<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>AGC on BeYoung</title>
    <link>https://lyapple2008.github.io/tags/agc/</link>
    <description>Recent content in AGC on BeYoung</description>
    <image>
      <title>BeYoung</title>
      <url>https://lyapple2008.github.io/%3Clink%20or%20path%20of%20image%20for%20opengraph,%20twitter-cards%3E</url>
      <link>https://lyapple2008.github.io/%3Clink%20or%20path%20of%20image%20for%20opengraph,%20twitter-cards%3E</link>
    </image>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>See this site&amp;rsquo;s source code here, licensed under GPLv3 ·</copyright>
    <lastBuildDate>Fri, 13 Nov 2026 21:48:48 +0800</lastBuildDate>
    <atom:link href="https://lyapple2008.github.io/tags/agc/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>WebRTC AGC2：让通话音量稳定，又不把噪声一起放大</title>
      <link>https://lyapple2008.github.io/posts/202611/2026-11-13-webrtc%E4%B8%AD%E7%9A%84agc2/</link>
      <pubDate>Fri, 13 Nov 2026 21:48:48 +0800</pubDate>
      <guid>https://lyapple2008.github.io/posts/202611/2026-11-13-webrtc%E4%B8%AD%E7%9A%84agc2/</guid>
      <description>&lt;p&gt;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。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;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。&lt;/strong&gt; 本文以本地 WebRTC 源码提交 &lt;a href=&#34;https://webrtc.googlesource.com/src/&amp;#43;/3dec7d05377fb690e84f503db865edde982ab2a5&#34;&gt;&lt;code&gt;3dec7d0537&lt;/code&gt;&lt;/a&gt; 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。&lt;/p&gt;</description>
      <content:encoded><![CDATA[<p>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。</p>
<p><strong>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。</strong> 本文以本地 WebRTC 源码提交 <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5"><code>3dec7d0537</code></a> 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。</p>
<h2 id="一问题不只是小声就放大">一、问题不只是“小声就放大”</h2>
<p>音频样本的最大幅度受数字满量程限制。以 dBFS 表示时，<code>0 dBFS</code> 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 <code>−30 dBFS</code> 的语音 RMS，爆破音、笑声等瞬态也可能有不同的峰值余量。</p>

<div class="mermaid">flowchart LR
    A[&#34;远讲者：语音偏小&#34;] --&gt; C[&#34;固定增益 &#43;20 dB&#34;]
    B[&#34;近讲者：语音已大&#34;] --&gt; C
    N[&#34;风扇 / 键盘：非语音&#34;] --&gt; C
    C --&gt; D[&#34;远讲者变清楚&#34;]
    C --&gt; E[&#34;近讲者可能削波&#34;]
    C --&gt; F[&#34;背景噪声也变大&#34;]</div>
<p>这里还要区分两个位置：<strong>麦克风采集前后的输入音量</strong>，以及已经采到 PCM 后的<strong>数字增益</strong>。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。</p>
<h3 id="怎样判断一个-agc-算法好不好">怎样判断一个 AGC 算法好不好</h3>
<p>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<strong>工程验收维度</strong>，不是 WebRTC 官方统一的 dBFS 标准：</p>
<table>
	<thead>
			<tr>
					<th>测试场景</th>
					<th>希望看到什么</th>
					<th>可记录的量</th>
			</tr>
	</thead>
	<tbody>
			<tr>
					<td>远近切换、说话人音量阶跃</td>
					<td>活跃语音逐渐靠近目标区间，不突然跳变</td>
					<td>语音段 RMS 分布、收敛时间、逐帧增益</td>
			</tr>
			<tr>
					<td>停顿、风扇或键盘噪声</td>
					<td>停顿时不继续追着噪声加增益</td>
					<td>非语音段 RMS、噪声底、增益曲线</td>
			</tr>
			<tr>
					<td>近讲、笑声、爆破音</td>
					<td>保留动态，尽量少削波</td>
