Ekkoundertrykkelse (AEC) i lesepenn: Slik fungerer det

Målgruppe: Denne artikkelen retter seg mot lydfirmwareingeniører og innkjøpere som må spesifisere akustisk ekkokansellering på en lesepenn-linje som støtter intercom-modus, talesøk eller toveis uttaleverifisering. Den forutsetter at du allerede vet hva en mikrofon og en høyttaler gjør, og nå trenger et forsvarlig AEC-spesifikasjon.

En lesepenn er en dupleks lydenhet. Høyttaleren spiller av innlesing ved opptil 85 dB SPL ved 10 cm, mens mikrofonen fanger opp barnets stemme ved −20 dBFS. Uten ekkokansellering plukker mikrofonen opp innlesingen som et kraftig ekko 30–50 dB over talesignalet, ASR-motoren hører kun ekkoet, og barnet hører sin egen uttale spilt tilbake som om pennen håner det. Akustisk ekkokansellering (AEC) er algoritmen som trekker det kjente høyttalersignalet fra mikrofonopptaket, slik at mikrofonen kun hører barnets stemme. Denne artikkelen forklarer hvordan AEC er implementert på tvers av de 11 produksjonsmodellene (B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2, Y6), hvordan det måles, og hvordan du spesifiserer det i en innkjøpskontrakt slik at du ikke sender en penn som går i selvsving.

1. Hvorfor AEC er annerledes på en lesepenn enn på et hodesett

En lesepenn er det verste tilfellet for AEC. Høyttaleren og mikrofonen er 25–45 mm fra hverandre i det samme plastkabinettet, uten noen akustisk barriere mellom seg. Høyttaleren spiller ved opptil 85 dB SPL, mikrofonen ligger på −20 dBFS under tale, og ekkobane-forsterkningen er dermed 35–50 dB. I et hodesett er høyttaleren forseglet mot øregangen og mikrofonen sitter ved munnen; i en penn er begge eksponert for den samme luften.

Tre ting gjør AEC-problemet for lesepennen vanskeligere enn lærebokstilfellet med VoIP. For det første endres ekkostien hele tiden etter hvert som barnet flytter pennen rundt i hånden – forsterkningen og frekvensresponsen i høyttaler-til-mikrofon-stien endrer seg hver gang pennen flyttes. For det andre er høyttaleren liten og ulineær, noe som produserer harmonisk forvrengning som AEC-en må lære seg å trekke fra. For det tredje veksler pennen mellom kun-avspilling-modus og full-dupleks-modus på millisekunder når barnet snakker under opplesningen, og AEC-en må konvergere innenfor dette vinduet, ellers går den første stavelsen tapt.

Resultatet er at AEC for en lesepenn må være adaptiv (spore en endrende ekkobane), ulineær (håndtere høyttalerforvrengning), og hurtigkonvergerende (låse seg til ekkobanen på under 200 ms). På tvers av de 11 produksjonsmodellene brukes tre AEC-implementasjoner: WebRTC AEC3 på L5/T2/Y6, Speex AEC på K7/KF1/Q6/Q8, og en forenklet adaptiv LMS på B1/B2/F8/P2.

2. Slik fungerer AEC på blokknivå

AEC fungerer ved å modellere ekkobanen som et FIR-filter (finite impulse response), og deretter trekke filterets utgang fra mikrofonsignalet. Filterkoeffisientene tilpasses med NLMS-algoritmen (normalized least mean squares) eller varianter av den. Referansesignalet er lyden som spilles gjennom høyttaleren — kjent for systemet fordi den ble generert inne i firmwaren.

De tre byggeklossene er: (1) det lineære adaptive filteret som modellerer høyttaler-til-mikrofon-banen; (2) den ulineære prosessoren som håndterer gjenværende ekko etter den lineære subtraksjonen (her ryddes det opp i høyttalerforvrengning og klipping); og (3) doubletalk-detektoren som avgjør om brukeren snakker samtidig som høyttaleren spiller, noe som krever at AEC fryser tilpasningen for å unngå å kansellere brukerens tale.

WebRTC AEC3 som brukes på L5/T2/Y6 implementerer alle tre blokkene med toppmoderne algoritmer: et partisjonert blokkfrekvensdomene-adaptivt filter (PBFDAF), en Wiener-filter ulineær prosessor, og en koherensbasert doubletalk-detektor. Speex AEC på K7/KF1/Q6/Q8 bruker et NLMS-adaptivt filter i tidsdomenet med en enkel ulineær prosessor. Den forenklede LMS-en på B1/B2/F8/P2 bruker et 128-taps NLMS i tidsdomenet med en støygulvs-undertrykker.

