苹果ios啸叫频点测试软件_啸叫抑制之陷波法
1. 啸叫的产生
1.1 啸叫产生的原理
啸叫常见于扩音系统,比如多媒体会议厅、多媒体教室。 当麦克风和扬声器在同一个会场时,声音从扬声器扩音后又从被麦克风拾取,形成了声音反馈回路。当扩音的增益足够大,在某些频率就会产生自激振荡,形成刺耳的啸叫, 那就无法正常讲话了。
在扩音系统中使用硬件或者软件方法去除这种啸叫,就是声反馈控制(Acoustic Feedback Control),或者叫啸叫抑制(Howling Suppression)。
声反馈系统框图
扬声器输出信号与麦克风输入信号之间的频率响应为:
根据奈奎斯特稳定判据,在某些频点,增益和相位满足以下条件,将产生自激振荡:
自激振荡导致了系统的不稳定,信号幅度不断增大,最终形成刺耳的啸叫。在频谱上看到一条连续的谱峰。
除了扩音系统,平常使用手机/电脑进行音视频通话,如果两个终端在同一个房间的话,也是可能产生啸叫的。 一般的商用软件和开源算法认为,通常通话的参与者不在一个房间的,所以很少遇到啸叫的问题,只需要解决噪声抑制和回声消除问题就可以了, 比如SpeexDsp和WebRTC。 但是从我个人经验而言,有两种情况是需要啸叫抑制的:
-在实验室做多终端通话测试
因资源限制,几台终端可能放在一个房间里面测试通话情况,这样一旦有人开始讲话,一台终端拾音后从另外一台终端上外放出来。 这样就形成了反馈回路,常常产生啸叫,测试就无法进行了。
-视频会议时多终端在同一个房间
开视频会议时,有部分参与者是同一个单位的,可能会在一个房间里面参加会议,如果房间里面一个人讲话,从同一个房间里面其他终端外放出来,就会产生啸叫。 这个情况如果让房间里面其他终端静音,是可以解决啸叫问题的。但是根据往常参加视频会议的经验,一般用户并不一定知道怎么操作。
Skype、微信、WebRTC之类应用,应该都没有对上面两种情况作优化。如果可以增加啸叫抑制的算法,语音通话或者视频会议遇到异常的机会就可以减少。
1.2 啸叫仿真
#simulate acoustic feekback, point-by-point
# _______________
# clean speech: x --> mic: x1 --> | Internal Gain | --> x2 -- > speaker : y
# ^ |______G________| |
# | |
# | _______________ |
#
# |____Response___|
#
N = min(2000, len(rir)) #limit room impulse response length
x2 = np.zeros(N) #buffer N samples of speaker output to generate acoustic feedback
y = np.zeros(len(x)) #save speaker output to y
y1 = 0.0 #init as 0
for i in range(len(x)):
x1 = x[i] + y1
y[i] = G*x1
y[i] = min(2, y[i]) #amplitude clipping
y[i] = max(-2, y[i])
x2[1:] = x2[:N-1]
x2[0] = y[i]
y1 = np.dot(x2, rir[:N])
下面将一段干净语音经过反馈路径仿真,产生啸叫。反馈路径RIR直接使用参考资料[2]的path数据。简书非会员无法插入音频,音频可以上GibHub下载。下面分别是干净语音和啸叫语音的语谱图。
干净语音波形图和语谱图
加啸叫后的音频,幅度已饱和,无法分辨原本语音,语谱图可以看见多个啸叫峰值。
啸叫语音波形图和语谱图。
2. 啸叫抑制的方法
啸叫抑制的方法,主要有三种:频移/相移法、陷波法、和自适应方法。本文只实现第二种,陷波滤波器法。
顾名思义,陷波法就是要在声反馈系统的极点频率插入一个陷波滤波器,抑制极点的增益,使之无法达到啸叫的增益条件。因此陷波法需要分成两步:第一步,啸叫检测,将产生啸叫的频率找出来; 第二步,啸叫抑制,在找出来的啸叫频率设计陷波滤波器,并对麦克风信号进行滤波。
陷波法啸叫抑制框图
从前面啸叫语音的语谱图手动选择两个最大峰值,分别是603Hz和1745Hz (大概值,不是特别精确)。并且使用Python生成IIR Notch Filter 的系数b和a。
#notch filter
fs = Srate # Sample frequency (Hz)
f0 = 603 # Frequency to be removed from signal (Hz)
Q = 1 # Quality factor
# Design notch filter
b1, a1 = signal.iirnotch(f0, Q, fs)
sos1 = np.append(b1,a1)
#plot_notch_filter(b1, a1, fs)
f0 = 1745 # Frequency to be removed from signal (Hz)
Q = 5 # Quality factor
# Design notch filter
b2, a2 = signal.iirnotch(f0, Q, fs)
sos2 = np.append(b2,a2)
#plot_notch_filter(b2, a2, fs)
sos = np.vstack((sos1,sos2))
b, a = signal.sos2tf(sos)
plot_notch_filter(b, a, fs)
选两个啸叫频点的陷器频率响应
使用固定系数的陷波滤波器,插入到前面的声反馈系统中进行仿真。
#==============================Notch Filtering ==================================
