AEC 回声消除技术
免提通话、会议、智能音箱、全双工语音交互、K 歌等场景里，扬声器放出的声音会被麦克风再次拾取，形成声学回声。回声消除（Acoustic Echo Cancellation，AEC）要做的事很明确：在尽量保住近端语音的前提下，把回声从麦克风信号里去掉。
本文按三条技术路线梳理现有方案：传统信号处理、端到端 DNN AEC、线性 AEC + DNN 非线性处理。其中 Neural Kalman Filter（NKF）、Meta-AF 等“神经网络增强的线性自适应滤波”归入第三条路线，作为线性级的进阶方向。每条路线都会给出原理、代表方案、代表论文和开源代码，最后补上评测方法、业界落地情况和端侧选型建议。
目录
1. 问题建模与核心难点
2. 三条技术路线总览
3. 路线一：传统信号处理
4. 路线二：端到端 DNN AEC
5. 路线三：线性 AEC + DNN 非线性处理
6. 数据集与评测
7. 业界落地方案
8. 端侧选型建议
1. 问题建模与核心难点
图 1 AEC 问题建模与信号流
麦克风信号可以写成：
d(n) = s(n) + y(n) + v(n)y(n) = h(n) ∗ f(x(n − Δ))
其中 ∗ 表示卷积。
符号 | 含义 |
|---|
x(n) | 远端参考信号，即扬声器播放的内容（通话中的对方语音、K 歌中的伴奏） |
Δ | 参考信号和麦克风信号之间的系统时延（播放缓冲、采集缓冲、驱动） |
f(·) | 功放和扬声器的非线性（削波、谐波失真） |
h(n) | 房间回声路径（房间冲激响应 RIR） |
s(n) | 近端语音，需要保留 |
v(n) | 背景噪声 |
AEC 的核心难点：
时延不对齐：系统缓冲带来的时延不固定，Android 上常见 50–300 ms，且会抖动或跳变。时延没有对齐时，线性滤波器和 DNN 都会失效。
非线性回声：小尺寸扬声器在大音量下会削波并产生谐波，线性滤波器无法建模这部分回声。
双讲：近端语音和回声同时存在。自适应滤波器容易在双讲时发散，后级抑制容易误伤近端语音（“吃字”）。
回声路径突变：人或设备移动、音量调节都会改变回声路径，要求快速重新收敛。
多通道参考信号：立体声参考信号高度相关，会导致自适应滤波解不唯一。
资源约束：端侧通常要求算法时延不超过 20–30 ms、计算量在几十到几百 MMAC/s。
2. 三条技术路线总览
图 2 三条技术路线总览
路线一：传统信号处理
核心思路：时延估计 → 线性自适应滤波 → 规则式残余回声抑制
代表方案：WebRTC AEC3、SpeexDSP MDF、频域 Kalman
典型复杂度：极低，几 MMAC/s
适用场景：MCU/DSP、低成本设备、各类方案的基线
路线二：端到端 DNN AEC
核心思路：麦克风信号和参考信号一起输入网络，直接输出近端语音
代表方案：DeepVQE、Align-CRUSE、DTLN-aec、MSA-DPCRN、CAGCRN、JointAEC-NS、CGGN16
典型复杂度：54K–10M 参数
适用场景：PC、云端为主；也有极小模型尝试
路线三：线性 AEC + DNN 非线性处理
核心思路：线性自适应滤波去除线性回声，DNN 抑制残余和非线性回声，通常同时降噪
代表方案：PercepNet-AEC、MTFAA-Net、EchoFree、MSA-EchoLite
典型复杂度：低到中，0.05M–1M 参数
适用场景：端侧主流：手机、耳机、车载、音箱
↳ 路线三进阶方案：神经网络增强的线性自适应滤波
核心思路：保留线性滤波结构，用小网络学习步长、Kalman 增益或更新规则
代表方案：NKF、Meta-AF、DNN 控制的 FDAF
典型复杂度：极低，几 K 参数
适用场景：替换第三条路线里的线性级，提升收敛和双讲稳健性
目前成熟的产品方案基本都走第三条路线。纯端到端方案效果上限高，但端侧落地时，双讲下的近端语音失真和泛化风险较大。
3. 路线一：传统信号处理
3.1 系统结构
图 3 路线一：传统信号处理系统结构
一般情况下，线性级能去掉约 20–30 dB 的线性回声，剩下的残余回声和非线性回声交给残余回声抑制处理。
3.2 时延估计
互相关 / GCC-PHAT：在参考信号和麦克风信号之间搜索互相关峰值，简单可靠。
二值谱匹配：WebRTC AECM 的 delay estimator，对谱能量做二值化后匹配，计算量极低。
匹配滤波器组：WebRTC AEC3 用多个短匹配滤波器覆盖不同时延区间，选收敛最好的一个。
时延估计要持续运行，以便跟踪时延跳变。估计错误会直接导致回声泄漏。
3.3 线性自适应滤波
算法 | 特点 |
|---|
NLMS | 时域实现，结构简单；滤波器长时计算量大、收敛慢 |
IPNLMS / PNLMS | 按系数大小分配步长，稀疏回声路径下收敛更快 |
APA（仿射投影） | 对有色信号（语音）收敛比 NLMS 快，计算量更高 |
FDAF / PFDAF（MDF） | 分块频域实现，长滤波器也能以低复杂度实现，是业界主力，Speex 和 WebRTC 都用这类 |
频域 Kalman（FDKF / PFDKF） | 把回声路径看作状态，Kalman 增益自动调节步长；双讲和路径变化下更稳健，近年重视度提高 |
双路径滤波器结构 | 前景和背景两个滤波器，一快一慢，比较后择优输出，例如 AEC3 的 refined filter 和 coarse filter |
分块频域自适应滤波的基本更新式（第 k 个频点，共 P 个分块）：
其中 Xk,p∗ 是参考信号频谱的共轭，ΦXX,k 是参考信号功率谱，δ 是防止除零的正则项。步长 μk 的控制方式决定了双讲稳健性和收敛速度，这也是后面“神经网络增强自适应滤波”要学习的部分。
双路径滤波器（双回声路径，Ochiai 1977）在同一对参考和麦克风上并行跑两个自适应滤波器。背景滤波器步长大，每帧按误差更新，回声路径变化时跟得快，但双讲时误差里混有近端语音，系数也容易走偏。前景滤波器负责实际抵消：只有背景滤波器的残余功率持续低于前景时，才把背景系数拷贝过来。双讲期间背景误差变大，拷贝停住，输出仍用上一次可靠的回声路径。每路内部的更新可以是 NLMS、PNLMS 或 MDF，双路径规定的是系数何时从背景拷到前景。AEC3 的 refined / coarse、MTFAA-Net 的双回声路径 PNLMS、PercepNet-AEC 的 two-echo-path 都是这个结构。
3.4 双讲检测与步长控制
硬判决式双讲检测：Geigel 算法（能量比）、基于互相关的检测器（Benesty 2000），检测到双讲就冻结滤波器更新。
连续步长控制：根据残余回声、近端语音和噪声的估计连续调节步长，没有显式双讲判决，例如 Speex 采用 Valin 2007 的可变学习率方法。