3. AEC-baseline per modell

Tabellen nedenfor oppsummerer AEC-implementasjonen på tvers av de 11 produksjonsmodellene. ERLE er Echo Return Loss Enhancement, målt i dB — høyere er bedre. Doubletalk-konvergens er tiden AEC trenger for å låse filteret på nytt etter at brukeren begynner å snakke under høyttaleravspillingen. MIPS-kostnad er målt ved 16 kHz mono.

Tallene forteller innkjøpshistorien tydelig. Plattformene L5, T2, Y6 leverer 34–36 dB ERLE i stabil tilstand og 22–24 dB under dobbelttale – scenarioet som betyr mest ved uttalevurdering, der barnet snakker mens ledeteksten spilles. Plattformene K7, KF1, Q6, Q8 leverer 24–26 dB i stabil tilstand og 14–16 dB i dobbelttale, noe som er akseptabelt, men ikke bra. Plattformene B1, B2, F8, P2 leverer 15–19 dB i stabil tilstand og 7–10 dB i dobbelttale, noe som er så vidt akseptabelt for et spill-og-lytt-produkt, men utilstrekkelig for seriøs uttalevurdering.

4. Dobbeltaleproblemet ved uttalevurdering

Det vanskeligste AEC-scenarioet på en lesepenn er dobbelttale under uttalevurdering. Flyten er: pennen spiller et ledeord, barnet snakker ordet tilbake i samme øyeblikk, pennen vurderer uttalen. Høyttaleren spiller, mikrofonen fanger barnets stemme, og ekkopatningens forsterkning er på sitt verste fordi pennen er nær barnets munn.

En god AEC konvergerer innen de første 100 ms av ledetekstavspillingen, slik at barnets tale, som starter 200–600 ms inn, fanges rent. En dårlig AEC tilpasser seg fortsatt når barnet snakker, og dobbelttaledetektoren låser filteret – noe som gjør at den første stavelsen av barnets uttale er forurenset med restekko. ASR-motoren hører da «ekko + tale» og produserer et lavtillitsresultat, som pennen rapporterer som «prøv igjen».

I hele porteføljen er dobbeltale-ERLE-gapet mellom de LMS-baserte plattformene (7–10 dB) og WebRTC AEC3-plattformene (22–24 dB) den aller største enkeltstående lydkvalitetsforskjellen. En uttalevurderingsarbeidsbelastning på L5 lykkes 86 prosent av gangene i klasseromsstøy; den samme arbeidsbelastningen på B2 lykkes 64 prosent av gangene.

5. AEC vs støydemping: Derfor trenger du begge

En vanlig feil er å anta at støydemping og ekkokansellering er konkurrerende løsninger. Det er de ikke – de er sekvensielle trinn i samme pipeline. Rekkefølgen er fast: AEC først, deretter støydemping. AEC fjerner det kjente høyttalersignalet fra mikrofonopptaket og etterlater en blanding av barnets tale, omgivelsesstøy og eventuelt restekko. Støydempingen fjerner deretter omgivelsesstøyen, slik at hovedsakelig barnets tale gjenstår.

Hvis du snur rekkefølgen, fjerner støydempingen omgivelsesstøyen fra et mikrofonsignal som fortsatt inneholder det kraftige høyttalerekkoet, noe som gjør at støydempingen behandler ekkoet som talesignalet og barnets stemme som støy. ASR-motoren hører da kun ekkoet. Lesepenn-fastvaren på hver plattform håndhever denne rekkefølgen.

På L5, T2, Y6 er hele pipelinen: mikrofonopptak → WebRTC AEC3 → RNNoise → ASR-motor → resultat. På K7, KF1, Q6, Q8 er den: mikrofonopptak → Speex AEC → Wiener MMSE → ASR-motor. På B1, B2, F8, P2 er den: mikrofonopptak → adaptiv LMS → spektral subtraksjon → ASR-motor. Hver plattform implementerer riktig algoritmepar for sitt MIPS-budsjett.

6. Akustisk ekkobane og maskinvareforutsetninger

AEC er delvis et algoritmeproblem og delvis et maskinvareproblem. Algoritmen kan subtrahere opptil rundt 30 dB ekko i beste fall; de resterende 5–15 dB må komme fra fysisk isolasjon mellom høyttaler og mikrofon. Tre maskinvareforutsetninger gjelder.

