一次 RTC 通话里,A 离麦克风很近,B 坐在桌子另一端。A 开口时声音刺耳,B 接话时又得把扬声器调大;一旦 B 停下来,风扇声却跟着变响。如果只给每路音频乘一个固定系数,既无法兼顾远近,也可能把突然的笑声削成平顶。

自动增益控制(AGC)要做的,是在不断变化的输入上选择合适的增益,让语音容易听清,同时约束噪声、削波和增益突变。 本文以本地 WebRTC 源码提交 3dec7d0537 为准。先定义“好”的标准,再看 AGC2 怎样逐项处理,最后与旧版 AGC(下文称 AGC1)比较。

一、问题不只是“小声就放大”

音频样本的最大幅度受数字满量程限制。以 dBFS 表示时,0 dBFS 是数字上限,更负的数表示更小的电平。语音段 RMS 可粗略反映平均电平,峰值反映离削波还有多远;两者并非一回事。同样是 −30 dBFS 的语音 RMS,爆破音、笑声等瞬态也可能有不同的峰值余量。

flowchart LR A["远讲者:语音偏小"] --> C["固定增益 +20 dB"] B["近讲者:语音已大"] --> C N["风扇 / 键盘:非语音"] --> C C --> D["远讲者变清楚"] C --> E["近讲者可能削波"] C --> F["背景噪声也变大"]

这里还要区分两个位置:麦克风采集前后的输入音量,以及已经采到 PCM 后的数字增益。前者若能调低,有机会避免采集链路先行削波;后者只能缩放已有样本,无法找回已经截平的波形。发送端逐路控制音量,接收端再做混音;单路 AGC 也不能替混音器解决多人同时说话时的总峰值问题。

怎样判断一个 AGC 算法好不好

不存在适用于所有设备、房间和业务的单一“合格音量”数值。下面是本文采用的工程验收维度,不是 WebRTC 官方统一的 dBFS 标准:

测试场景希望看到什么可记录的量
远近切换、说话人音量阶跃活跃语音逐渐靠近目标区间,不突然跳变语音段 RMS 分布、收敛时间、逐帧增益
停顿、风扇或键盘噪声停顿时不继续追着噪声加增益非语音段 RMS、噪声底、增益曲线
近讲、笑声、爆破音保留动态,尽量少削波削顶样本比例、峰值、主观失真
用户调麦克风音量或设备不支持调节识别外部变化;不能调设备时仍能合理工作实际输入音量、推荐音量、输出电平
多人通话与长时间运行各路听感接近,控制稳定且开销可接受各路语音段电平、延迟、CPU、听感

RMS 和 dBFS 是观察音量的代理量,并不等于感知响度;最终仍要听语音是否自然、噪声是否“呼吸”、峰值是否失真。控制目标不是把所有时刻拉到一条直线,而是在语音、噪声、峰值之间留出余地。

flowchart TD I["10 ms 输入帧"] --> V{"是否为可信语音?"} V -->|"是"| S["估计语音电平,缓慢调整增益"] V -->|"否"| H["避免静音时追增益"] S --> N["噪声约束:不能把背景抬得过高"] H --> N N --> P["峰值余量 + Limiter:保护瞬态"] P --> O["音量较稳、失真较少的输出"]

二、AGC2 在发送链路中的位置

AGC2 由 输入音量控制器、自适应数字控制器、固定数字控制器和 Limiter 组成,但这些部分并非全部默认启用:gain_controller2.enabled、输入音量控制和自适应数字控制的默认值都是 false,固定增益默认 0 dB。开启 AGC2 而不打开自适应部分,不会自动得到“会追随说话人音量”的功能。AudioProcessing::Config::GainController2

flowchart LR M["麦克风 / 系统输入音量"] --> R["采集 PCM"] R --> C["AGC2 前段分析:检测 / 预测削波"] C --> A["APM 其他处理:回声消除、降噪等"] A --> V["RNN VAD + 电平估计"] V --> G["自适应数字增益"] G --> F["固定数字增益"] F --> L["Limiter"] L --> E["编码 / 发送"] V -.-> M