Kalman 框架：同样不需要显示双讲判决，用观测噪声协方差（包含近端语音和噪声）自然地抑制双讲期间的更新，是一种理论上更统一的做法。
3.5 非线性回声
Hammerstein 模型：无记忆非线性预处理（多项式、限幅器）加线性 FIR（Stenger & Kellermann 2000）。
Volterra 滤波：二阶或更高阶核，建模能力强，但计算量大、收敛慢。
函数链自适应滤波（FLAF）：用三角函数等基函数扩展输入。
产品中通常不在线性级建模非线性，而是交给残余回声抑制，因为非线性模型参数难以稳定地在线估计。
3.6 残余回声抑制
在线性 AEC 的输出上做频域增益抑制：
Φ̂RR,k：残余回声功率谱估计，通常由估计回声乘以回声泄漏系数得到，或由 ERLE 估计推算。
ΦEE,k：线性 AEC 输出的功率谱；β 是过抑制系数；Gmin 是增益下限。
抑制越激进，残余回声越少，但双讲时越容易伤到近端语音。这是传统残余回声抑制最难调的权衡。
通常和降噪合并成一个增益函数，并配合舒适噪声生成，避免“静音洞”。
3.7 立体声与多通道 AEC
立体声参考信号高度相关，导致自适应滤波解不唯一，回声路径估计不准（Sondhi 1995）。
常见解决办法是对参考信号做去相关预处理：加入少量非线性、相位调制或互补梳状滤波。
多麦克风设备常把 AEC 和波束形成联合设计（先 AEC 后波束形成，或反之），需要权衡计算量和性能。
3.8 开源实现
WebRTC AEC3（官方）
仓库：webrtc.googlesource.com/src（https://webrtc.googlesource.com/src） modules/audio_processing/aec3
语言：C++
说明：Chrome、Meet 在用的产品级方案；依赖 WebRTC 构建系统
AEC3 独立抽取版
仓库：ewan-xu/AEC3（https://github.com/ewan-xu/AEC3）
语言：C++
说明：从 WebRTC 中抽出，可单独编译，demo.cc 直接处理 wav
AEC3 CMake 版
仓库：khomin/webrtc_aec3_qt6_cmake（https://github.com/khomin/webrtc_aec3_qt6_cmake）
语言：C++
说明：基于上面的抽取版，带 CMake 和实时 demo
PulseAudio 维护版
仓库：gitlab.freedesktop.org/pulseaudio/webrtc-audio-processing（https://gitlab.freedesktop.org/pulseaudio/webrtc-audio-processing）
语言：C++
说明：完整的音频处理模块（AEC3、降噪、AGC），meson 构建
AEC3 Python 绑定
仓库：pywebrtc-audio（https://github.com/letv-mtb/pywebrtc-audio）、RustedBytes/aec3-py（https://github.com/RustedBytes/aec3-py）
语言：Python
说明：前者可 pip install，适合批量跑基线
SpeexDSP
仓库：xiph/speexdsp（https://github.com/xiph/speexdsp）
语言：C
说明：mdf.c 是 MDF 加可变步长，preprocess.c 做残余回声抑制和降噪；代码短、支持定点，最适合嵌入式移植
pyaec
仓库：ewan-xu/pyaec（https://github.com/ewan-xu/pyaec）
语言：Python
说明：LMS、NLMS、RLS、APA、Kalman、Volterra、FLAF、FDAF、PFDAF、FDKF、PFDKF 的极简实现，适合学习
PFDKF
仓库：echocatzh/PFDKF（https://github.com/echocatzh/PFDKF）
语言：Python
说明：分块频域 Kalman 滤波，MIT 许可
3.9 方案优缺点
代表论文：[1]–[9]。
本章参考文献
[1] J. S. Soo, K. K. Pang, "Multidelay block frequency domain adaptive filter," IEEE Trans. ASSP, 1990.
[2] J. Benesty, S. L. Gay, "An improved PNLMS algorithm," ICASSP, 2002.
[3] G. Enzner, P. Vary, "Frequency-domain adaptive Kalman filter for acoustic echo control in hands-free telephones," Signal Processing, 2006.
[4] J.-M. Valin, "On adjusting the learning rate in frequency domain echo cancellation with double-talk," IEEE TASLP, 2007.
[5] H. Buchner, J. Benesty, W. Kellermann, "Generalized multichannel frequency-domain adaptive filtering," IEEE TSAP, 2005.
[6] J. Benesty, D. R. Morgan, J. H. Cho, "A new class of doubletalk detectors based on cross-correlation," IEEE TSAP, 2000.
[7] A. Stenger, W. Kellermann, "Adaptation of a memoryless preprocessor for nonlinear acoustic echo cancelling," Signal Processing, 2000.
[8] E. Hänsler, G. Schmidt, Acoustic Echo and Noise Control: A Practical Approach, Wiley, 2004.
[9] M. M. Sondhi, D. R. Morgan, J. L. Hall, "Stereophonic acoustic echo cancellation — an overview of the fundamental problem," IEEE SPL, 1995.
