深度解读Gating类型自动混音技术（2）

在上一篇 “Gating自动混音器（一）“，我们已经了解了Gating自动混音器是干什么用的，它主要解决的问题是什么。在有多个麦克风的场景下，传统的做法是将多个麦克风混音输出到音箱。这样的做法不可取，它可能导致的问题是，一、及其容易产生啸叫，因为2路信号混音，总输出增加3dB，更何况多支呢。二、即使可以通过增益比例去控制每只麦克风在总输出中占的比例，以达到总输出不增加的目的，也非常容易导致说话人说话的声音太小，听不清楚。基于以上原因，才会有自动混音的出现，自动混音彻彻底底地解决了根本问题。自动混音分为Gain-Sharing(增益共享)和Gating（门限）两种类型，现在所讲的是Gating类型自动混音。

上一期已经讲了Gating自动混音所应具备的一些基本参数及含义，留下了一个关键点，自适应噪声阈值如何获取？在开始之前，先来看看为什么门限自动混音可以解决上边提到的问题。

从图中可以看出，每只麦克风都有个Gate（门），当麦克风信号超过这个门限以后，才会导通信号。通过的信号和普通混音无异，混音之后通过一个由NOM（打开的麦克风数量）控制的衰减因子，达到总输出不变的目的。 在多只麦克风的情况下，不会存在每个人都会在同时说话，正在同时说话的麦克风只有那么1-3只而已。其他未说话的麦克风将被关闭，不会被导通。这样既可以保证总输出不产生反馈，每只麦克风说话的声音又可以听得清楚。

NOM：Number Of Open Mics.  算法实时计算打开的麦克风数量，如果大于NOM Limits 设定的数量，新打开的麦克风将从已经打开的麦克风中抢占优先级最低的一个， 如果没有找到，该麦克风不会被导通， NOM Limits起到一个限制作用。

在这里面，Gate是关键，如何保证麦克风有信号的时候被打开，没有人说话就不会被打开。简单一点，可以采用对每一只麦克风设置一个开关阈值，信号超过阈值的时候就导通，小于阈值就关闭。 在很久以前，就是这么做的，并且使用了很长的一段时间。此方法不是特别的方便，环境噪音提高了，必须得手动去调整阈值。

在尝试中，我考虑了2种方法：

1.  人声检测 ， 只有说话的时候才被打开，不说话关闭 。

2.  RMS电平检测。

在DSP系统中，除了能实现模块功能，另一个最重要的就是资源了。这个算法占用的CPU资源类不应超过5%， 人声检测不能采用太过复杂的基于统计模型的算法，一个麦克风需要检测一次，共有32个麦克风，这将势必不可取。后来尝试了短时过零率和短时能量等方法。结果不太理想，应该来说检测结果不太理想，有时说话了确不出声，一句话的前面几个字像被吃掉了一样。 总结来说，短时过零率等方法并不能准确判断语音，第二个这类检测方法都需要延时缓冲，大概10ms检测数据，吃字也是正常的。 被抛弃的想法就不细说了，有兴趣的可以看看相关资料。

采用RMS检测方法， RMS我们都知道，就是均方根嘛。相对来说算法简单易实现， 根据过去一段时间的RMS值作为该麦克风的参考噪声阈值。这里面最重要的就是时间的选取，要反应的是过去的噪声水平，而不是有信号的状态。语音信号属于非平稳信号，利用这一特点应取最小值。记为瞬态RMS,  N取值30ms对应的采样值。 T为噪声阈值，等于过去的K帧RMS最小值， K值根据实际情况调节。 

K 取值依据，应大于说话尾音所能持续的时间，正常说话一个字也就100多ms，字与字之间会出现停顿，噪声阈值的依据也就是停顿期间的噪声水平。说一个情况，同事在测试期间，一个字不停的拖尾音，喂……….，持续10几秒。这种情况导致算法提高了噪声阈值，刚开始可以导通，之后的喂出不了声。 那么这个K值应取得更大，K*30ms 需要大于最大能持续的时间才能检测到空隙。

根据测试情况，RMS方法可以作为自适应噪声阈值判断的方法。在测试中，会存在另外一种情况，一只麦克风说话时，另一只麦克风采集到了音箱扩声的信号被打开。如果NOM Limit设置成1，只允许一个麦克风打开。采集信号的麦克风就会抢占说话的麦克风，引起两个麦克风互相切换。此时，应调节2个参数，一是保持时间，第二个灵敏度。

保持时间，停止说话后，该麦克风保持多久才关闭，改时间要设置得比混响传递时间大一点。

灵敏度，实际上信号超过自适应噪声阈值+灵敏度才能判定为可以打开麦克风。灵敏度需要设置高一点，即使有反馈也不会轻易打开话筒。

以上就是Gating自动混音的全部内容，代码就不贴了，也没什么意义，关键还是思路吧。