视频会议中音频信号处理的复杂性

视频会议是指两个远程参与方使用视频和音频进行通信。影响视频会议质量的主要因素有三个:

1. 媒介传输质量， 比如： 无抖动, 高清画质;
2. 音频质量， 比如： 低噪声，高清晰度， 固定的拾音距离；
3. 视频质量， 比如， 更清晰的画质, 更智能的画面捕捉.

由于新的基于saas的视频会议解决方案，如Zoom，谷歌Meet，微软团队以及在接入点和宽带方面更好的互联网速度，因素一已经被得到了很好的解决。 我们可以在几乎任何时间、任何地点进行非常流畅、无抖动的视频会议。
但是，因素二却是一个非常令人头疼的问题。用一个简单的图来说明视频会议场景。 近端房间用N表示的人需要与远端房间用F表示的人通信。
对于近端房间，有很多可能性:

• N1: 小拥挤的房间只适合不到3人。
• N2: 中等大小的房间，可容纳6-8人。
• N3:可容纳15人左右的大型会议室。
• N4:特别大的房间，如培训室或会议室。

远端则有更多的可能性:

• F1: 人们可以使用专业设备在安静的会议室里拨号
• F2: 人们可以用耳机从办公桌上拨号
• F3: 人们可以在车里打电话，甚至在火车上也可以
• F4: 人们可以从家庭办公室拨号

让我们试着把问题简化一点，假设近端房间布置得很好，很安静，没有回音。让我们分析每种情况的复杂性。

• N1: 这是最简单的例子。在这种情况下，通常这个人坐在离音频捕捉设备很近的地方。只要设备能处理回声消除和有基本的噪声抑制，自动增益控制，这将极大提高我们的语音质量。然而，大多数音频设备甚至不能处理这种情况，因为设备不能很好地处理双讲通话。本案主要涉及一个问题。
• 双讲通话：当远端正在通话或远端有背景声音时，就变成双讲通话场景。为了确保远端能够清楚地听到对话，音频设备应该具有强大的双讲通话功能：全双工。

• N2 & N3:在这种情况下，通常涉及两个问题
• 到音频设备的距离：房间里只有一个设备，可能有人坐得离设备很近，有人坐得离设备很远。这使得被捕捉到的声音颤抖，这意味着对于坐得较近的人来说，被捕捉到的声音是丰富而有力的，而对于坐得较远的人来说，被捕捉到的声音是浅薄而微弱的。在这种情况下，我们建议使用菊花链装置，以确保所有的座位都能平等覆盖。下图显示了我们的设备和Jabra 710设备之间的区别。我们的设备可以在3米远的地方捕捉到强大而丰富的声音。

aligned_jabra_1m

aligned_jabra_3m

aligned_aw_1m

aligned_aw_3m

• 噪声: 会议室里人越多，一个严重的问题就是会产生更多的噪音。有些人可能在敲击键盘，有些人可能在敲桌子，有些人可能在打喷嚏。不幸的是，所有声称的“噪声块”技术都无法处理人们同时说话时产生的噪音。我们正在研究下一代基于深度学习的解决方案来解决这个问题。因此，请继续关注我们未来的产品更新。

在远端，也有很多挑战:

• F1: 当人们在安静的环境中拨号时，会议系统应该能够处理双重通话。如前所述，大多数现有的解决方案都无法处理双重对话，而我们的解决方案可以很好地处理双讲通话。

aligned_aw_dtd

aligned_jabra_dtd

• F2: 当人们从他们的办公桌拨入电话时，他们的麦克风可能会接收到背景声音，比如路过的人发出的声音。这是一个连续双讲的案例。

aligned_jabra_sbg

aligned_aw_sbg

• F3: 人们也可以从他们的车里拨打电话，电话的另一端则是瞬间的噪音。
• F4: 人们可以从家庭办公室拨号

在会议环境中，有带玻璃窗的小办公室和连大理石地板的大办公室。这些不同房间的过渡路径为会议设备带来了更多的挑战。
要处理所有这些情况，需要一个整体的方法，幸运的是，经过两年的努力与30多名工程师和科学家，我们能够交付这样一个设备。