4. 路线二：端到端 DNN AEC
4.1 系统结构
图 4 路线二：端到端 DNN AEC 系统结构
网络直接从麦克风信号和参考信号学习回声去除，不需要显式的线性自适应滤波器。大多数方案还会同时完成降噪和去混响。
4.2 关键技术：网络内时延对齐
早期端到端方案假设输入已经对齐，或依赖外部 DSP 时延估计，实际落地时容易失效。Align-CRUSE 和 DeepVQE 引入了 cross-attention 对齐模块：
分别提取麦克风特征 Q 和参考特征 K。
在 dmax 个候选时延上计算相似度，softmax 得到“软时延分布”。
用这个分布对参考特征加权求和，得到对齐后的参考特征，再和麦克风特征融合。
这相当于把 DSP 中的互相关时延估计器做成可微模块，和整个网络联合训练，可以同时保留多个时延假设，适应时延抖动。Align-CRUSE 已经部署在 Microsoft Teams 中。
4.3 代表方案
BLSTM-AEC
年份：2018
核心结构：双向 LSTM 估计掩码
参数量：—
要点：最早把 AEC 当作有监督分离问题 [10]
论文：Interspeech 2018 [10]https://www.isca-archive.org/interspeech_2018/zhang18g_interspeech.html
CRN-AEC
年份：2019
核心结构：卷积循环网络
参数量：—
要点：同时处理非线性回声和噪声 [11]
论文：Interspeech 2019 [11]https://www.isca-archive.org/interspeech_2019/zhang19o_interspeech.html
CAD-AEC
年份：2020
核心结构：上下文注意力
参数量：—
要点：用注意力建模参考和麦克风信号的关系 [12]
论文：ICASSP 2020 [12]https://ieeexplore.ieee.org/document/9053508
DTLN-aec
年份：2021
核心结构：STFT-LSTM 加学习变换-LSTM 两级
参数量：1.8M / 3.9M / 10.4M
要点：AEC Challenge 2021 第 3 名，开源 TFLite 模型 [13]
论文：ICASSP 2021 [13]https://arxiv.org/abs/2010.14337
项目：官方（仅推理，TFLite）：https://github.com/breizhn/DTLN-aec社区训练复现（TF2）：https://github.com/allen0125/dtln-aec
Align-CRUSE
年份：2022
核心结构：CRUSE 加 cross-attention 对齐
参数量：0.75M
要点：低复杂度、20 ms 算法时延，部署在 Teams [14]
论文：arXiv 2022 [14]https://arxiv.org/abs/2208.11308
项目：无官方代码；只有非官方对齐模块：https://github.com/lhwcv/self_attention_alignment
DeepVQE
年份：2023
核心结构：U-Net、残差块、对齐模块、子像素卷积、复数卷积掩码（CCM）
参数量：4.1M / 7.5M
要点：微软未正式提交 ICASSP AEC Challenge 2023的方案。MS-1 / MS-2 综合分 0.856 / 0.854，MS-1 高于正式第 1 名；算法延迟加缓冲延迟 20 ms [15]
论文：Interspeech 2023 [15]https://arxiv.org/abs/2306.03177
项目：均为非官方实现：https://github.com/Xiaobin-Rong/deepvqehttps://github.com/Okrio/deepvqehttps://github.com/richiejp/deepvqe-ggml
MSA-DPCRN
年份：2024
核心结构：非对称双路径 CRN + 注意力特征融合；GCC-PHAT 在网络外做时延对齐
参数量：参数量未给出；约 297 M FLOPs/s
要点：无线性 AEC。麦克风和参考频谱进网络，SFP/RFP 两路编码 [16]
论文：Interspeech 2024 [16]https://www.isca-archive.org/interspeech_2024/ni24_interspeech.html
项目：官方：https://github.com/deepnetni/msa-dpcrn
CAGCRN
年份：2025
核心结构：ERB 压缩 + 门控 CRN + CATA 软对齐 + TFAG
参数量：0.07M / 0.11 G FLOPs
要点：无线性 AEC，无传统时延估计。可学习窗长的 cross-attention 在网络内对齐麦克风和远端参考 [17]
输入：麦克风与远端参考频谱；前端无线性自适应滤波器，也无 GCC-PHAT 类时延估计
时延对齐：CATA：远端特征按可学习的整数窗长滑窗，cross-attention 对多个候选时延软加权
细节：ERB 子带压缩 → 因果门控卷积编解码 + TF-GRU；窗长 32 ms、帧移 16 ms
结果：AEC Challenge 盲测集双讲 EchoMOS 4.75
论文：Interspeech 2025 [17]https://www.isca-archive.org/interspeech_2025/wang25d_interspeech.html
项目：官方（MIT）：https://github.com/Tokisywyy/AECNS-CAGCRN
JointAEC-NS
年份：2026
核心结构：3 层因果 Conv2d + 频率均值池化 + 双路单向 GRU + 逐帧门控，sigmoid 掩码乘在实部和虚部上
参数量：54.6K
要点：联合回声和降噪，无论文。16 kHz，20 ms 窗 / 10 ms 帧移，因果。掩码取值 [0, 1]，只衰减、不翻转相位。单线程 CPU RTF 0.015
输入：麦克风与参考的 STFT（512 点 FFT，257 频点）在通道维拼成 4 通道；无线性 AEC
时延对齐：无。参考支路经逐帧 sigmoid 门控加到麦克风支路，不是跨时间的 cross-attention
细节：卷积 32 通道、GRU 隐藏维 32；输出头把 32 维向量线性展开为各频点实部、虚部掩码
训练：SI-SNR、复数谱 MSE、幅度 L1 加权（0.5 / 0.3 / 0.2）；数据由 LibriSpeech 与 DEMAND 合成
结果：自建 50 条合成验证集：SI-SNR 14.2 dB、PESQ 1.85、STOI 0.90，ERLE 仅 1.2 dB。同表 WebRTC、RNNoise 基线 ERLE 为负、SI-SNR 约 −40 dB，不能与 AEC Challenge 结果比较
备注：频率均值池化丢失频谱细节，掩码的频率形状只由一个全连接层决定
论文：无（仅开源代码）
项目：MIT，2026 年 3 月发布：https://github.com/miuda-ai/joint_aec_ns
CGGN16（KD-AEC）
年份：2026
核心结构：卷积分组 GRU 编解码，复数掩码乘在麦克风频谱上
参数量：学生 0.2M / 0.25 G FLOPS；教师 2.4M / 12.47 G FLOPS
要点：无线性 AEC，无传统时延估计。只做回声抑制。学生经两阶段知识蒸馏，计算量约为教师的 2% [18]
输入：只有远端参考 x(n) 和麦克风 y(n)（论文图 1）；无线性级，只做回声抑制、不降噪
时延对齐：无 GCC 或自适应滤波器做时延补偿
细节：过采样滤波器组，帧长 1024、帧移 128、DFT 长度 512，算法时延 40 ms；学生 CGGN16-S 取 F = 8、g = 2，教师 F = 64、g = 16
训练：先用教师输出的频域 logMSE 蒸馏，再在真值上微调
