1、回聲消除aec 與降噪ns的關係：
a、回聲消除與ns 的前後關係： 回聲消除aec 與降噪算法之間的銜接問題一直存在，由於回聲消除算法的建模基本都是自適應濾波模擬回聲路徑，爲了儘可能縮短路徑，確保自適應濾波的準確性，一般來說aec 都會在ns 之前使用。
b、當前aec與ns如何搭配： aec 目前大部分aec 算法單靠自適應濾波是很難完全去除回聲，因爲線程的波動，回聲路徑的變化等原因往往需要加入非線nlp處理，由於自適應濾波，特別是非線性處理對噪聲的影響都非常大，我們往往會在自適應濾波之前就加入噪聲估計模塊，在nlp處理後加入頻帶等量的舒適噪聲，然後aec 輸出後在經過ns時，ns 就能很好的估計出噪聲能量，進行降噪處理。
c、深度學習降噪引入的新的搭配問題： webrtc 採用的就是在aec 中加入舒適噪聲，然後ns 進行平穩噪聲估計處理的方案，但是深度學習降噪，雖然目前針對語音處理，大部分都會使用有更長記憶的rnn,但是總體而言，我們知道相對平穩噪聲估計500ms~2s 的估計時長，深度學習算法屬於的非平穩的，這就與之前的平穩噪聲有很大的區別。
2、深度學習降噪 對 aec 數據處理的問題 及優化思考：
a、babble 噪聲的處理的建議和思考 ：如果訓練的數據沒有經過任何前處理，直接是設備採集的語音，此時如果前處理有aec 最後控制噪聲源的babble的幅值已經babble 的類型，因爲經過aec 處理後，特別是雙講後，語音和babble 噪聲的相識度會很高，往往會噪聲嚴重失真，如果沒有前處理沒有aec,就可以加大babble 噪音的數據量以及幅值，因爲深度學習降噪對babble 噪聲的效果非常好。
b、aec 的非線性處理帶來的問題：非線性處理往往會破壞語音特徵，導致深度學習算法對語音的失真往往比傳統算法的大，對於這個問題，可以嘗試aec 和ns 深度融合，在aec 線形濾波後就做深度學習降噪，然後在做nlp 。
歡迎大家加音頻算法討論羣：153268894 （作者 zeark）