For det første må høyttaleren og mikrofonen være i motsatte ender av pennen med minst 25 mm plast mellom seg. L5, T2, Y6 plasserer høyttaleren i hodeenden og mikrofonen i spissenden, adskilt av 60 mm plast; B1, B2 plasserer dem i samme ende med en forseglet pakning mellom dem. For det andre må høyttalerporten ha en bakvolum-forsegling som hindrer bakstråling i å lekke inn i mikrofonen. Q6, Q8, T2, Y6 bruker et forseglet bakvolum-design; F8 og P2 bruker et ventilert design som koster omtrent 4 dB ekkostiforsterkning. For det tredje må huset ikke ha noen luftlekkasjeveier mellom høyttaler og mikrofon – en 0,5 mm sprekk kan koste 6 dB ekkostiforsterkning, som ingen AEC-algoritme kan gjenvinne fullstendig.

For en OEM som bygger en ny penn, er disse tre punktene de fysiske designbegrensningene som AEC-algoritmen ikke kan fikse i ettertid. Lesepennporteføljen håndhever alle tre i verktøyet og verifiserer med en ERLE-vs-posisjon-test ved innkommende QA.

7. AEC og intercom-modus

Intercom-modusen på K7, KF1, Q6, Q8, L5, T2 og Y6 er den mest krevende AEC-arbeidsbelastningen. Forelderen snakker gjennom forelderappen, lyden strømmes over BLE til pennen, pennen spiller den gjennom høyttaleren ved 75–80 dB SPL, mikrofonen fanger forelderens stemme pluss høyttalerekkoet, og pennen strømmer den rensede mikrofonlyden tilbake til forelderappen. Tur-retur-latens er 80–200 ms.

WebRTC AEC3 på L5/T2/Y6 ble spesifikt designet for dette scenarioet og leverer 30+ dB ERLE under kontinuerlig toveissamtale. Speex AEC på K7/KF1/Q6/Q8 leverer 22–25 dB i samme scenario, noe som er akseptabelt, men produserer sporadiske hørbare ekko på forelderapp-siden. Den forenklede LMS-en på B1/B2/F8/P2 leverer 14–17 dB, noe som er grunnen til at intercom-modus ikke offisielt støttes på disse plattformene – forelderen ville høre sin egen stemme komme tilbake med 200–400 ms latens.

8. AEC-feilmoder i felten

Tre AEC-feilmoder opptrer i felt-telemetri. For det første, filterdivergens når høyttalersignalet er korrelert med mikrofonsignalet (f.eks. når en TV spiller i nærheten av pennen). Det adaptive filteret låser seg på TV-lyden som om den var høyttaleren og kansellerer feil signal. Dobbeltaledetektoren på L5/T2/Y6 forhindrer dette; på de eldre plattformene kan divergens vedvare i 1–3 sekunder. For det andre, ikke-lineært ekko fra høyttalerklipping ved maksimalt volum. AEC sitt lineære filter kan ikke modellere harmonisk forvrengning, og den ikke-lineære prosessoren må undertrykke restsignalet. På K7/KF1/Q6/Q8 er gjenværende ikke-lineært ekko ved 85 dB rundt 6 dB; på L5/T2/Y6 er det rundt 2 dB. For det tredje, innledende konvergenstid når pennen først begynner å spille lyd etter lang stillhet. De første 200–800 ms av avspillingen inneholder restekko som ennå ikke er kansellert. L5/T2/Y6 starter AEC pre-tilpasning under stillheten før avspilling; de eldre plattformene starter kaldt.

For innkjøpere som skriver en RFQ, oversettes disse feilmodusene til spesifikasjonslinjer. For det første: «AEC skal oppnå ERLE ≥ 30 dB i steady-state single-talk, ≥ 20 dB i kontinuerlig dobbelttale». For det andre: «AEC skal oppnå konvergens på under 100 ms etter oppstart av høyttaleravspilling». For det tredje: «AEC-dobbelttaledetektor skal hindre filterdivergens under krysskorrelasjon opp til 0,7 mellom referanse- og mikrofonsignaler».

9. AEC, AGC og DRC: De tre lydtrinnene

AEC er det første lydtrinnet, men det opererer ikke alene. Den fulle mikrofonsidens lydkjede på en lesepenn er AEC → AGC → DRC → ASR. AGC (Automatic Gain Control) normaliserer talenivået etter at AEC har renset signalet; DRC (Dynamic Range Compression) reduserer dynamikkområdet slik at stille fonemer er hørbare og høye fonemer ikke klipper. Disse tre trinnene samhandler, og rekkefølgen betyr noe.

