思必驰周强：AI与传统信号技术融合赋能实时音频通话

引言：实时音频通话的技术演进与核心挑战

实时音频通话作为通信领域的基础需求，其技术发展经历了从传统电路交换到IP网络传输的跨越。然而，在复杂网络环境（如5G/Wi-Fi切换、高丢包率场景）下，音频质量仍面临延迟、卡顿、噪声干扰等核心问题。思必驰音频技术负责人周强指出：”单纯依赖传统信号处理技术已难以满足低延迟、高保真的实时通信需求，AI技术的引入为突破物理限制提供了新路径。”本文将围绕周强的技术实践，系统解析AI与传统信号技术在实时音频通话中的协同应用。

一、传统信号技术：实时音频通话的基石

1.1 回声消除（AEC）的经典架构

传统AEC技术通过自适应滤波器（如NLMS算法）估计回声路径，其核心公式为：

y(n) = d(n) - w^T(n)x(n)

其中，d(n)为参考信号，x(n)为远端信号，w(n)为滤波器系数。该技术需解决双讲检测（DTD）难题，即在近端、远端同时发声时避免误消除。周强团队通过改进DTD阈值动态调整策略，将双讲场景下的回声残留降低了12dB。

1.2 噪声抑制（NS）的频域处理

传统NS技术基于频谱减法原理，通过估计噪声频谱并从带噪语音中减去：

|Y(k)| = max(|X(k)| - α|N(k)|, β)

其中，α为过减因子，β为频谱底噪。思必驰优化了噪声估计的平滑系数，使汽车引擎噪声等非平稳噪声的抑制效果提升20%。

1.3 丢包补偿（PLC）的插值算法

传统PLC采用线性插值或历史包重复策略，但面对连续丢包时易产生机械感。周强团队提出基于AR模型的预测补偿方法，通过前N个正确包训练预测系数，显著改善了30%丢包率下的语音连续性。

二、AI技术：实时音频通话的智能化升级

2.1 深度学习驱动的回声消除

思必驰采用CRNN（卷积循环神经网络）架构替代传统滤波器，其优势在于：

• 非线性建模能力：通过卷积层提取时频特征，LSTM层捕捉时序依赖，可处理非线性回声路径（如扬声器非线性失真）。
• 端到端优化：直接以语音质量指标（如PESQ）为损失函数，避免手工设计特征的局限性。
  实测数据显示，AI-AEC在双讲场景下的回声残留比传统方法低18dB，且计算延迟仅增加5ms。

2.2 基于Transformer的噪声抑制

周强团队提出的T-NS模型通过自注意力机制实现：

• 全局上下文感知：捕捉噪声的时频相关性，对突发噪声（如键盘敲击声）的抑制更精准。
• 多任务学习：联合训练噪声分类与抑制任务，提升模型泛化能力。
  在NOISEX-92数据集上，T-NS的SNR提升幅度达12dB，优于传统方法8dB。

2.3 生成式模型在丢包补偿中的应用

针对高丢包场景，思必驰采用WaveNet生成式模型：

• 原始波形重建：直接生成丢失的音频样本，避免插值导致的失真。
• 条件生成机制：以正确包为条件，确保生成内容与上下文语义一致。
  测试表明，在50%丢包率下，AI-PLC的语音可懂度比传统方法提高35%。

三、技术融合：AI与传统信号的协同路径

3.1 分层处理架构设计

周强提出”传统预处理+AI后处理”的分层架构：

1. 前端处理：传统AEC/NS快速降低回声与噪声，减少AI模型的输入噪声。
2. 后端增强：AI模型聚焦残余噪声与失真修复，提升语音自然度。
   该架构在嵌入式设备上实现了10ms以内的端到端延迟。

3.2 动态资源分配策略

根据网络状况动态调整AI模型复杂度：

• 强网环境：启用全量AI模型，追求极致音质。
• 弱网环境：切换至轻量级模型，优先保障流畅性。
  思必驰通过模型量化与剪枝技术，将AI-NS的CPU占用率从30%降至12%。

3.3 数据驱动的持续优化

建立闭环优化系统：

1. 实时质量监测：通过MOS评分、丢包率等指标评估通话质量。
2. 模型迭代更新：将劣化案例加入训练集，每月更新一次AI模型。
   该机制使客户投诉率下降40%，模型适应场景覆盖率提升至95%。

四、行业实践：从技术到产品的落地路径

4.1 嵌入式设备适配方案

针对车载、IoT等资源受限场景，周强团队提出：

• 模型压缩：采用知识蒸馏将大模型参数从10M压缩至2M。
• 硬件加速：利用DSP的SIMD指令集优化矩阵运算，实现10ms级处理延迟。
  某车企实测显示，优化后的方案在骁龙410芯片上可稳定运行。

4.2 云边端协同架构

构建三级处理体系：

• 终端层：传统信号处理为主，保障基础质量。
• 边缘层：部署轻量AI模型，处理常见噪声场景。
• 云端：运行复杂AI模型，应对极端网络条件。
  该架构使平均带宽消耗降低30%，同时音质提升2个MOS分。

五、未来展望：技术融合的深化方向

周强认为，实时音频技术的下一阶段突破将聚焦：

1. 多模态感知：融合视频唇形、手势等信息，提升噪声环境下的语义理解。
2. 个性化适配：通过声纹识别用户特征，动态调整处理参数。
3. 标准制定：推动AI音频处理效果的客观评价标准建立。

结语：技术融合的价值与启示

思必驰周强的实践表明，AI与传统信号技术的融合不是替代关系，而是优势互补的协同进化。对于开发者而言，需把握三大原则：

• 场景优先：根据应用场景（如会议、车载、急救）选择技术组合。
• 渐进创新：在传统技术成熟度高的领域逐步引入AI。
• 用户体验导向：以MOS评分、投诉率等硬指标验证技术价值。

在实时通信从”可用”向”好用”演进的过程中，这种融合技术将持续释放价值，为远程办公、在线教育、智能客服等领域提供更优质的音频体验。