					<td>削顶样本比例、峰值、主观失真</td>
			</tr>
			<tr>
					<td>用户调麦克风音量或设备不支持调节</td>
					<td>识别外部变化；不能调设备时仍能合理工作</td>
					<td>实际输入音量、推荐音量、输出电平</td>
			</tr>
			<tr>
					<td>多人通话与长时间运行</td>
					<td>各路听感接近，控制稳定且开销可接受</td>
					<td>各路语音段电平、延迟、CPU、听感</td>
			</tr>
	</tbody>
</table>
<p>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。</p>

<div class="mermaid">flowchart TD
    I[&#34;10 ms 输入帧&#34;] --&gt; V{&#34;是否为可信语音？&#34;}
    V --&gt;|&#34;是&#34;| S[&#34;估计语音电平，缓慢调整增益&#34;]
    V --&gt;|&#34;否&#34;| H[&#34;避免静音时追增益&#34;]
    S --&gt; N[&#34;噪声约束：不能把背景抬得过高&#34;]
    H --&gt; N
    N --&gt; P[&#34;峰值余量 &#43; Limiter：保护瞬态&#34;]
    P --&gt; O[&#34;音量较稳、失真较少的输出&#34;]</div>
<h2 id="二agc2-在发送链路中的位置">二、AGC2 在发送链路中的位置</h2>
<p>AGC2 由 <strong>输入音量控制器、自适应数字控制器、固定数字控制器和 Limiter</strong> 组成，但这些部分并非全部默认启用：<code>gain_controller2.enabled</code>、输入音量控制和自适应数字控制的默认值都是 <code>false</code>，固定增益默认 <code>0 dB</code>。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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/api/audio/audio_processing.h#323"><code>AudioProcessing::Config::GainController2</code></a></p>

<div class="mermaid">flowchart LR
    M[&#34;麦克风 / 系统输入音量&#34;] --&gt; R[&#34;采集 PCM&#34;]
    R --&gt; C[&#34;AGC2 前段分析：检测 / 预测削波&#34;]
    C --&gt; A[&#34;APM 其他处理：回声消除、降噪等&#34;]
    A --&gt; V[&#34;RNN VAD &#43; 电平估计&#34;]
    V --&gt; G[&#34;自适应数字增益&#34;]
    G --&gt; F[&#34;固定数字增益&#34;]
    F --&gt; L[&#34;Limiter&#34;]
    L --&gt; E[&#34;编码 / 发送&#34;]
    V -.-&gt; M</div>
<p>图中的虚线是<strong>跨帧反馈</strong>：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 <code>recommended_stream_analog_level()</code> 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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/audio_processing_impl.cc#1299">采集前段分析</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/audio_processing_impl.cc#1407">AGC2 数字处理位置</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/audio_processing_impl.cc#1722">输入音量反馈</a></p>
<h2 id="三沿一帧音频拆开-agc2">三、沿一帧音频拆开 AGC2</h2>
<h3 id="1-判断是不是语音而不是把所有能量都当语音">1. 判断“是不是语音”，而不是把所有能量都当语音</h3>
<p>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 <code>0.95</code> 作为高置信语音阈值，并要求至少 <strong>12 个连续语音帧</strong>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 <strong>400 ms 语音帧</strong>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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/vad_wrapper.cc#29"><code>VoiceActivityDetectorWrapper</code></a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/agc2_common.h#32">公共阈值</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/speech_level_estimator_impl.cc#62">语音电平估计</a></p>
<p>这里的 VAD 只判断<strong>像不像语音</strong>，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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/speech_level_estimator.cc#83">估计器选择</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/speech_level_estimator_impl.h#36">默认实现</a></p>
<h3 id="2-输入音量控制先处理源头太大">2. 输入音量控制：先处理“源头太大”</h3>
