本拿不到“扬声器播出前”的原始参考信号与麦克风信号的对应关系。3GPP 对终端的声学性能（包括回声控制能力）有相应要求，各家实现细节以官方文档为准。

网络侧。当 VoLTE 用户与 PSTN、2G/3G 用户互通时，媒体网关对接的是混合线圈的“老家”，线路回声由此产生，互通点上必须部署线路回声消除器。一个工程细节是：视频通话、传真类业务携带着2100 Hz等应答音时，网关会依据 ITU-T G.164/G.165 约定临时关闭回声消除——因为全双工数据业务不需要它，误消除反而毁数据。这也是排查传真失败时的经典检查项。

至于视频会议为什么回声尤其难治：外放扬声器与麦克风近在咫尺，声耦合极强（回声甚至可能比近端人声还大）；多级缓冲让端到端时延拉到几百毫秒；房间混响把回声路径拖长；与会者走动让路径持续变化。等于把消除器的所有难题一次性拉满，这也是专业会议终端要在结构设计（麦克风/扬声器隔离）上先下功夫的原因——算法救不了糟糕的声学结构。

六、工程师视角：接到“有回声”投诉怎么办

排查回声问题的第一步不是抓包，而是问清楚谁听到了回声。听到方即参考端，其回声内容是对端说过的话，源头在对端的声学环境或对端接入段的线路上。以此展开的排查表：

回声类型	典型场景	听感特征	处理位置
声学回声	免提、外放、会议室	对方声音伴随自身回声，音量越大越明显	对端终端：降音量、用耳机
线路回声	与PSTN/2G/3G互通	呼叫接通后稳定存在，时延固定	互通媒体网关：检查消除器配置
侧音过强	手持通话	即时自听，无明显延迟	本端终端声学设计

三个高频误区值得点名。其一，升级网速消不掉回声——回声是模拟泄漏与声学耦合问题，与带宽无关；恰恰是分组语音时延更大，让原本藏着的回声更容易被听见。其二，把“我听到的回声”归咎于我的手机——多数情况是防抖动更好的耳机、或对端改掉免提，问题即刻消失，因为消除动作发生在声源侧。其三，混淆回声与侧音——无延迟的自听是侧音（正常甚至有意保留），有可感知延迟的自听才是回声，两者的责任位置完全不同。

常见问题

Q: 我打电话听到回声，是我的手机坏了吗？ A: 大概率不是。回声是你自己的声音在对方一侧泄漏后弹回的，责任路径在对方终端（声学泄漏）或对方接入段线路（阻抗失配）。先请对方降低音量或改用耳机；若仅在与固定电话互通时出现，重点查互通网关的回声消除配置。

Q: 回声消除器装在网络里还是手机里？ A: 两处都有，分工明确。声学回声的泄漏发生在麦克风之后，只有终端能在编码前消除；线路回声源自二线/四线转换的失配，由互通网关或交换机侧的线路回声消除器负责。

Q: 为什么5G时代了还会有回声？ A: 回声是模拟与声学现象，与无线制式代际无关。只要还有二线用户环路、还有扬声器对着麦克风，回声就会产生；而 VoNR/VoLTE 的单向时延虽优于老网络，仍远超人耳的30毫秒感知线，消除器依然是刚需。

Q: 双方同时说话时，我的声音偶尔被“咬掉”一个字，是怎么回事？ A: 这是双讲处理的代价。双讲期间系数更新被冻结，非线性处理为防残余回声可能误伤部分近端语音——它是回声抑制器“剪字”毛病的温和版残留，好的算法能把误伤压到听不出来。

Q: 厂商标称的 ERLE 数值越高越好吗？ A: 不必迷信单一数字。ERLE 强依赖测试时的回声路径、信噪比和测试信号类型，同等条件下可以做出很好看的数字；更能反映真实能力的指标是包含回声路径损耗与 NLP 贡献的总损耗 ACOM，以及在双讲、回声路径突变等恶劣场景下的稳定性。