图中的虚线是跨帧反馈:AGC2 不能直接替应用改操作系统麦克风音量。调用方需要告知 APM 当前实际输入音量,并把 recommended_stream_analog_level() 给出的建议应用到设备;否则输入音量控制器无法闭环。APM 在回声消除、降噪等处理之前检查原始采集信号的削波,在后处理位置运行 AGC2 数字部分。具体 APM 配置会影响其他模块是否存在,图示并不表示每个功能都必然开启。采集前段分析 · AGC2 数字处理位置 · 输入音量反馈

三、沿一帧音频拆开 AGC2

1. 判断“是不是语音”,而不是把所有能量都当语音

在常规 APM 集成路径中,AGC2 为需要语音估计的控制器建立内部 RNN VAD。它把首声道重采样到 24 kHz,对每个 10 ms 帧给出语音概率;后续控制逻辑用 0.95 作为高置信语音阈值,并要求至少 12 个连续语音帧才允许增加自适应数字增益。语音电平估计只在可信语音上更新,约积累 400 ms 语音帧后才标记为可信。因此通话刚开始时,控制器使用初始估计,不能指望第一帧就锁定真实说话音量。VoiceActivityDetectorWrapper · 公共阈值 · 语音电平估计

这里的 VAD 只判断像不像语音,不是识别说话人的身份。默认语音电平估计器并不会把房间里其他人的说话声单独排除;另有实验性估计器可在特定 field trial 下使用,不能当作默认 AGC2 能力。估计器选择 · 默认实现

2. 输入音量控制:先处理“源头太大”

输入音量控制器在原始采集音频上检查削顶样本比例,也可做削波预测;出现削波时建议降低麦克风输入音量。另一方面,它会把经处理后估计的语音 RMS 与一个宽目标区间比较,语音太低或太高时才逐步修改推荐音量。默认区间为 −50 ~ −12 dBFS,表示它主要把采集音量保持在可用范围,并非要求每个人最终听起来都在这个宽区间的同一点。还会等待一定帧数、要求足够的语音占比,并考虑用户手动改音量的情况。配置与目标区间 · 削波检测与音量更新

flowchart LR P["原始采集样本"] --> C{"削波或预测到削波?"} C -->|"是"| D["建议降低输入音量,为后续帧留余量"] C -->|"否"| S{"可信语音电平落在宽目标区间?"} S -->|"低于 / 高于"| U["按设备音量映射,缓慢建议上调 / 下调"] S -->|"区间内"| K["保持建议音量"] D --> X["应用接收建议并操作设备"] U --> X K --> X

如果设备根本不接受音量控制、应用没有把建议值写回设备,或录音在进入 APM 前已经削波,这条链路就无法修复源头问题。输入音量控制与数字增益各有职责,不能把“数字 Limiter 能挡峰值”误认为“能恢复采集端已丢失的波形”。

3. 自适应数字增益:按语音求目标,再受噪声与峰值约束

数字增益部分不是简单将 语音 RMS 拉到固定值。AGC2 还估计语音峰值与 RMS 的差:饱和保护器利用近期峰值给出动态 headroom,大致在 12 ~ 25 dB 内缓慢变化;配置里的 headroom_db(默认 5 dB)是额外安全余量。于是目标增益可概括为:

1
2
估计输入峰值电平 = 语音 RMS + 动态峰值余量
初步目标增益 = clamp(−配置余量 − 估计输入峰值电平, 0, 最大数字增益)

例如仅作算例:语音 RMS 为 −35 dBFS、动态峰值余量为 15 dB、配置余量为 5 dB,估计峰值约 −20 dBFS,初步想加 15 dB。若噪声底为 −60 dBFS,而配置要求输出噪声不高于 −50 dBFS,允许的增益只有 10 dB;最终目标就被压到 10 dB。这是为什么“远处的人仍偏小声”有时是有意的取舍:强拉语音会把噪声一同拉高。默认最大数字增益为 50 dB,输出噪声上限为 −50 dBFS;具体数值可按业务调整。目标增益与噪声限制 · 饱和保护器 · 默认参数

flowchart TD R["可信语音 RMS"] --> P["加动态峰值余量,估计语音峰值"] P --> T["计算初步目标增益,保留配置安全余量"] T --> N["噪声底上限:防止背景被抬高"] N --> C["估计不可信且 Limiter 负担偏高?进一步限益"] C --> V["足够连续的语音才允许上升,变化速率受限"] V --> O["逐样本平滑施加数字增益"]

