以下對比僅來自個人算法，算法不同效果肯定也不一樣，僅供參考
一、關於嘯叫，根據聲音系統可以分爲兩種情況來對比傳統和深度學習去嘯叫的效果：
1、一種是擴聲系統，比如大型演播廳，KTV,本地會議擴聲系統等，這種場景下的嘯叫正反饋自激時間短。
2、另一種就是錄播系統，比如在同一個房間打電話或者遊戲開黑導致的嘯叫，這種嘯叫自激往往是一段一段。
二、傳統嘯叫的處理方法：
1、移頻：這個方法對聲音的失真相對比較大。
2、陷波：這個方法在很多硬件產品中使用非常多，自適應陷波器通過查找嘯叫點，控制很小的band,
以及一定算法複雜度的情況下，效果相對比較好。
深度學習處理嘯叫：（通過把嘯叫作爲噪聲和純淨語音混合作爲訓練樣本，最終訓練出消除嘯叫的模型）
三、傳統和深度學習去嘯叫的最終效果對比：
1、擴聲系統下：
自適應陷波器需要根據檢測嘯叫點的數目，同時控制band和抑制db 數，整體做的很好的
嘯叫抑制並很小的失真，在大部分場景下，這種方法非常的實用，而相對於深度學習抑制
效果，把嘯叫當作噪聲，會反覆出現嘯叫自激，並且處理後在語音段會有明顯金屬音殘留
（由於深度學習方法收斂數據快，並不會有很長的嘯叫殘留），而傳統方法往往只會在同一
頻點第一次嘯叫時會有殘留，主要是傳統方法直接改變了正反饋迴路而深度學習方法只是
把嘯叫作爲了噪聲消除，另外深度學習不需要設定嘯叫點數目算是一個好處。
總結下：在這種場景下，其實並不覺得那種更好，在場景固定，嘯叫點固定的場景下，覺得還是
傳統的方法更合適，但是在不停移動的場景中，深度學習的方法可能也合適。
2、錄播場景下：
以手機嘯叫爲對比，發現，傳統方法很難適用這種場景，主要是因爲傳統方法需要較長的時
間的來檢測嘯叫點，但是手機嘯叫一段一段的，導致檢測很不準確。這個時候使用深度學習
抑制嘯叫是一個不錯的選擇。
感興趣的音頻愛好者，歡迎大家加音頻算法QQ討論羣：（作者zeark）153268894