<p>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<strong>宽目标区间</strong>比较，语音太低或太高时才逐步修改推荐音量。默认区间为 <code>−50 ~ −12 dBFS</code>，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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/input_volume_controller.h#29">配置与目标区间</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/input_volume_controller.cc#416">削波检测与音量更新</a></p>

<div class="mermaid">flowchart LR
    P[&#34;原始采集样本&#34;] --&gt; C{&#34;削波或预测到削波？&#34;}
    C --&gt;|&#34;是&#34;| D[&#34;建议降低输入音量，为后续帧留余量&#34;]
    C --&gt;|&#34;否&#34;| S{&#34;可信语音电平落在宽目标区间？&#34;}
    S --&gt;|&#34;低于 / 高于&#34;| U[&#34;按设备音量映射，缓慢建议上调 / 下调&#34;]
    S --&gt;|&#34;区间内&#34;| K[&#34;保持建议音量&#34;]
    D --&gt; X[&#34;应用接收建议并操作设备&#34;]
    U --&gt; X
    K --&gt; X</div>
<p>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”。</p>
<h3 id="3-自适应数字增益按语音求目标再受噪声与峰值约束">3. 自适应数字增益：按语音求目标，再受噪声与峰值约束</h3>
<p>数字增益部分不是简单将 <code>语音 RMS</code> 拉到固定值。AGC2 还估计<strong>语音峰值与 RMS 的差</strong>：饱和保护器利用近期峰值给出动态 <code>headroom</code>，大致在 <code>12 ~ 25 dB</code> 内缓慢变化；配置里的 <code>headroom_db</code>（默认 <code>5 dB</code>）是额外安全余量。于是目标增益可概括为：</p>
<div class="highlight"><div class="chroma">
<table class="lntable"><tr><td class="lntd">
<pre tabindex="0" class="chroma"><code><span class="lnt">1
</span><span class="lnt">2
</span></code></pre></td>
<td class="lntd">
<pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">估计输入峰值电平 = 语音 RMS + 动态峰值余量
</span></span><span class="line"><span class="cl">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)</span></span></code></pre></td></tr></table>
</div>
</div>
<p>例如仅作算例：语音 RMS 为 <code>−35 dBFS</code>、动态峰值余量为 <code>15 dB</code>、配置余量为 <code>5 dB</code>，估计峰值约 <code>−20 dBFS</code>，初步想加 <code>15 dB</code>。若噪声底为 <code>−60 dBFS</code>，而配置要求输出噪声不高于 <code>−50 dBFS</code>，允许的增益只有 <code>10 dB</code>；最终目标就被压到 <code>10 dB</code>。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 <code>50 dB</code>，输出噪声上限为 <code>−50 dBFS</code>；具体数值可按业务调整。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/adaptive_digital_gain_controller.cc#35">目标增益与噪声限制</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/saturation_protector.cc#20">饱和保护器</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/api/audio/audio_processing.h#349">默认参数</a></p>

<div class="mermaid">flowchart TD
    R[&#34;可信语音 RMS&#34;] --&gt; P[&#34;加动态峰值余量，估计语音峰值&#34;]
    P --&gt; T[&#34;计算初步目标增益，保留配置安全余量&#34;]
    T --&gt; N[&#34;噪声底上限：防止背景被抬高&#34;]
    N --&gt; C[&#34;估计不可信且 Limiter 负担偏高？进一步限益&#34;]
    C --&gt; V[&#34;足够连续的语音才允许上升，变化速率受限&#34;]
    V --&gt; O[&#34;逐样本平滑施加数字增益&#34;]</div>
<p>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 <strong>5 秒</strong>，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 <code>6 dB/s</code> 限制，相当于 <code>0.06 dB/帧</code>；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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/noise_level_estimator.cc#50">噪声底估计</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/adaptive_digital_gain_controller.cc#151">增益变化</a></p>
<h3 id="4-固定增益与-limiter处理剩下的峰值风险">4. 固定增益与 Limiter：处理剩下的峰值风险</h3>