噪声底估计从一段时间内较低能量的帧寻找底噪,常规更新窗口为 5 秒,并非每帧把“当前最小能量”直接当成可靠噪声值;噪声突然上升时,约束也可能滞后。自适应增益每 10 ms 的常规变化量由默认 6 dB/s 限制,相当于 0.06 dB/帧;在首次满足连续语音条件时允许一次较快的补偿。这样减少“抽吸感”,代价是音量阶跃后不会瞬间到位。噪声底估计 · 增益变化

4. 固定增益与 Limiter:处理剩下的峰值风险

自适应增益之后可再加一个固定数字增益,默认 0 dB。最后的 Limiter 按短子帧估计峰值,使用增益曲线压低接近满量程的信号,并在样本间插值,避免增益突然跳变。若把固定增益设为正数,组合起来也能像压缩器一样工作。Limiter 是最终防线,不负责判断语音还是噪声,也不能保证所有突发峰值完全无削波:它没有跨整帧的预读,极快的尖峰仍可能触及最终硬钳制。GainController2::Process · Limiter::Process

四、回到开头:解决了什么,留下什么

开头的难题AGC2 的手段仍需留意
远讲者小声输入音量建议与自适应数字增益增益有上限,且可能被噪声约束;设备音量要由应用配合
近讲者或瞬态太大采集端削波检测/预测、动态峰值余量、Limiter已在采集端削坏的信号无法复原;最快的尖峰仍可能削波
停顿时噪声变响VAD 门控、单独噪声底估计和输出噪声上限VAD 误判、背景噪声突变会影响控制;增益不能“消除”噪声
音量追得太快而抽吸连续语音确认、语音估计平滑、增益变化限速更稳意味着新说话人或音量阶跃后的收敛有时间成本
多人通话忽大忽小各发送端可分别做 AGC默认没有跨路响度统一目标,也不识别主讲人;混音后的总峰值仍归接收端处理

AGC2 更像一个受约束的反馈系统,而不是“把小声放大”的单一函数。 它明确把语音、噪声、峰值、输入设备与数字输出分成不同环节,但在强噪声、错误 VAD、不可控设备和多人感知响度这些场景里,仍需要系统层面的配合。

五、与 legacy AGC(AGC1)对照

AGC1 并非完全不看语音或噪声:其模拟音量管理器用 VAD 概率和时间窗口估计语音电平,legacy 数字级也有 VAD、静音门控和过载限制。两者真正的区别在于控制器的划分、估计方法与约束表达,不能把 AGC2 简化为“新算法有 VAD,旧算法没有”。AgcManagerDirect 使用的电平估计 · legacy digital AGC

维度AGC1 / legacy AGCAGC2
对外配置AdaptiveAnalog、AdaptiveDigital、FixedDigital 三种模式;目标峰值、压缩增益、Limiter输入音量、自适应数字增益、固定数字增益可组合,后接 Limiter
语音判断传统 VAD 与语音电平统计;数字级也有近端/远端 VAD常规 APM 路径使用内部 RNN VAD,显式语音电平置信状态
噪声处理有静音门控等机制单独估噪声底,用 max_output_noise_level_dbfs 显式限制可增加的增益
峰值处理模拟音量削波控制、数字压缩/限幅输入音量削波检测/预测、动态峰值余量、末端 Limiter
设备耦合自适应模拟模式要接入系统麦克风音量回路启用输入音量控制器时同样需要应用接入回路;纯数字模式无需设备控制

AGC1 的三种模式定义见 配置接口;AGC2 的组合配置见同一接口。两代都在 APM 前段分析采集削波、后段处理数字增益,因此这个时序本身不是 AGC2 独有的优势。在 APM 中,两套控制器的输入音量控制不应同时启用,否则源码会记录“Multiple input volume controllers enabled”配置错误;迁移时应明确由哪一套负责设备反馈,并用前述场景重新比较听感与指标。APM 处理次序与初始化检查

如果要做 A/B 验证,建议录制相同的远近切换、静音噪声、近讲突峰和手动音量变化素材,同时保存每路输入与输出;分别画出语音段 RMS、噪声段 RMS、峰值/削顶率及逐帧增益,再做盲听。只比较最终平均电平,容易把“更响”误判成“更好”。