1、回声消除aec 与降噪ns的关系：
a、回声消除与ns 的前后关系： 回声消除aec 与降噪算法之间的衔接问题一直存在，由于回声消除算法的建模基本都是自适应滤波模拟回声路径，为了尽可能缩短路径，确保自适应滤波的准确性，一般来说aec 都会在ns 之前使用。
b、当前aec与ns如何搭配： aec 目前大部分aec 算法单靠自适应滤波是很难完全去除回声，因为线程的波动，回声路径的变化等原因往往需要加入非线nlp处理，由于自适应滤波，特别是非线性处理对噪声的影响都非常大，我们往往会在自适应滤波之前就加入噪声估计模块，在nlp处理后加入频带等量的舒适噪声，然后aec 输出后在经过ns时，ns 就能很好的估计出噪声能量，进行降噪处理。
c、深度学习降噪引入的新的搭配问题： webrtc 采用的就是在aec 中加入舒适噪声，然后ns 进行平稳噪声估计处理的方案，但是深度学习降噪，虽然目前针对语音处理，大部分都会使用有更长记忆的rnn,但是总体而言，我们知道相对平稳噪声估计500ms~2s 的估计时长，深度学习算法属于的非平稳的，这就与之前的平稳噪声有很大的区别。
2、深度学习降噪 对 aec 数据处理的问题 及优化思考：
a、babble 噪声的处理的建议和思考 ：如果训练的数据没有经过任何前处理，直接是设备采集的语音，此时如果前处理有aec 最后控制噪声源的babble的幅值已经babble 的类型，因为经过aec 处理后，特别是双讲后，语音和babble 噪声的相识度会很高，往往会噪声严重失真，如果没有前处理没有aec,就可以加大babble 噪音的数据量以及幅值，因为深度学习降噪对babble 噪声的效果非常好。
b、aec 的非线性处理带来的问题：非线性处理往往会破坏语音特征，导致深度学习算法对语音的失真往往比传统算法的大，对于这个问题，可以尝试aec 和ns 深度融合，在aec 线形滤波后就做深度学习降噪，然后在做nlp 。
欢迎大家加音频算法讨论群：153268894 （作者 zeark）