# _______________ ______________
#clean speech: x --> mic: x1 --> | Internal Gain |-x2--> | Notch Filter |--> speaker: y
# ^ |______G________| |_____IIR______| |
# | |
# | _______________ |
#
# |____Response___|
#
N = min(2000, len(rir)) #limit room impulse response length
x2 = np.zeros(len(b)) #
x3 = np.zeros(N) #buffer N samples of speaker output to generate acoustic feedback
y = np.zeros(len(x)) #save speaker output to y
y1 = 0.0 #init as 0
for i in range(len(x)):
x1 = x[i] + y1
x2[1:] = x2[:len(x2)-1]
x2[0] = G*x1
x2[0] = min(1, x2[0]) #amplitude clipping
x2[0] = max(-1, x2[0])
y[i] = np.dot(x2, b) - np.dot(x3[:len(a)-1], a[1:]) #IIR filter
x3[1:] = x3[:N-1]
x3[0] = y[i]
y1 = np.dot(x3, rir[:N])
插入陷波滤波器后的扬声器输出信号频谱明显看见在603Hz和1745Hz 被抑制了,整体语音的谱图重现,可以听到清楚的语音信号 (除了陷波频率附近频率有损)。
固定系数陷波滤波器进行啸叫抑制
2.1 啸叫检测
实际系统中,无法实现确定啸叫频率,所以需要出入啸叫检测。啸叫频点的检测,必须结合啸叫的时域和频域特征来进行分析。
频域上,啸叫频点功率很高,是一个峰值,远超其他语音或噪声频率的功率。
时域上,啸叫频点的功率有一个迅速增大的过程,达到饱和幅度后一直保持。
根据啸叫的时频特征,参考资料[1]总结了以下检测特征。
2.1.1 峰值阈值功率比(Peak-to-Threshold Power Raio, PTPR)
啸叫的功率远大于正常播放的音频。故设定一个阈值,只有功率超过阈值的频点,才会进行啸叫检测,减少无意义的检测判决。
2.1.2 峰值均值功率比(Peak-to-Average Power Raio, PAPR)
产生啸叫的频点功率远大于其他频点的功率,故可以先计算出整个频谱的平均功率,然后计算每个频点功率与平均功率之比。比值大于预设阈值的频点,记为候选啸叫频率。
2.1.3 峰值邻近功率比(Peak-to-Neighboring Power Raio, PNPR)
PNPR寻找功率谱的峰值点,加入候选啸叫频率。可以选取左右各M个相邻频点进行比较,当前频点功率比邻值都高时,记为候选啸叫频率。M选取5点左右
2.1.4 峰值谐波功率比(Peak-to-Harmonics Power Raio, PHPR)
语音谱有谐波峰,而啸叫频率是不含谐波峰的,故可以根据一个峰值点的谐波频率功率是不是也很大,来判断该峰值是否啸叫点。
2.1.5 帧间峰值保持度(Interframe Peak Magnitude Persistence, IPMP)
IPMP是时域特征,如果一个频点,连续几帧都是检测出来的候选啸叫峰值,那就认为这个点确实发生了啸叫。实现时可以选定5帧,超过3帧是候选啸叫频点的位置,判定为啸叫点。
2.1.6 帧间幅度斜率偏差度(Interframe Magnitude Slope Deviation, IMSD)
IMSD也是时域特征,是从啸叫开始发生时判断,这是啸叫频点幅度线性增长,那么帧间斜率就会保持不变。取
帧进行区间观察,计算
帧平均斜率,与区间内更短区间的斜率之间的差值,如果差值在设定阈值以下,就认为该区间斜率保持不变,可能是发生了啸叫。
image.png
频域特征PTPR PAPR PNPR PHPR都是对一帧内频点进行分析,而时域特征是对多帧间的特征进行分析。所以在进行判决时,一般先对每帧频谱进行频域特征分析,然后对累计的时域特许证进行分析。
为了不影响原音频的频谱、以及限制滤波器计算量考虑,最后还需要限制啸叫频点的数量。一般系统可以选择五六个频点,简单的系统也可以尝试只选择啸叫程度最严重的一个或者两个频点。
参考资料[1]中的啸叫检测流程图
下面进行仿真,暂时只把PTPR, PAPR, PNPR IPMP考虑进去。并且做一个Screening, 把离得太近的候选频点去除。
def howling_detect(frame, win, nFFT, Slen, candidates, frame_id):
insign = win * frame
spec = np.fft.fft(insign, nFFT, axis=0)
#========== Howling Detection Stage =====================#
ptpr_idx = pyHowling.ptpr(spec[:Slen], 10)
papr_idx, papr = pyHowling.papr(spec[:Slen], 10)
pnpr_idx = pyHowling.pnpr(spec[:Slen], 15)
intersec_idx = np.intersect1d(ptpr_idx, np.intersect1d(papr_idx,pnpr_idx))
for idx in intersec_idx:
candidates[idx][frame_id] = 1
ipmp = pyHowling.ipmp(candidates, frame_id)
result = pyHowling.screening(spec, ipmp)
