深度解讀Gating類型自動混音技術(shù)（2）

在上一篇 “Gating自動混音器（一）“，我們已經(jīng)了解了Gating自動混音器是干什么用的，它主要解決的問題是什么。在有多個(gè)麥克風(fēng)的場景下，傳統(tǒng)的做法是將多個(gè)麥克風(fēng)混音輸出到音箱。這樣的做法不可取，它可能導(dǎo)致的問題是，一、及其容易產(chǎn)生嘯叫，因?yàn)?路信號混音，總輸出增加3dB，更何況多支呢。二、即使可以通過增益比例去控制每只麥克風(fēng)在總輸出中占的比例，以達(dá)到總輸出不增加的目的，也非常容易導(dǎo)致說話人說話的聲音太小，聽不清楚?；谝陨显颍艜凶詣踊煲舻某霈F(xiàn)，自動混音徹徹底底地解決了根本問題。自動混音分為Gain-Sharing(增益共享)和Gating（門限）兩種類型，現(xiàn)在所講的是Gating類型自動混音。

上一期已經(jīng)講了Gating自動混音所應(yīng)具備的一些基本參數(shù)及含義，留下了一個(gè)關(guān)鍵點(diǎn)，自適應(yīng)噪聲閾值如何獲取？在開始之前，先來看看為什么門限自動混音可以解決上邊提到的問題。

從圖中可以看出，每只麥克風(fēng)都有個(gè)Gate（門），當(dāng)麥克風(fēng)信號超過這個(gè)門限以后，才會導(dǎo)通信號。通過的信號和普通混音無異，混音之后通過一個(gè)由NOM（打開的麥克風(fēng)數(shù)量）控制的衰減因子，達(dá)到總輸出不變的目的。 在多只麥克風(fēng)的情況下，不會存在每個(gè)人都會在同時(shí)說話，正在同時(shí)說話的麥克風(fēng)只有那么1-3只而已。其他未說話的麥克風(fēng)將被關(guān)閉，不會被導(dǎo)通。這樣既可以保證總輸出不產(chǎn)生反饋，每只麥克風(fēng)說話的聲音又可以聽得清楚。

NOM：Number Of Open Mics. 算法實(shí)時(shí)計(jì)算打開的麥克風(fēng)數(shù)量，如果大于NOM Limits 設(shè)定的數(shù)量，新打開的麥克風(fēng)將從已經(jīng)打開的麥克風(fēng)中搶占優(yōu)先級最低的一個(gè)， 如果沒有找到，該麥克風(fēng)不會被導(dǎo)通， NOM Limits起到一個(gè)限制作用。

在這里面，Gate是關(guān)鍵，如何保證麥克風(fēng)有信號的時(shí)候被打開，沒有人說話就不會被打開。簡單一點(diǎn)，可以采用對每一只麥克風(fēng)設(shè)置一個(gè)開關(guān)閾值，信號超過閾值的時(shí)候就導(dǎo)通，小于閾值就關(guān)閉。 在很久以前，就是這么做的，并且使用了很長的一段時(shí)間。此方法不是特別的方便，環(huán)境噪音提高了，必須得手動去調(diào)整閾值。

在嘗試中，我考慮了2種方法：

1. 人聲檢測 ， 只有說話的時(shí)候才被打開，不說話關(guān)閉 。

2. RMS電平檢測。

在DSP系統(tǒng)中，除了能實(shí)現(xiàn)模塊功能，另一個(gè)最重要的就是資源了。這個(gè)算法占用的CPU資源類不應(yīng)超過5%， 人聲檢測不能采用太過復(fù)雜的基于統(tǒng)計(jì)模型的算法，一個(gè)麥克風(fēng)需要檢測一次，共有32個(gè)麥克風(fēng)，這將勢必不可取。后來嘗試了短時(shí)過零率和短時(shí)能量等方法。結(jié)果不太理想，應(yīng)該來說檢測結(jié)果不太理想，有時(shí)說話了確不出聲，一句話的前面幾個(gè)字像被吃掉了一樣。 總結(jié)來說，短時(shí)過零率等方法并不能準(zhǔn)確判斷語音，第二個(gè)這類檢測方法都需要延時(shí)緩沖，大概10ms檢測數(shù)據(jù)，吃字也是正常的。 被拋棄的想法就不細(xì)說了，有興趣的可以看看相關(guān)資料。

采用RMS檢測方法， RMS我們都知道，就是均方根嘛。相對來說算法簡單易實(shí)現(xiàn)， 根據(jù)過去一段時(shí)間的RMS值作為該麥克風(fēng)的參考噪聲閾值。這里面最重要的就是時(shí)間的選取，要反應(yīng)的是過去的噪聲水平，而不是有信號的狀態(tài)。語音信號屬于非平穩(wěn)信號，利用這一特點(diǎn)應(yīng)取最小值。記為瞬態(tài)RMS, N取值30ms對應(yīng)的采樣值。 T為噪聲閾值，等于過去的K幀RMS最小值， K值根據(jù)實(shí)際情況調(diào)節(jié)。

K 取值依據(jù)，應(yīng)大于說話尾音所能持續(xù)的時(shí)間，正常說話一個(gè)字也就100多ms，字與字之間會出現(xiàn)停頓，噪聲閾值的依據(jù)也就是停頓期間的噪聲水平。說一個(gè)情況，同事在測試期間，一個(gè)字不停的拖尾音，喂……….，持續(xù)10幾秒。這種情況導(dǎo)致算法提高了噪聲閾值，剛開始可以導(dǎo)通，之后的喂出不了聲。 那么這個(gè)K值應(yīng)取得更大，K*30ms 需要大于最大能持續(xù)的時(shí)間才能檢測到空隙。

根據(jù)測試情況，RMS方法可以作為自適應(yīng)噪聲閾值判斷的方法。在測試中，會存在另外一種情況，一只麥克風(fēng)說話時(shí)，另一只麥克風(fēng)采集到了音箱擴(kuò)聲的信號被打開。如果NOM Limit設(shè)置成1，只允許一個(gè)麥克風(fēng)打開。采集信號的麥克風(fēng)就會搶占說話的麥克風(fēng)，引起兩個(gè)麥克風(fēng)互相切換。此時(shí)，應(yīng)調(diào)節(jié)2個(gè)參數(shù)，一是保持時(shí)間，第二個(gè)靈敏度。

保持時(shí)間，停止說話后，該麥克風(fēng)保持多久才關(guān)閉，改時(shí)間要設(shè)置得比混響傳遞時(shí)間大一點(diǎn)。

靈敏度，實(shí)際上信號超過自適應(yīng)噪聲閾值+靈敏度才能判定為可以打開麥克風(fēng)。靈敏度需要設(shè)置高一點(diǎn)，即使有反饋也不會輕易打開話筒。

以上就是Gating自動混音的全部內(nèi)容，代碼就不貼了，也沒什么意義，關(guān)鍵還是思路吧。