1. 概览

本文主要介绍：

1. 云端音频3A各功能的启用、禁用方法
2. 参数含义 & 参数的配置建议值

2. 需求场景

音频3A功能即：回声消除——AEC、噪声抑制——ANS、自动增益——AGC。

回声消除应对场景：设备的麦克风会采集大模型的播放内容（对话回答、播放的音乐、故事等），导致后续ASR识别、打断对话。

噪声抑制应对场景：环境嘈杂噪声干扰，影响ASR的识别准确度。

自动增益应对场景：麦克风采集能力较弱，采集音频的音量很低，影响ASR的识别准确度。

3. 云端3A各功能的启用、禁用方法

创建智能体时，（请求头域见创建大模型互动实例） config字段携带如下参数

1{
2  "cloud_3A_url": {
3    "AEC": {
4      "enable": true
5    },
6    "ANS": {
7      "enable": true
8    },
9    "AGC": {
10      "enable": true
11    }
12  }
13}

3.1. 不做传参配置、服务端的默认值是：

• 回声消除——AEC：false
• 噪声抑制——ANS：true
• 自动增益——AGC：false

3.2. 单独配置一个功能

cloud_3A_url的任何一个参数都可以缺省配置，只要保证json格式正确即可：

关闭ANS：

1{
2  "cloud_3A_url": {
3    "ANS": {
4      "enable": false
5    }
6  }
7}

开启AEC和ANS：

1{
2  "cloud_3A_url": {
3    "AEC": {
4      "enable": true
5    },
6    "ANS": {
7      "enable": true
8    }
9  }
10}

4. 完整参数、含义、参考值、取值范围

完整的cloud_3A_url：

1{
2  "cloud_3A_url": {
3    "AEC": {
4      "enable": false,
5      "maxEchoDelayMs": 500,
6      "eHeadESMs": 3000,
7      "delayThreshold": 0.2,
8      "initDuration": 2.5,
9      "dtThreshold": 0.25
10    },
11    "ANS": {
12      "enable": true
13    },
14    "AGC": {
15      "enable": false,
16      "maxVolume": 60,
17      "extraGain": 0
18    }
19  }
20}

5. 场景与参数配置示例

5.1. 回声消除 (正在上线）

『云端回声时延』 = 『云端编码下发音频 -> 网络传输 -> 端侧解码播放音频 -> 麦克风采集 > 编码上传音频 -> 网络传输 -> 云端解码音频』的耗时。

这个过程可以划分为两大部分：端侧音频时延 + 非端侧音频时延。非端侧主要是网络传输。

由于maxEchoDelayMs是一个上限值，我们估计时可以估得偏大一些。比如网络传输的上行+下行一般是200ms左右，因此：在正常稳定的网络场景下，我们假定非端侧（网络传输）的时间=300ms。

此时，只需自行估算端侧的音频时延（从网络收到音频流、处理、播放、采集、处理、准备上传到云端）即可。

例如：

1. 某设备上，端侧的音频时延为200~300ms波动，加上网络传输就是500~600ms，再留一些冗余，假设波动上下100ms。最终估算得到『云端回声时延』=400~700ms波动。此时，设置maxEchoDelayMs=700。云端即可处理回声时延不超出[200,700]ms范围的回声时延，覆盖了我们留足了波动余量估计的时延范围。传参如下即可：

1{
2  "cloud_3A_url": {
3    "AEC": {
4      "enable": false,
5      "maxEchoDelayMs": 700,
6      "eHeadESMs": 3000,
7      "initDuration": 2.5
8    }
9  }
10}

2. 某设备上，端侧音频传输流程较复杂、甚至有跨设备的蓝牙传输等，端侧的音频时延达到700~900ms波动，加上网络传输就是1000~1200ms，再留一些冗余，假设波动上下100ms。最终估算得到『云端回声时延』=900~1300ms波动。此时，设置maxEchoDelayMs=1300。云端即可处理回声时延不超出[800,1300]ms范围的回声时延，覆盖了我们留足了波动余量估计的时延范围。此外，由于流程复杂的原因，回声消除算法可能需要更长的初始化和学习时间，传参如下即可：

1{
2  "cloud_3A_url": {
3    "AEC": {
4      "enable": false,
5      "maxEchoDelayMs": 1300,
6      "eHeadESMs": 7000,
7      "initDuration": 5.0
8    }
9  }
10}

再次强调：如果您的应用场景特殊、端侧处理链路复杂、确实需要处理超过 500 毫秒的时延波动范围，则我们需要对指定设备做参数迭代、进而发布一个针对该设备的专有 AEC 算法参数版本。

5.2. 噪声抑制

建议开启

5.3. 自动增益

注意：

1. 如果环境嘈杂，则很难实现中远距离对话的自动增益（因为人声比环境噪音还小，已经在降噪过程中会抹掉了）
2. 建议自动增益和噪声抑制搭配使用，即不要单独开启自动增益。

下面是常见场景和建议值：

1. 近距离对话（1m内）、麦克风收音效果较差：

1{
2  "cloud_3A_url": {
3    "ANS": {
4      "enable": true
5    },
6    "AGC": {
7      "enable": true,
8      "maxVolume": 60,
9      "extraGain": 0
10    }
11  }
12}

2. 中距离对话（1-2m）：

1{
2  "cloud_3A_url": {
3    "ANS": {
4      "enable": true
5    },
6    "AGC": {
7      "enable": true,
8      "maxVolume": 90
9      "extraGain": 0
10    }
11  }
12}

3 远距离对话（2m外）：

1{
2  "cloud_3A_url": {
3    "ANS": {
4      "enable": true
5    },
6    "AGC": {
7      "enable": true,
8      "maxVolume": 90
9      "extraGain": 1
10    }
11  }
12}

6. 处理结果示例图

6. 注意事项

1. 当前版本的回声消除功能只支持16k的TTS音频，待适配。近期上线
2. 当前版本的回声消除功能必须设置 dfda=false 。
3. 回声消除的参数中，对消除效果影响最大的是maxEchoDelayMs，如对上述内容有理解模糊的地方，或者不清楚自己设备、网络等环节的实际音频流耗时，可联系开发人员查看云端日志，迭代给出最合适的值。
4. 在自动增益中，为避免过度增益、削峰失真，建议maxVolume不超过90、非必要不启用extraGain。