return result
2.2 陷波法抑制啸叫
将啸叫检测和陷波滤波器都插入到声反馈系统中,动态监测啸叫频率,进行仿真。
#=============================Notch Filtering =======================================================
# ___________________
# -------> | Howling Detection | ______
# | |___________________| |
# | |
# | _______________ _______V______
#clean speech: x --> mic: x1 --> | Internal Gain |-x2--> | Notch Filter | -->speaker:y
# ^ |______G________| |_____IIR______| |
# | |
# | _______________ |
#
# |____Response___|
#
b = [1.0, 0 ,0]
a = [0, 0, 0]
N = min(2000, len(rir)) #limit room impulse response length
x2 = np.zeros(100) #
x3 = np.zeros(N) #buffer N samples of speaker output to generate acoustic feedback
y = np.zeros(len(x)) #save speaker output to y
y1 = 0.0 #init as 0
current_frame = np.zeros(Slen)
pos = 0
candidates = np.zeros([Slen, Nframes+1], dtype='int')
frame_id = 0
notch_freqs = []
for i in range(len(x)):
x1 = x[i] + y1
current_frame[pos] = x1
pos = pos + 1
if pos==Slen:
#update notch filter frame by frame
freq_ids = howling_detect(current_frame, win, nFFT, Slen, candidates, frame_id)
#freq_ids = [46]
if(len(freq_ids)>0 and (len(freq_ids)!=len(notch_freqs) or not np.all(np.equal(notch_freqs, freqs[freq_ids])))):
notch_freqs = freqs[freq_ids]
sos = np.zeros([len(notch_freqs), 6])
for i in range(len(notch_freqs)):
b0, a0 = signal.iirnotch(notch_freqs[i], 1, Srate)
sos[i,:] = np.append(b0,a0)
b, a = signal.sos2tf(sos)
print("frame id: ", frame_id, "/", Nframes, "notch freqs:", notch_freqs)
current_frame[:Slen-len2] = current_frame[len2:] #shift by len2
pos = len2
frame_id = frame_id + 1
x2[1:] = x2[:len(x2)-1]
x2[0] = G*x1
x2[0] = min(2, x2[0]) #amplitude clipping
x2[0] = max(-2, x2[0])
y[i] = np.dot(x2[:len(b)], b) - np.dot(x3[:len(a)-1], a[1:]) #IIR filter
y[i] = min(2, y[i]) #amplitude clipping
y[i] = max(-2, y[i])
x3[1:] = x3[:N-1]
x3[0] = y[i]
y1 = np.dot(x3, rir[:N])
从结果上看,除了初始阶段产生了啸叫,后面基本抑制住了,可以听到语音信号。但是有断断续续的低幅度啸叫产生。IPMP等需要啸叫达到一定程度才能检测出来,如果换用IMSD,可能可以更快地动态抑制啸叫。
加入啸叫检测和陷波滤波器的声反馈系统输出
参考资料
[1] T. van Waterschoot and M. Moonen, "Fifty Years of Acoustic Feedback Control: State of the Art and Future Challenges," in Proceedings of the IEEE, vol. 99, no. 2, pp. 288-327, Feb. 2011, doi: 10.1109/JPROC.2010.2090998.
苹果ios啸叫频点测试软件_啸叫抑制之陷波法相关推荐
- 啸叫抑制算法 ------陷波器
非常感谢好友 @Randolph .@泥沙的帮助,本文分享的简介很多都是来自于两位的讨论: 陷波器算法原理: 设计陷波器,降低啸叫频率点处增益,以破坏啸叫产生的增益条件,来达到啸叫抑制的效果. 陷波器 ...
- 显卡超频稳定测试软件,显卡超频稳定性测试终极手段
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 现在都认为,绝地求生,cod大逃杀是测试GPU超频是否稳定的试金石,但是,本帖所列出的测试软件,后面几项才是真正的额神级测试工具,其压力程度比绝地和大逃杀 ...