对照：表 II 中 FDKF、DLAC-Kalman 是对照基线；论文称 DLAC-Kalman 为 classical/DNN hybrid，不算进 CGGN16
代码：CGGN16.py 的 forward 在通道维拼接麦克风与远端参考 STFT，默认 output_type='mask'，无 NLMS、MDF 或 Kalman
论文：arXiv 2026 [18]https://arxiv.org/abs/2608.25596
项目：官方（EC-Evaluation-Toolbox）：https://github.com/ifnspaml/EC-Evaluation-Toolbox/blob/master/04_Model_Definitions/CGGN16.py
4.4 开源实现
DeepVQE
仓库：Xiaobin-Rong/deepvqe（https://github.com/Xiaobin-Rong/deepvqe）
类型：非官方 PyTorch
说明：包含对齐模块代码；预训练权重只在 DNS3 上训练了降噪，没有训练 AEC
DeepVQE
仓库：Okrio/deepvqe（https://github.com/Okrio/deepvqe）
类型：非官方 PyTorch
说明：侧重 AEC 的复现
DeepVQE
仓库：richiejp/deepvqe-ggml（https://github.com/richiejp/deepvqe-ggml）
类型：PyTorch + C++/GGML
说明：完整 8M 参数版本，有 AEC 预训练权重和 C API
LocalVQE
仓库：localai-org/LocalVQE（https://github.com/localai-org/LocalVQE）
类型：DeepVQE 派生，C++/GGML
说明：流式推理，模型从 1.3M 到 200K，另有约 49K 参数的 GTCRN-AEC 精简版；2026 年社区新项目，需要自己评测
DTLN-aec
仓库：breizhn/DTLN-aec（https://github.com/breizhn/DTLN-aec）
类型：官方（只有推理）
说明：三种规模的 TFLite 模型
DTLN-aec 训练
仓库：allen0125/dtln-aec（https://github.com/allen0125/dtln-aec）
类型：社区复现
说明：TF2 训练流程，中文文档
Align-CRUSE 对齐模块
仓库：lhwcv/self_attention_alignment（https://github.com/lhwcv/self_attention_alignment）
类型：非官方
说明：只实现了对齐模块，可以移植到自己的模型中
JointAEC-NS
仓库：miuda-ai/joint_aec_ns（https://github.com/miuda-ai/joint_aec_ns）
类型：社区
说明：54.6K 参数，因果、10 ms 帧移，带 ONNX 流式导出。无论文，自测 ERLE 约 1.2 dB
MSA-DPCRN
仓库：deepnetni/msa-dpcrn（https://github.com/deepnetni/msa-dpcrn）
类型：官方
说明：推理只做 GCC-PHAT 时延对齐，再把麦克风和参考送进 ONNX。含训练数据生成脚本，是 MSA-EchoLite 团队的前作
CAGCRN
仓库：Tokisywyy/AECNS-CAGCRN（https://github.com/Tokisywyy/AECNS-CAGCRN）
类型：官方
说明：MIT。0.07M，ERB + 网络内 CATA 软对齐，无线性 AEC。README 较简略
CGGN16
仓库：ifnspaml/EC-Evaluation-Toolbox（https://github.com/ifnspaml/EC-Evaluation-Toolbox/blob/master/04_Model_Definitions/CGGN16.py）
类型：官方
说明：04_Model_Definitions/CGGN16.py。麦克风 + 远端参考进网络，默认复数掩码。同仓库另有独立的 FDKF，不是 CGGN16 的前级
4.5 方案优缺点
本章参考文献
[10] H. Zhang, D. Wang, "Deep learning for acoustic echo cancellation in noisy and double-talk scenarios," Interspeech, 2018.https://www.isca-archive.org/interspeech_2018/zhang18g_interspeech.html
[11] H. Zhang, K. Tan, D. Wang, "Deep learning for joint acoustic echo and noise cancellation with nonlinear distortions," Interspeech, 2019.https://www.isca-archive.org/interspeech_2019/zhang19o_interspeech.html
[12] A. Fazel et al., "CAD-AEC: Context-aware deep acoustic echo cancellation," ICASSP, 2020.https://ieeexplore.ieee.org/document/9053508
[13] N. L. Westhausen, B. T. Meyer, "Acoustic echo cancellation with the dual-signal transformation LSTM network," ICASSP, 2021. arXiv:2010.14337
[14] E. Indenbom et al., "Deep model with built-in cross-attention alignment for acoustic echo cancellation," 2022. arXiv:2208.11308
[15] E. Indenbom, N.-C. Ristea, M. Chernov, R. Aichner, "DeepVQE: Real time deep voice quality enhancement for joint acoustic echo cancellation, noise suppression and dereverberation," Interspeech, 2023. arXiv:2306.03177
[16] Y. Ni, C. Pang, C. Huang, C. Zou, "MSA-DPCRN: A multi-scale asymmetric dual-path convolution recurrent network with attentional feature fusion for acoustic echo cancellation," Interspeech, 2024.https://www.isca-archive.org/interspeech_2024/ni24_interspeech.html
[17] Y. Wang, Y. Liu, J. Liu, K. Niu, Z. He, "CAGCRN: Real-time speech enhancement with a lightweight model for joint acoustic echo cancellation and noise suppression," Interspeech, 2025.https://www.isca-archive.org/interspeech_2025/wang25d_interspeech.html
[18] E. Seidel, P. Mowlaee, T. Fingscheidt, "Knowledge distillation for efficient acoustic echo control," 2026. arXiv:2608.25596
