음향 에코를 제거하기 위한 컴퓨터 구현 프로세스 및 시스템 document_id A220623067350

음향 에코 제거는 사운드가 마이크 근처에 배치된 스피커들을 통해 동시에 재생될 때 마이크에 의해 캡처된 에코를 제거한다. 고잡음 회의실 또는 로비 및 차량 내의 핸즈-프리 전화와 같은 많은 고잡음 환경은 향상된 통신을 위해 효과적인 에코 제거를 필요로 한다. 그러나, 잡음의 존재는 음향 에코 제거 알고리즘들의 수렴을 방해하여, 에코 제거를 불충분하게 한다. 에코 제거에서는, 스피치 에코 모델들을 계산하기 위해 복잡한 알고리즘 프로시저들이 사용된다. 이는 오리지널 스피치의 반사된 에코들로부터 합계를 생성한 후, 마이크가 픽업하는 임의의 신호로부터 이 합계를 감하는 것을 포함한다. 그 결과는 말하는 사람의 순수 스피치이다. 이러한 에코 예측의 포맷은 적응(adaptation)으로 알려진 프로세스에서 에코 제거기에 의해 학습되어야 한다. 적응 프로세스에서 학습된 파라미터들은 에코 신호의 예측을 생성하며, 이어서 이는 마이크가 위치하는 방의 음향 픽처를 형성한다. 적응 필터링 알고리즘의 성능은 그의 수렴성 및 오조정으로 알려진 팩터에 기초하여 평가될 수 있다. 수렴 레이트는 알고리즘이 정지 조건하에서 제곱 평균 면에서 최적 위너(Wiener) 솔루션에 "충분히 가깝게" 수렴하는 데 필요한 반복 횟수로서 정의될 수 있다. 오조정은 알고리즘의 정상 상태 거동을 기술하며, 제곱 평균 에러의 최종 평균 값이 최적 위너 필터에 의해 생성된 최소 제곱 평균 에러를 초과하는 양의 정량적인 계측(measure)이다. 적응 필터링 알고리즘들의 공지된 특성은 적응 시간과 오조정 간의 트레이드오프이다. 효과적인 음향 에코 제거기는 에코 경로가 변할 때는 고속 적응을, 에코 경로가 정적일 때는 유연 적응을 필요로 한다. 많은 음향 에코 제거 알고리즘에서, 적응 필터는 NLMS(Normalized Least Mean Squares) 알고리즘을 이용하여 마이크에 가장 가까운 방의 일부인 근단 방(near-end room)의 전달 함수를 학습한다. NLMS 알고리즘은 음향 에코 제거시에 가장 널리 사용되는 알고리즘이며, 최적 적응 필터 계수들을 결정하는 저비용의 방법을 제공한다. 이 알고리즘은 각각의 적응 단계에서(예를 들어, 각각의 샘플에서) 잔여 에코 에러 신호의 제곱 평균을 최소화하며, 따라서 그러한 알고리즘 명칭이 주어진다. 신호 전력에 의한 정규화가 통상적으로 사용되는데, 이는 스피치가 매우 비정지적인 프로세스이기 때문이다. NLMS는 처리되지 않은 마이크 신호로부터의 에러 신호 및 현재 적응 필터에 의해 예측되는 에코에 따라 적응 필터 계수들을 갱신한다. 고잡음 환경들에서, 이러한 에러는 적응 필터 계수들이 최적 솔루션으로부터 멀어지게 하는 비상관 잡음에 의해 증가된다. 고잡음에서의 이전의 음향 에코 제거 작업들은 결합된 잡음 및 에코 감소에 집중하였다. 접근법들 중 하나는 잡음 억제 알고리즘을 통해 마이크 신호를 사전 처리하고, 마이크 신호와 동일한 잡음 억제 동작들이 행해지는 원단(far-end) 스피커 신호를 이용하여 적응을 수행하는 것이다. 이는 유망해 보이지만, 실험들은 이러한 기술이 종종 에코 신호를 왜곡하여 음향 에코 제거 알고리즘의 수렴성을 방해한다는 것을 보였다. 또한, 이러한 기술은 마이크와 원단 스피커 신호들 간의 완전한 동기화를 필요로 하며, 이는 종종 달성하기 어렵다. 에코들을 제거하는 데 사용되는 다양한 후처리 기술들은 또한 마이크에 의해 캡처된 근단 스피치의 현저한 왜곡을 유발한다. 003c#발명의 요약003e# 본 적응성 음향 에코 제거 기술은 상이한 적응 기술들을 이용하는 복수의 음향 에코 제거 필터를 사용하여, 이전에 공지된 음향 에코 제거 기술들에 비해 수렴 시간 및 오조정 양자를 향상시킴으로써 상이한 잡음 환경들에 적응한다. 