"Restar" una transmisión de audio de otra transmisión de audio

Soy un ingeniero de software desde hace mucho tiempo pero tengo prácticamente cero experiencia con el procesamiento de señal / audio. Estoy interesado en aprender sobre el procesamiento de señales a través de un caso de uso que tenemos para uno de nuestros componentes de audio. NOTA: este es solo un ejercicio de aprendizaje para mí ... no es una prioridad que el resultado final sea útil.

Tenemos un componente (A) que produce audio (a través de un altavoz). Tenemos otro componente (B) que graba ese audio (a través de un micrófono simple).

Lo que me gustaría hacer es usar A para grabar el audio de B. Entonces me gustaría, si es posible, comparar las dos corrientes. El objetivo sería eliminar el audio que estaba presente en la transmisión A, dejando las condiciones ambientales que existieron durante la grabación, entiendo que no es posible eliminarlo por completo.

Me doy cuenta de que hay problemas de fase y magnitud. También me doy cuenta de que no se trata simplemente de "restar" B de A. Dicho esto, supongo que puedes restar A de A.

Me gustaría entender cómo abordar el problema. Nuevamente, esta es una experiencia de aprendizaje para mí (no hay plazos); Estoy más que dispuesto a comenzar desde el principio.

Cualquier consejo / sugerencia sería muy apreciada.

Esta configuración comparte algunas similitudes con los problemas de identificación del sistema, donde $A$ sería la entrada del sistema LTI del que desea estimar la función de transferencia, $B$siendo la salida; y el "sonido ambiental" es el ruido aditivo. La suposición de LTI es razonable siempre que sus convertidores / amplificadores / transductores sean de buena calidad.

Entonces los pasos serían:

• Use una técnica de identificación del sistema para encontrar el filtro FIR $\hat{h}$ que minimiza el error cuadrático medio entre $\hat{h} \star A$ y $B$. Un método simple, que podría no ser el más adecuado aquí, es dividir la correlación cruzada de$A$ y $B$ por la autocorrelación de $A$. Explicación aquí . La limitación es que no funcionará bien para grabaciones largas (puede calcular mejor sus estimaciones en segmentos más cortos y promediarlas), y que la música no es la mejor señal de "sonda" para enviar a un sistema para estimar su respuesta.
• Ahora puedes usar $\hat{h} \star A$ como una estimación de la señal original A "escuchada" por el micrófono y restarla de $B$ para recuperar el sonido ambiental.

Le di una oportunidad a esto usando un clip de música (A), aplicando una reverberación y un ligero modelo de amplificador para simular un altavoz en una habitación, luego mezclé una muestra de audio de gato para obtener (B), luego estimé una respuesta de impulso de ( A, B), luego restando el A filtrado de B. Esto muestra algunos resultados, ¡ pero una mejor técnica de estimación FIR podría ayudar aquí! (tenga en cuenta que trunqué el IR estimado a sus primeras 5000 muestras para acelerar los cálculos).

Tenga en cuenta que existen algoritmos para hacer esto de forma adaptativa (como LMS ). Esto podría ser más adecuado para su problema si$A$ y $B$se procesan en tiempo real en lugar de sin conexión. Dichos algoritmos forman la base de los sistemas de cancelación de eco utilizados en las telecomunicaciones.

El problema que no permitirá que el sonido ambiental exacto sea la salida es:

(a) la diferencia de sonoridad (b) la diferencia de fase debido al retraso de tiempo.

Así, en general, la señal grabada por B será (suponiendo que la sala se comporte como un sistema LTI) ysi[ n ] =∑pagsk = 0αkXUNA[ n - k ] +Xa m b[ n ] ) = ( x ∗ h ) [ n ] +Xa m b[ n ]$y_{\mathrm{si}}[\mathrm{norte}]=\sum _{k=\mathrm{0\; 0}}^{\mathrm{pags}}{\alpha }_k{X}_{\mathrm{UNA}}[\mathrm{norte}-k]+X_{\mathrm{una}\mathrm{metro}\mathrm{si}}[\mathrm{norte}])=(X\ast h)[\mathrm{norte}]+X_{\mathrm{una}\mathrm{metro}\mathrm{si}}[\mathrm{norte}]$$y_B[n]=\sum_{k=0}^{p}\alpha_k x_A[n-k]+x_{amb}[n])=(x*h)[n]+x_{amb}[n]$, dónde $h[n]=\alpha_n$o así la respuesta al impulso de la sala. aquí$x_{amb}[n]$es la señal ambiental en la ubicación de B. Ahora,$z[n]=x_A[n]-y_B[n]$ puedes ver que tendrás $z[n]\neq x_{amb}[n]$, a menos que conozca la respuesta al impulso de la sala o su estimación. Para obtener una idea, puede avanzar haciendo la resta y viendo el espectrograma de la señal resultante y comparándolo con el espectrograma de la señal ambiental y solo de la señal de A.

La otra forma es colocar el micrófono cerca de A para minimizar el efecto de la respuesta al impulso de la sala, tal técnica se usa en los auriculares con cancelación de ruido donde se eliminará el ruido ambiental. http://en.wikipedia.org/wiki/Noise-cancelling_headphonese .

Eso suena como un caso estándar para la "cancelación de eco acústico". Existen MUCHAS patentes, trabajos de investigación y tesis académicas sobre el tema (a partir de 1967, creo que con el trabajo de MM Sondhi "Un cancelador de eco acústico adaptativo").

Una descripción general simple está aquí http://supportdocs.polycom.com/PolycomService/support/global/documents/support/technical/products/voice/vortex_choose_acoustic_echo_canceller.pdf .

Este es un libro decente sobre el tema http://www.amazon.com/Advances-Network-Acoustic-Cancellation-Processing/dp/3540417214