5. 路线三：线性 AEC + DNN 非线性处理
5.1 系统结构
图 5 路线三：线性 AEC + DNN 非线性处理
这条路线把两个子问题分开：
这是目前端侧产品最主流的方案。国内 RTC 厂商宣传的“AI 回声消除”，多数就是指这里的 DNN 残余回声抑制。
5.2 DNN 残余回声抑制的设计要点
输入选择：常见组合是“线性 AEC 输出 + 参考信号”，或“麦克风 + 线性 AEC 输出 + 估计回声”。估计回声 ŷ 和残余回声的相关性比原始参考信号更高，是很有效的输入。
特征域：
输出形式：实数增益或幅度掩码（简单稳健）、复数掩码或 CCM（可修正相位）、深度滤波（利用相邻帧和相邻频点）。
LAEC 作为条件信息：MTFAA-Net 不直接用线性 AEC 的输出替代麦克风信号，而是把它作为条件输入给 DNN，避免线性级自身的失真被带到输出里。
损失函数：在语音保真损失之外，加入回声感知损失（对残余回声区域加权），或者提供抑制强度可调的权衡项。
联合降噪：单模型同时做回声抑制和降噪，比两个模型级联更省算力，还能避免误差累积（ULCNet-AENR、DeepVQE-S）。
轻量化手段：频带压缩、分组 RNN、双路径建模。知识蒸馏的例子是端到端的 CGGN16，学生计算量约为教师的 2%，见第 4 节 [18]。
5.3 代表方案
PercepNet-AEC（Amazon）
年份：2021
线性滤波器：Speex MDF（AUMDF）：双回声路径，Valin 2007 可变学习率，分块 PNLMS 分配各块步长
时延补偿：8 kHz 上另跑一个 400 ms 辅助 AEC，取滤波器峰值作为时延
DNN 后级处理：PercepNet（ERB 频带 + GRU + 基音梳状滤波）
参数量 / 计算量：低复杂度
要点：联合回声和降噪，适合端侧；官方未开源 [19]
论文：ICASSP 2021 [19]https://arxiv.org/abs/2102.05245
项目：官方未开源；非官方复现（未完成，只有 MDF 和特征部分）：https://gitee.com/oucxlw/Hybrid-AEC-based-on-PercepNet
MTFAA-Net（百度）
年份：2022
线性滤波器：双回声路径 PNLMS
时延补偿：广义互相关（GCC）时延补偿
DNN 后级处理：多尺度时频卷积 + 轴向自注意力
参数量 / 计算量：—
要点：ICASSP 2022 AEC 和 DNS 挑战赛双第一；线性 AEC 作为条件信息 [20]
论文：ICASSP 2022 [20]https://ieeexplore.ieee.org/document/9746610
项目：非官方 PyTorch（MIT，只有网络部分）：https://github.com/echocatzh/MTFAA-Net
DHF-AEC（快手）
年份：2022
线性滤波器：SpeexDSP MDF，长度 160 ms，帧长 30 ms、帧移 10 ms
时延补偿：互相关估计因果延迟并补偿
DNN 后级处理：宽带 GRU-CrossNet 与 TCN-CrossNet 融合，再接 16–48 kHz 高频网络
参数量 / 计算量：17.4M / 1.95G FLOPs；RTF 0.10
要点：ICASSP 2022 AEC Challenge 第 2 名；联合信号损失和 ASR 损失 [21]
论文：ICASSP 2022 [21]https://ieeexplore.ieee.org/document/9746272
DPT-AEC（小米）
年份：2022
线性滤波器：分块频域 Kalman 为主路，并行变步长 NLMS 构成双路径
时延补偿：用 MDF 估计时延后平移远端参考
DNN 后级处理：卷积编码器 + 双路径 Transformer，复数掩码作用于线性 AEC 输出
参数量 / 计算量：DNN 51.5M；RTF 0.33
要点：48 kHz，算法时延 40 ms。论文写明 AEC 挑战赛第 4 名 [22]
论文：ICASSP 2022 [22]https://ieeexplore.ieee.org/document/9747347
GFTNN (西工大)
年份：2022
线性滤波器：用的 wRLS，并与 MDF 对比
时延补偿：GCC-PHAT
DNN 后级处理：门控卷积 F-T-LSTM + 多任务（含 VAD）+ 回声感知损失
参数量 / 计算量：提交模型约 4.8M
要点：ICASSP 2022 AEC Challenge 第 3 名；wRLS 比 MDF 收敛更好 [23]
论文：ICASSP 2022 [23]https://arxiv.org/abs/2202.06850
ByteAudio-18（字节）
年份：2023
线性滤波器：子带 NLMS：后滤波器按动态步长自适应，前滤波器保存其稳定状态；比较两路残余能量后选误差信号
时延补偿：子带互相关，每个子带估计多个时延，投票得到最终时延后再平移参考
DNN 后级处理：两级网络逐步抑制残余回声。个性化赛道用 ECAPA-TDNN 提取说话人嵌入
参数量 / 计算量：1.48M / 1.64M，RTF 0.283 / 0.310
要点：两个赛道第 1 名。论文表 1：非个性化综合分 0.852，个性化 0.854 [24]
论文：ICASSP 2023 [24]https://ieeexplore.ieee.org/document/10096411
TCN-CorssNet（快手）
年份：2023
线性滤波器：信号处理线性 AEC，输出与近端、远端一起送入网络；本文未写具体算法
时延补偿：未写明
DNN 后级处理：宽带 TCN-CrossNet（ConvGLU、DTCM）与 GRU-CrossNet 融合，估计 0–8 kHz 掩码；高频网络用宽带掩码估计 8–24 kHz 掩码
参数量 / 计算量：32.6M；10 ms 帧在 i7 上 1.913 ms（含线性 AEC）
要点：非个性化第 2 名，综合分 0.831。48 kHz 非对称窗，算法延迟 20 ms。挑战赛总结表标成非混合 [25]
论文：低时延 DHF，ICASSP 2023 [25]https://ieeexplore.ieee.org/document/10095865
TBNN（西工大）
年份：2023
线性滤波器：子带 NLMS，估计线性回声 y 和误差 e
时延补偿：子带互相关估计时延，对齐参考
DNN 后级处理：宽带 GCRN（U² 编码器）做频谱映射；高频网络用宽带结果预测复数掩码
参数量 / 计算量：9.56M，RTF 0.35（后滤波 0.28，时延估计加自适应滤波 0.07）
要点：非个性化第 3 名，与第 2 名统计并列。总体 MOS 4.344，WAcc 0.795 [26]
论文：ICASSP 2023 [26]https://arxiv.org/abs/2303.06828
S-TFGCRN（理想汽车）
年份：2023
线性滤波器：NLMS，估计线性回声 y，滤波器输出为误差 e
时延补偿：GCC-PHAT
DNN 后级处理：PQMF 分成 4 个子带；辅助双路 VAD 和回声估计，推理时可去掉
参数量 / 计算量：3.83M，RTF 0.1983
要点：非个性化第 4 名。窗长 20 ms、帧移 10 ms。总体 MOS 4.320，WAcc 0.790 [27]
论文：ICASSP 2023 [27]https://arxiv.org/abs/2303.06404
TaylorAECNet
年份：2023
线性滤波器：分块频域 Kalman（PFDKF），用对齐后的参考和麦克风得到误差 e
时延补偿：GCC-PHAT
DNN 后级处理：Taylor 展开式全带后滤波，门控相位编码、时频卷积、VAD、回声加权损失
参数量 / 计算量：19.18M，RTF 0.224
要点：非个性化第 5 名。总体 MOS 4.241，WAcc 0.767，综合分 0.803。挑战赛总结表把 Hybrid 标成否 [28]
