Subtrahieren eines Audiostreams von einem anderen Audiostream

Ich bin ein langjähriger Softwareentwickler, habe aber praktisch keine Erfahrung mit Signal- / Audioverarbeitung. Ich bin daran interessiert, etwas über die Signalverarbeitung anhand eines Anwendungsfalls zu lernen, den wir für eine unserer Audiokomponenten haben. HINWEIS: Dies ist nur eine Lernübung für mich. Es ist keine Priorität, dass das Endergebnis nützlich ist.

Wir haben eine Komponente (A), die Audio erzeugt (über einen Lautsprecher). Wir haben eine weitere Komponente (B), die dieses Audio aufzeichnet (über ein einfaches Mikrofon).

Was ich tun möchte, ist A zu verwenden, um B's Audio aufzunehmen. Dann möchte ich, wenn möglich, die beiden Streams vergleichen. Das Ziel wäre es, das in Stream A vorhandene Audio zu entfernen - die Umgebungsbedingungen, die während der Aufnahme herrschten, zu belassen - ich verstehe, dass eine vollständige Entfernung nicht möglich ist.

Mir ist klar, dass es Phasen- und Größenprobleme gibt. Mir ist auch klar, dass es nicht nur darum geht, B von A zu "subtrahieren". Ich gehe jedoch davon aus, dass Sie A von A subtrahieren können .

Ich würde gerne verstehen, wie man das Problem angeht. Auch dies ist eine Lernerfahrung für mich (es gibt keine Fristen); Ich bin mehr als bereit, von vorne zu beginnen.

Jeder Rat / Vorschläge wäre sehr dankbar.

Dieses Setup weist einige Ähnlichkeiten mit Systemidentifikationsproblemen auf $A$ wäre die Eingabe des LTI-Systems, dessen Übertragungsfunktion Sie schätzen möchten, $B$die Ausgabe sein; und der "Umgebungsschall" ist das additive Geräusch. Die LTI-Annahme ist angemessen, vorausgesetzt, Ihre Wandler / Verstärker / Wandler sind von anständiger Qualität.

Die Schritte wären also:

• Verwenden Sie eine Systemidentifikationstechnik, um den FIR-Filter zu finden $\hat{h}$ das minimiert den mittleren quadratischen Fehler zwischen $\hat{h} \star A$ und $B$. Eine einfache Methode, die hier möglicherweise nicht am besten geeignet ist, besteht darin, die Kreuzkorrelation von zu teilen$A$ und $B$ durch die Autokorrelation von $A$. Erklärung hier . Die Einschränkung besteht darin, dass es bei langen Aufnahmen nicht gut funktioniert (Sie können Ihre Schätzungen besser für kürzere Segmente berechnen und diese mitteln) - und dass Musik nicht das beste "Sonden" -Signal ist, das an ein System gesendet werden kann, um dessen Reaktion abzuschätzen.
• Sie können jetzt verwenden $\hat{h} \star A$ als Schätzung des ursprünglichen Signals A als vom Mikrofon "gehört" und subtrahieren Sie es von $B$ Umgebungsgeräusche abzurufen.

Ich habe dies mit einem Musikclip (A) versucht, ein Hall- und ein leichtes Verstärkermodell angewendet, um einen Lautsprecher in einem Raum zu simulieren, dann ein Cat-Audio-Sample gemischt, um (B) zu erhalten, und dann eine Impulsantwort aus dem ( A, B) Paar, dann Subtrahieren des gefilterten A von B. Dies zeigt einige Ergebnisse, aber eine bessere FIR-Schätztechnik könnte hier helfen! (Beachten Sie, dass ich die geschätzte IR auf die ersten 5000 Abtastwerte gekürzt habe, um die Berechnungen zu beschleunigen).

Beachten Sie, dass es dafür Algorithmen gibt (z. B. LMS ). Dies ist möglicherweise besser für Ihr Problem geeignet, wenn$A$ und $B$werden in Echtzeit und nicht offline verarbeitet. Solche Algorithmen bilden die Grundlage für in der Telekommunikation verwendete Echokompensationssysteme.

Das Problem, bei dem kein exakter Umgebungsklang ausgegeben werden kann, ist:

(a) die Lautheitsdifferenz (b) die Phasendifferenz aufgrund der Zeitverzögerung.

Insgesamt ist das von B aufgezeichnete Signal also (vorausgesetzt, der Raum verhält sich wie ein LTI-System). $y_B[n]=\sum_{k=0}^{p}\alpha_k x_A[n-k]+x_{amb}[n])=(x*h)[n]+x_{amb}[n]$, wo $h[n]=\alpha_n$oder so die Raumimpulsantwort. Hier$x_{amb}[n]$ist das Umgebungssignal an der Position von B. Jetzt,$z[n]=x_A[n]-y_B[n]$ Sie können sehen, dass Sie haben werden $z[n]\neq x_{amb}[n]$, es sei denn, Sie kennen die Raumimpulsantwort oder ihre Schätzung. Um einen Einblick zu erhalten, können Sie fortfahren, indem Sie die Subtraktion durchführen und das Spektrogramm des resultierenden Signals sehen und mit dem Signalspektrogramm des Umgebungssignals und nur des A vergleichen.

Der umgekehrte Weg besteht darin, das Mikrofon in der Nähe von A zu platzieren, um den Effekt der Raumimpulsantwort zu minimieren. Eine solche Technik wird bei Kopfhörern mit Geräuschunterdrückung verwendet, bei denen Umgebungsgeräusche entfernt werden sollen. http://en.wikipedia.org/wiki/Noise-cancelling_headphonese .

Das klingt nach einem Standardfall für "akustische Echokompensation". Zu diesem Thema gibt es viele Patente, Forschungsarbeiten und wissenschaftliche Arbeiten (ab 1967 glaube ich mit MM Sondhis Arbeit "Ein adaptiver akustischer Echokanzler").

Eine einfache Übersicht finden Sie hier http://supportdocs.polycom.com/PolycomService/support/global/documents/support/technical/products/voice/vortex_choose_acoustic_echo_canceller.pdf .

Dies ist ein anständiges Buch zum Thema http://www.amazon.com/Advances-Network-Acoustic-Cancellation-Processing/dp/3540417214