- 超频稳定测试软件,超频测试:高频稳定
BIOS:还是经典好用的ver.ROG 关于BIOS就不说太多了,也有三年没什么重大更新了... 还是那熟悉的ROG BIOS,已经更新到最新,可以直接在线更新,也可以先上官网找到最新版的BIOS放在 ...
- 苹果开发者账号可以创建多少测试证书_苹果开发者账号相关问题解答—企业开发者账号...
APP上架以及APP的测试都是需要用苹果开发者证书进行签名之后才可以的. 那么关于苹果开发者账号是什么小微就来讲解一下关于苹果开发者账号的原理,苹果开发者账号具体是怎么进行操作的,如何发挥作用.一起来 ...
- 安卓查看内存读写测试软件_装机小贴士:内存双通道重要吗
内存通常和CPU.硬盘被统称为电脑硬件"三大件",其重要性可见一斑. 作为直接和CPU进行沟通的桥梁,内存的性能直接影响了电脑的整体速度.简单来说,电脑的工作逻辑是每次数据处理任务 ...
- 电脑温度测试软件_网购电脑够便宜?坑连着坑真的不好躲
点击上方电脑爱好者关注我们 很多不太了解电脑的小伙伴在购买电脑时会优先考虑整机,而且既然不了解行情,咱就看需求看价格呗.这种心理催生了很多相当不靠谱的网购电脑,i7电脑.大显存显卡.吃鸡电脑--看着很 ...
- 电脑功耗测试软件_聊一款“躺着都中枪”的笔记本电脑
最近的笔记本圈有件很别扭的事情,就是AMD人气很高,但新品很少. 其中可能是产能原因,也可能是政策原因,锐龙4000系处理器已经被包括我在内的所有玩家吹了一遍,但京东自营目前依旧只有两款型号在售--华 ...
- 记录日志的测试软件_教程:测试期间的日志记录
记录日志的测试软件 日志记录是一种流行的解决方案,用于显示软件在运行时的运行状况. 但是,当我们使用jUnit / TestNG对应用程序进行单元测试时,日志记录会怎样? 在自动化测试执行期间,我们通 ...
- 内存压力测试软件_日常游戏,毫无压力,荣耀Magicbook 14锐龙版性能测试
上期蚂蚁给大家带来了荣耀Magicbook 14锐龙版的初见评测,本期将会带来性能的测试,究竟这台高性价比的电脑,能不能应付得了日常的游戏使用呢?蚂蚁这次使用的测试软件分别为:鲁大师.CPU-Z.Ci ...
- 电脑功耗测试软件_电脑“烤机”怎么测?用这几款软件就对了
对很多电脑小白来说,新机入手总想着亲自验证电脑稳定性兼容性.硬件质量体质,也就是我们日常在测评图文.视频里看到的烤机测试,今天小编给大家推几款常用的"烤机"软件. 单烤处理器 AI ...
最新文章
- fragment 调用activity方法,如dispatchKeyEvent,dispatchTouchEvent
- python request timeout_Python - aiohttp请求不断超时(Python - aiohttp requests continuously time out)...
- 2.24 js处理内嵌div滚动条
- 2017.9.14 仪仗队 思考记录
- 国内首个 App SDK 国家标准成功立项;苹果意外泄露iPhone 12发布时间;TypeScript 4.0 发布| 极客头条
- python继承语法_python语法学习面向对象之继承
- bzoj 3262: 陌上花开(cdq分治)
- CCD和CMOS的的相同点和差异
- python setup_简述python setup.py install的过程
- 第三篇:命名空间namespace的用法
- 中国OpenJDK联盟解决问题和BUG的优先级
- 从表征到行动---意向性的自然主义进路(续五)
- WebGL three.js 3D 场景
- AAAI 2021论文推荐丨图神经网络成研究热点
- Apache安装部署
- 计算机械结构变形,机械结构设计-力学原理设计准则
- 针对中学生的python_初高中学生Python考试试卷
- FeedBack使用手册
- 中国农大博士计算机专业考试大纲,中国农业大学考博经验
- 贝叶斯网络--概率推理
热门文章
- mysql sql语法分析验证优化工具
- SQLServer数据通过sql插入GUID
- 根据两点经纬度坐标计算距离
- 联通机顶盒显示网络服务器超时,中国联通机顶盒验证失败一开启就这样该怎么办...
- 软件工程(英文版 第8版)
- C语言题目练习100例——题目+题目分析+源代码(91—100)
- SVNAdmin - 好用的开源SVN管理系统
- php openssl 处理pkcs8,openssl生成RSA格式私钥,转换为通用型PKCS8格式
- ug10.0安装好了怎么找到
- Java毕业设计-企业员工考勤打卡管理系统