论文：ICASSP 2023 [28]https://arxiv.org/abs/2303.06379
ULCNet-AENR
年份：2024
线性滤波器：对角化分块频域 Kalman（10 段）
时延补偿：未单列，时延含在分块 Kalman 内；训练去掉时延超过 1.5 s 的样本
DNN 后级处理：超低复杂度网络，联合回声和降噪
参数量 / 计算量：参数量约为同类 SOTA 的 1/10，计算量约为 1/4
要点：线性 Kalman 滤波 + 轻量网络 [29]
论文：arXiv 2024 [29]https://arxiv.org/abs/2408.15746
项目：暂无公开代码
EchoFree
年份：2025
线性滤波器：分块频域 Kalman（PFDKF，10 段，FFT 256）
时延补偿：未单列，时延由滤波器长度覆盖
DNN 后级处理：Bark 域 U-Net 后滤波 + 自监督模型两阶段训练
参数量 / 计算量：278K / 30 MMACs
要点：接近 DeepVQE-S 的效果 [30]
论文：arXiv 2025 [30]https://arxiv.org/abs/2508.06271
项目：暂无公开代码；demo 页：https://echofree2025.github.io/EchoFree-demo/
MSA-EchoLite
年份：2026
线性滤波器：PFDAF（分块频域自适应滤波）
时延补偿：未单列，由 PFDAF 得到对齐后的线性回声估计
DNN 后级处理：Bark 域非对称双分支编码器 + 回声感知调制模块
参数量 / 计算量：0.2M / 约 100 M FLOPs/s
要点：在紧凑的隐空间里建模麦克风和回声特征的差异与相关性 [31]
论文：arXiv 2026 [31]https://arxiv.org/abs/2608.03650
项目：暂无公开代码
ICASSP 2023 AEC Challenge 非个性化赛道要求 48 kHz，算法延迟加缓冲延迟不超过 20 ms，正式前五名都属于线性滤波加神经网络，快手低时延 DHF的方案在挑战赛总结表中标为非混合，但论文第 2.2 节写明网络输入包含信号处理线性 AEC 的输出。第 2、3 名统计上并列，官方以更低的实时率把快手排在第 2，具体排名见 [41]。算法 RTF 实时性的考量是PC上运行，没有强制约束特定的端侧芯片型号，因此 AEC 比赛的模型方案目标是追求客观性能指标，对于计算量的限制不大。
5.4 开源实现
MTFAA-Net
仓库：echocatzh/MTFAA-Net（https://github.com/echocatzh/MTFAA-Net）
类型：非官方 PyTorch
说明：MIT 许可，只有网络部分，线性 AEC 要自己接
PercepNet-AEC 复现
仓库：gitee: oucxlw/Hybrid-AEC-based-on-PercepNet（https://gitee.com/oucxlw/Hybrid-AEC-based-on-PercepNet）
类型：非官方（未完成）
说明：复现 5.3 的 PercepNet-AEC [19]，只完成了 MDF 和特征部分
EchoFree（只有 demo 页（https://echofree2025.github.io/EchoFree-demo/））、ULCNet-AENR、MSA-EchoLite、PercepNet-AEC 目前没有公开代码。
5.5 进阶方向：神经网络增强的线性自适应滤波
5.5.1 动机
第三条路线的瓶颈之一在线性级本身。传统自适应滤波器的步长或 Kalman 协方差依赖手工设计的估计器，在双讲、回声路径突变、低信噪比时容易出现：
一旦线性级出问题，后级 DNN 要处理的残余回声会大幅增加，甚至需要承担本该由线性级完成的工作。
进阶思路是：保留线性自适应滤波的结构（可解释、泛化好、计算量极低），只用一个很小的网络替代其中手工设计的“控制部分”，例如步长、Kalman 增益或整个更新规则。
5.5.2 方案结构
图 6 神经网络增强的线性自适应滤波
两级可以分开训练，也可以端到端联合训练。
5.5.3 代表方案
DNN 控制步长的 FDAF
年份：2022
思路：用 DNN 估计频域自适应滤波的步长 / 自适应控制量，端到端训练
规模：约 M 级
说明：Haubner & Kellermann [32]，后续扩展到 AEC、波束形成和后滤波的联合控制 [33]
论文：ICASSP 2022 [32]https://arxiv.org/abs/2106.01262EUSIPCO 2022 [33]https://arxiv.org/abs/2203.01793
Meta-AF（Adobe/UIUC）
年份：2022–2023
思路：元学习：用 GRU 直接学出自适应滤波器的更新规则，可用于 AEC、均衡、WPE 去混响、GSC 波束形成
规模：小型 GRU
说明：在 AEC 上优于调好参数的 NLMS、RLS、Kalman 和 Speex 基线 [34][35]
论文：IEEE TASLP 2023 [34]https://arxiv.org/abs/2204.11942IWAENC 2022 [35]https://arxiv.org/abs/2209.09955
项目：官方（JAX，release 含训练好的权重）：https://github.com/adobe-research/MetaAF
NKF（Neural Kalman Filter）
年份：2023
思路：在时频域逐频点运行 Kalman 滤波，用复数 GRU 隐式建模状态噪声和观测噪声协方差，直接输出 Kalman 增益
规模：5.3K 参数，RTF 0.09
说明：收敛和重新收敛明显快于传统 Kalman 和 Meta-AF，近端语音失真小；只处理线性回声，时延大时需要先做时延补偿 [36]
论文：ICASSP 2023 [36]https://arxiv.org/abs/2207.11388
项目：官方：https://github.com/fjiang9/NKF-AEC社区 C++ 流式移植（ONNX）：https://github.com/William1617/REAL_TIME_NKF_AEC
NKF 的核心更新（第 k 个频点、第 m 帧，滤波器阶数为 L）：
其中 xm,k 是最近 L 帧的参考信号频谱，Ym,k 是麦克风频谱，Δĥm−1,k 是上一次滤波器的变化量，KGNet 是输出 Kalman 增益的小型复数 GRU 网络。
所有频点共享同一个小网络，所以参数量只有几 K，但 RNN 需要在每个频点上逐帧运行。
5.5.4 开源实现
NKF-AEC（官方）
仓库：fjiang9/NKF-AEC（https://github.com/fjiang9/NKF-AEC）
说明：论文 [36] 的官方实现。L = 4，16 kHz。python nkf.py -x ref.wav -y mic.wav -o res.wav；时延大时加 -a，用 GCC-PHAT 先对齐
NKF C++ 实时版
仓库：William1617/REAL_TIME_NKF_AEC（https://github.com/William1617/REAL_TIME_NKF_AEC）
说明：同一篇论文 [36] 的社区流式移植：把官方 NKF 简化成 ONNX，再用 C++ 推理。不是另一套算法
Meta-AF（官方）
仓库：adobe-research/MetaAF（https://github.com/adobe-research/MetaAF）
说明：JAX 实现，zoo/aec 包含训练、评测、Kalman 和 Speex 基线，release 里有训练好的权重
5.5.5 在整体方案中的定位
它不能单独构成完整的 AEC，因为只处理线性回声，仍然需要后级 DNN（或传统残余回声抑制）处理残余和非线性回声。
它是对第三条路线中“线性级”的升级：计算量几乎不增加，但能提高双讲稳健性和重新收敛速度，从而减轻后级 DNN 的负担。
推荐的进阶组合：时延估计 + NKF（或 PFDKF）+ 轻量 DNN 残余回声抑制和降噪。