En vanlig bug i tidlig lesepenn-fastvare var å plassere AGC før AEC, noe som fikk AEC-referansesignalet til å ikke matche det faktiske høyttalersignalet (fordi AGC allerede hadde justert avspillingsnivået). Resultatet var 6–10 dB dårligere ERLE. Nåværende fastvare på alle 11 plattformer setter AEC først, AGC deretter, DRC tredje – og låser denne rekkefølgen i lydpipeline-manifestet.

For en importør som kjøper en tredjeparts ODM-bygging, er lydpipeline-rekkefølgen det første som må verifiseres. Hvis ODM-en ikke kan produsere et tydelig blokkdiagram som viser AEC → AGC → DRC → ASR med tilhørende algoritmenavn, bør byggingen behandles som uverifisert lydfastvare.

10. Hordan spesifisere AEC i en innkjøpskontrakt

RFQ-språket bør nevne algoritmeklassen, ERLE-målet og håndteringen av dobbelttale: «Akustisk ekkokansellering skal oppnå ERLE ≥ 30 dB i stabil enkelttale, ≥ 20 dB i kontinuerlig dobbelttale, med dobbeltalekonvergens under 100 ms. Algoritmeklasse: frekvensdomene-adaptivt filter med ikke-lineær etterprosessor for premium-plattformer, tidsdomenet NLMS for eldre plattformer. AEC dobbeltaledetektor skal forhindre filterdivergens ved kryss-korrelasjon opptil 0,7 mellom referanse- og mikrofonsignaler.»

Tre detaljer betyr noe. For det første, testsignalet må spesifiseres – vi bruker en 30-sekunders fonetisk balansert engelsk talprøve som fjern-endes referanse, spilt av ved 75 dB SPL på 10 cm, mens nær-endes mikrofon fanger barnets tale ved −20 dBFS. For det andre, testmiljøet må spesifiseres – et stille kontor ved 30 dBA omgivelse; et mer støyete miljø blåser opp restekkoet og endrer resultatene. For det tredje, tidsetilobelinjen for dobbelttale må spesifiseres – fjern-enden starter ved t=0, nær-enden starter ved t=500 ms, og AEC bedømmes på sin ERLE fra t=500 ms og fremover.

Innkjøpstips: Be ODM-en om en ERLE-vs-tid-graf fra deres AEC-QA. Grafen bør vise ERLE som stiger fra 0 dB ved t=0 til ≥ 30 dB ved t=300 ms i enkelttale, og stabil ≥ 20 dB fra t=500 ms og fremover i dobbelttale. Hvis grafen mangler dobbelttaleregionen, er AEC ikke testet i modusen som betyr noe.

10b. AEC ERLE under dobbeltalebelastning

Den mest krevende AEC-testen er dobbelttale under uttalevurdering, der høyttaleren spiller ledeteksten og barnet snakker ordet tilbake i samme øyeblikk. Diagrammet nedenfor viser dobbeltale-ERLE for hver modell under vår standardiserte 500 ms-starttest.

11. Beslutningsmatrise og anbefalinger

For et helt nytt lesepennprogram som starter i 2026 er anbefalingen WebRTC AEC3 på L5, T2, Y6 for ethvert program som støtter intercom-modus, talesøk eller toveis uttalevurdering; og Speex AEC på K7, KF1, Q6, Q8for programmer som kun trenger single-talk ekkokansellering for avspilling-og-lytting. Den forenklede LMS-en på B1, B2, F8, P2 er akseptabel kun for avspilling-og-lytting og bør ikke spesifiseres for noe program som krever stemmeopptak under høyttaleravspilling.

For en innkjøpsansvarlig som skriver AEC-spesifikasjonen, er linjen som avslutter kontrakten: «Akustisk ekkokansellering skal oppnå ERLE ≥ 30 dB i stabil tilstand, ≥ 20 dB i dobbelttale, konvergens ≤ 100 ms; dobbeltaledetektor skal forhindre divergens ved kryss-korrelasjon ≤ 0,7; AEC skal komme før AGC og DRC i lydpipelinen; ERLE-vs-tid-graf fra QA skal leveres med første artikkel.»

Relatert lesing

• Lesepenn codec-komprimering MP3 vs AAC vs Opus
• Lesepenn støydemping og RNNoise
• Lesepenn stråleformende mikrofonoppstilling
• Lesepenn AGC og Automatic Gain Control
• Lesepenn DRC og Dynamic Range Compression
• Lesepenn MEMS-mikrofon og støykansellering
• OEM lesepenntjenester
• Be om tilbud på lesepenn