이는 특히 고잡음 환경들에 대해 사실이다. 일반적으로, 본 적응성 음향 에코 제거 기술의 일 실시예는 다음과 같이 동작한다. 재생 데이터(스피커 데이터)의 프레임 및 캡처 데이터(마이크에 의해 캡처된 데이터)의 대응 프레임이 수신된다. 재생 데이터 및 대응 캡처 데이터는 예를 들어 통상의 FFT(Fast Fourier Transform) 또는 MCLT(Modulated Complex Lapped Transform)과 같은 임의의 적절한 변환을 이용하여 주파수 도메인으로 변환된다. 이어서, 주파수 도메인 재생 및 캡처 데이터는 주파수 도메인에서 에코를 제거하기 위해 상이한 적응 기술들을 이용하고, 또한 단차 크기와 같은 상이한 파라미터들을 이용할 수 있는 다수의 적응성 음향 에코 제거 필터에 의해 처리된다. 이어서, 음향 에코 제거(AEC) 출력들은 주파수 도메인의 최종 AEC 출력을 형성하도록 결합될 수 있다. 옵션으로, 이 최종 AEC 출력은 주파수 도메인 역변환에 의해 시간 도메인으로 다시 변환될 수 있다. 다른 실시예에서, 라우드스피커 신호(재생 데이터) 및 대응하는 마이크 신호(캡처 데이터)가 수신되고, 음향 에코 제거의 수렴성을 향상시키는 MCLT, FFT, 필터 뱅크, 또는 임의의 다른 변환을 계산함으로써 주파수 도메인 신호로 변환된다. 각각의 주파수에 대해, 다수의 음향 에코 제거 필터, 예를 들어 K개의 필터들이 계산되는데, 이들 각각은 상이한 적응 기술들의 상이한 파라미터들(즉, AEC 1 내지 AEC K)을 이용한다. 각각의 주파수에 대해, K개의 필터의 출력들의 선형 결합이 계산된다. 이어서, 각각의 주파수에 대한 K개의 필터 출력들의 선형 결합이 모든 주파수에 대하여 결합되고, 옵션으로 그 결과가 시간 도메인으로 다시 변환된다. 적응성 음향 에코 제거 기술의 또 다른 실시예에서는, 이중 구조의 음향 에코 제거 아키텍처가 이용되는데, 이 아키텍처의 일부는 고속 적응을 수행하는 반면, 다른 부분은 유연 적응을 수행한다. MNLMS(momentum NLMS) 알고리즘이 유연 적응을 제공하는 데 사용되며, 통상의 NLMS 알고리즘을 이용하여 고속 적응이 바람직하게 수행된다(그러나, 다른 고속 적응 알고리즘들도 사용될 수 있다). 그의 유연한 성질 때문에, MNLMS 음향 에코 제거 알고리즘은 근단 방 내의 어느 것도 그렇게 많이 이동하고 있지 않을 때 양호하게 동작하지만, 동적 환경에서는 NLMS 알고리즘보다 훨씬 느리게 수렴한다. 결과적으로, 이 아키텍처의 하나의 분기에서는, 예를 들어 음향 에코 제거 파라미터들이 훈련되고 있는 초기 동안에, 또한 누군가가 근단 방에서 이동할 때에는, 고속 적응을 위해 NLMS 음향 에코 제거가 이용된다. 다른 분기에서, 본 적응성 이중 구조 음향 에코 제거 기술은 예를 들어 근단 방에서의 현저한 이동이 존재하지 않을 때와 같이 유연 적응이 요구되는 기간 동안에는 NMLMS 음향 에코 제거 알고리즘을 이용한다. 이중 구조 아키텍처의 고속 분기와 저속 분기 사이에서 언제 스위칭하는지를 결정하기 위해 수렴 검출기가 사용된다. 배경 기술 부분에서 설명된 기존의 음향 에코 기술들에서의 상기 한계들은 설명되는 적응성 음향 에코 제거 기술의 특정 구현에 의해 해결될 수 있으며, 이 기술은 단지 전술한 단점들 중 임의 또는 모두를 해결하는 구현들로 제한되지 않음에 유의한다. 오히려, 본 기술은 이하의 설명으로부터 명백해지듯이 훨씬 더 넓은 응용을 갖는다. 이 요약은 아래의 상세한 설명에서 더 설명되는 개념들의 선택을 간단한 형태로 소개하기 위해 제공된다. 이 요약은 본 발명의 중요한 특징들 또는 필수 특징들을 식별하거나 본 발명의 범위를 제한하는 데 사용하고자 하는 의도는 없다.