5.6 方案优缺点
优点：
缺点：
系统复杂度高于单一模型，需要维护时延估计、线性滤波、DNN 三个模块。
线性级发散或时延估计错误时，DNN 也难以补救（引入神经网络增强自适应滤波或网络内对齐可以缓解）。
DNN 训练数据需要经过线性级处理后生成，数据流水线更复杂。
本章参考文献
[18] E. Seidel, P. Mowlaee, T. Fingscheidt, "Knowledge distillation for efficient acoustic echo control," 2026. arXiv:2608.25596
[19] J.-M. Valin et al., "Low-complexity, real-time joint neural echo control and speech enhancement based on PercepNet," ICASSP, 2021. arXiv:2102.05245
[20] G. Zhang et al., "Multi-scale temporal frequency convolutional network with axial attention for speech enhancement," ICASSP, 2022.https://ieeexplore.ieee.org/document/9746610
[21] H. Zhao, N. Li, R. Han, L. Chen, X. Zheng, C. Zhang, L. Guo, B. Yu, "A deep hierarchical fusion network for fullband acoustic echo cancellation," ICASSP, 2022.https://ieeexplore.ieee.org/document/9746272
[22] X. Sun, C. Cao, Q. Li, L. Wang, F. Xiang, "Explore relative and context information with transformer for joint acoustic echo cancellation and speech enhancement," ICASSP, 2022.https://ieeexplore.ieee.org/document/9747347
[23] S. Zhang et al., "Multi-task deep residual echo suppression with echo-aware loss," ICASSP, 2022.https://arxiv.org/abs/2202.06850
[24] Z. Chen, X. Xia, S. Sun, Z. Wang, C. Chen, G. Xie, P. Zhang, Y. Xiao, "A progressive neural network for acoustic echo cancellation," ICASSP, 2023.https://ieeexplore.ieee.org/document/10096411
[25] H. Zhao, N. Li, R. Han, X. Zheng, C. Zhang, L. Guo, B. Yu, "A low-latency deep hierarchical fusion network for fullband acoustic echo cancellation," ICASSP, 2023.https://ieeexplore.ieee.org/document/10095865
[26] Z. Zhang, S. Zhang, M. Liu, Y. Leng, Z. Han, L. Chen, L. Xie, "Two-step band-split neural network approach for full-band residual echo suppression," ICASSP, 2023. arXiv:2303.06828
[27] J. Sun, D. Luo, Z. Li, J. Li, Y. Ju, Y. Li, "Multi-task sub-band network for deep residual echo suppression," ICASSP, 2023. arXiv:2303.06404
[28] W. Xu, Z. Guo, "TaylorAECNet: A Taylor style neural network for full-band echo cancellation," ICASSP, 2023. arXiv:2303.06379
[29] "A hybrid approach for low-complexity joint acoustic echo and noise reduction," 2024. arXiv:2408.15746
[30] "EchoFree: Towards ultra lightweight and efficient neural acoustic echo cancellation," 2025. arXiv:2508.06271
[31] "Echo-aware modulation for compact-latent frequency-time modeling in lightweight acoustic echo cancellation (MSA-EchoLite)," 2026. arXiv:2608.03650
[32] T. Haubner, W. Kellermann, "End-to-end deep learning-based adaptation control for frequency-domain adaptive system identification," ICASSP, 2022.https://arxiv.org/abs/2106.01262
[33] T. Haubner, W. Kellermann, "Deep learning-based joint control of acoustic echo cancellation, beamforming and postfiltering," EUSIPCO, 2022.https://arxiv.org/abs/2203.01793
[34] J. Casebeer, N. J. Bryan, P. Smaragdis, "Meta-AF: Meta-learning for adaptive filters," IEEE TASLP, 2023. arXiv:2204.11942
[35] J. Wu, J. Casebeer, N. J. Bryan, P. Smaragdis, "Meta-learning for adaptive filters with higher-order frequency dependencies," IWAENC, 2022.https://arxiv.org/abs/2209.09955
[36] D. Yang, F. Jiang, W. Wu, X. Fang, M. Cao, "Low-complexity acoustic echo cancellation with neural Kalman filtering," ICASSP, 2023. arXiv:2207.11388
[41] R. Cutler et al., "ICASSP 2023 acoustic echo cancellation challenge," 2023. arXiv:2309.12553
6. 数据集与评测
6.1 数据集
Microsoft AEC Challenge
链接：microsoft/AEC-Challenge（https://github.com/microsoft/AEC-Challenge）
说明：事实上的标准基准。包含 1 万多台真实设备的录音、合成训练集、历届盲测集（ICASSP 2021/2022/2023、Interspeech 2021），并提供全频带数据
DNS Challenge
链接：microsoft/DNS-Challenge（https://github.com/microsoft/DNS-Challenge）
说明：近端干净语音和噪声来源，常用于合成近端信号
RIR 数据集
链接：OpenSLR RIR、自录 RIR
说明：用于合成回声路径
测试场景按 AEC Challenge 的惯例分为：远端单讲（FEST，只有回声）、近端单讲（NEST，只有近端语音）、双讲（DT）。
6.2 评测指标
EchoMOS（AECMOS）
适用场景：远端单讲、双讲
含义：残余回声的主观烦扰程度，1–5 分，5 分表示听不到回声
DegMOS / Other MOS（AECMOS）
适用场景：近端单讲、双讲
含义：回声以外的劣化（近端语音被抑制、失真、伪影、残留噪声），1–5 分
ERLE
适用场景：远端单讲
含义：回声返回损耗增强，10 log10(E[d2] / E[ŝ2])，衡量回声消得多干净
PESQ / STOI / SI-SDR
适用场景：双讲、近端单讲（需要干净参考）
含义：近端语音质量和可懂度
收敛时间 / 重新收敛时间
适用场景：回声路径突变测试
含义：线性级的动态性能
WAcc / WER
适用场景：双讲、近端单讲
含义：对语音识别的影响，AEC Challenge 2023 起纳入最终评分
AECMOS 是无参考指标，输入只需要麦克风信号、参考信号和处理后的输出，因此可以用在没有干净标签的真实录音盲测集上。ONNX 模型和本地推理脚本在 AEC-Challenge/AECMOS（https://github.com/microsoft/AEC-Challenge/tree/main/AECMOS） 中 [37]。
6.3 评测工具
AECMOS
链接：microsoft/AEC-Challenge/AECMOS（https://github.com/microsoft/AEC-Challenge/tree/main/AECMOS）
说明：EchoMOS / DegMOS 本地 ONNX 推理
EC-Evaluation-Toolbox
链接：ifnspaml/EC-Evaluation-Toolbox（https://github.com/ifnspaml/EC-Evaluation-Toolbox）
说明：TU Braunschweig 出品（MATLAB），覆盖收敛过程、回声路径突变、强非线性、时延等测试条件，提供 PESQ-BB、ERLE-BB 等指标 [38]
aec-evaluation
链接：gdalsanto/aec-evaluation（https://github.com/gdalsanto/aec-evaluation）
说明：Python 封装的 PESQ、STOI、ERLE 等指标
6.4 行业相关标准
本章参考文献
[37] M. Purin, S. Sootla, M. Sponza, A. Saabas, R. Cutler, "AECMOS: A speech quality assessment metric for echo impairment," ICASSP, 2022. arXiv:2110.03010
[38] E. Seidel, P. Mowlaee, T. Fingscheidt, "Convergence and performance analysis of classical, hybrid, and deep acoustic echo control," 2024（EC-Evaluation-Toolbox）.
[39] K. Sridhar et al., "ICASSP 2021 acoustic echo cancellation challenge: Datasets, testing framework, and results," ICASSP, 2021. arXiv:2009.04972
[40] R. Cutler et al., "ICASSP 2022 acoustic echo cancellation challenge," ICASSP, 2022. arXiv:2202.13290
7. 业界落地方案
WebRTC AEC3（Google）
所属路线：传统信号处理
架构：匹配滤波时延估计 + 双滤波器 PFDAF + 基于 ERLE 的残余回声抑制
说明：开源里最成熟，Chrome、Meet 和大量 RTC 厂商都以它为基础
WebRTC AECM
所属路线：传统信号处理
架构：定点、低复杂度移动端方案
说明：已基本被 AEC3 取代
SpeexDSP
所属路线：传统信号处理
架构：MDF + 可变步长 + 残余回声抑制
说明：轻量易移植，嵌入式常用
Apple VPIO / Android AcousticEchoCanceler
所属路线：传统信号处理为主
架构：系统级 / 硬件级
说明：Android 各厂商效果差异大，RTC 厂商通常自带 AEC
Microsoft Teams
所属路线：端到端 DNN
架构：Align-CRUSE / DeepVQE 系列
说明：PC 和云端算力充足
高通 Fluence 等 DSP 厂商
所属路线：混合
架构：线性 AEC + 残余回声抑制 + 降噪 + 波束形成
说明：耳机、车载、IoT
国内 RTC 厂商（声网、腾讯、字节火山等）
所属路线：混合
架构：AEC3 类线性级 + 自研 AI 残余回声抑制和降噪
说明：“AI 回声消除”多数指 DNN 残余回声抑制这一级
8. 端侧选型建议
8.1 按资源选型
资源档位 | 推荐方案 |
|---|
MCU / 低端 DSP（< 10MMAC/s） | SpeexDSP MDF 或 PFDKF + 规则式残余回声抑制 |
中端 DSP（30–100 MMAC/s） | PFDKF 或 NKF + 轻量 DNN 残余回声抑制和降噪（参考 EchoFree 的规模）；同档也可以直接用 CAGCRN 这类 0.07M 的端到端模型 |
手机 SoC（100–300 MMAC/s） | 线性 AEC + MTFAA / DeepVQE-S 级别的 DNN，或 MSA-DPCRN 这类带外部时延对齐的端到端模型 |
PC / 云端 | DeepVQE 等端到端方案 |
8.2 推荐落地路线
建立基线：在 AEC Challenge 数据和自有录音上跑 SpeexDSP、AEC3（pywebrtc-audio）、NKF-AEC，用 AECMOS + ERLE 评测，摸清线性和传统方案的上限。
线性级选型：嵌入式优先 SpeexDSP MDF 或 PFDKF；需要更好的收敛和双讲稳健性时换成 NKF（约 5K 参数，几乎不增加算力）。
DNN 残余回声抑制：以 EchoFree 或 LocalVQE 的 GTCRN-AEC 精简版为起点，在现有 GTCRN 降噪结构上增加参考信号和估计回声作为输入通道，扩展成联合回声消除和降噪的模型。CAGCRN、JointAEC-NS 属于端到端方案，见第 4 节，不作为这一级的起点。
上限参考：用 deepvqe-ggml 的预训练权重评估大模型效果，确定轻量模型需要多大容量；必要时用知识蒸馏把大模型能力迁移到小模型。
8.3 K 歌场景的特殊考虑
参考信号是伴奏音乐：频谱宽、能量持续，线性滤波器收敛条件比语音参考好，但系统始终处于“远端有信号”的状态。
双讲几乎一直存在：用户在伴奏播放时持续演唱，残余回声抑制必须偏保守，否则歌声会被吃掉；DegMOS 类指标比 EchoMOS 更关键。
近端是歌声：基频高、动态范围大、谐波丰富。用语音数据训练的残余回声抑制容易把歌声高次谐波误判成回声，训练数据中需要加入歌声。
外放非线性明显：推荐“FDKF / NKF 线性级 + 轻量 DNN 残余回声抑制”的混合方案。
伴奏参考通常可以精确获取（由 App 自己播放），时延相对稳定，可以用较强的时延先验简化对齐模块。