<p>自适应增益之后可再加一个固定数字增益，默认 <code>0 dB</code>。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<strong>最终防线</strong>，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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/gain_controller2.cc#183"><code>GainController2::Process</code></a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc2/limiter.cc#60"><code>Limiter::Process</code></a></p>
<h2 id="四回到开头解决了什么留下什么">四、回到开头：解决了什么，留下什么</h2>
<table>
	<thead>
			<tr>
					<th>开头的难题</th>
					<th>AGC2 的手段</th>
					<th>仍需留意</th>
			</tr>
	</thead>
	<tbody>
			<tr>
					<td>远讲者小声</td>
					<td>输入音量建议与自适应数字增益</td>
					<td>增益有上限，且可能被噪声约束；设备音量要由应用配合</td>
			</tr>
			<tr>
					<td>近讲者或瞬态太大</td>
					<td>采集端削波检测/预测、动态峰值余量、Limiter</td>
					<td>已在采集端削坏的信号无法复原；最快的尖峰仍可能削波</td>
			</tr>
			<tr>
					<td>停顿时噪声变响</td>
					<td>VAD 门控、单独噪声底估计和输出噪声上限</td>
					<td>VAD 误判、背景噪声突变会影响控制；增益不能“消除”噪声</td>
			</tr>
			<tr>
					<td>音量追得太快而抽吸</td>
					<td>连续语音确认、语音估计平滑、增益变化限速</td>
					<td>更稳意味着新说话人或音量阶跃后的收敛有时间成本</td>
			</tr>
			<tr>
					<td>多人通话忽大忽小</td>
					<td>各发送端可分别做 AGC</td>
					<td>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</td>
			</tr>
	</tbody>
</table>
<p><strong>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。</strong> 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。</p>
<h2 id="五与-legacy-agcagc1对照">五、与 legacy AGC（AGC1）对照</h2>
<p>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<strong>控制器的划分、估计方法与约束表达</strong>，不能把 AGC2 简化为“新算法有 VAD，旧算法没有”。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc/agc.cc#26"><code>AgcManagerDirect</code> 使用的电平估计</a> · <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/agc/legacy/digital_agc.cc#303">legacy digital AGC</a></p>
<table>
	<thead>
			<tr>
					<th>维度</th>
					<th>AGC1 / legacy AGC</th>
					<th>AGC2</th>
			</tr>
	</thead>
	<tbody>
			<tr>
					<td>对外配置</td>
					<td><code>AdaptiveAnalog</code>、<code>AdaptiveDigital</code>、<code>FixedDigital</code> 三种模式；目标峰值、压缩增益、Limiter</td>
					<td>输入音量、自适应数字增益、固定数字增益可组合，后接 Limiter</td>
			</tr>
			<tr>
					<td>语音判断</td>
					<td>传统 VAD 与语音电平统计；数字级也有近端/远端 VAD</td>
					<td>常规 APM 路径使用内部 RNN VAD，显式语音电平置信状态</td>
			</tr>
			<tr>
					<td>噪声处理</td>
					<td>有静音门控等机制</td>
					<td>单独估噪声底，用 <code>max_output_noise_level_dbfs</code> 显式限制可增加的增益</td>
			</tr>
			<tr>
					<td>峰值处理</td>
					<td>模拟音量削波控制、数字压缩/限幅</td>
					<td>输入音量削波检测/预测、动态峰值余量、末端 Limiter</td>
			</tr>
			<tr>
					<td>设备耦合</td>
					<td>自适应模拟模式要接入系统麦克风音量回路</td>
					<td>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</td>
			</tr>
	</tbody>
</table>
<p>AGC1 的三种模式定义见 <a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/api/audio/audio_processing.h#232">配置接口</a>；AGC2 的组合配置见<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/api/audio/audio_processing.h#329">同一接口</a>。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<strong>不应同时启用</strong>，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。<a href="https://webrtc.googlesource.com/src/&#43;/3dec7d05377fb690e84f503db865edde982ab2a5/modules/audio_processing/audio_processing_impl.cc#1896">APM 处理次序与初始化检查</a></p>
<p>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”。</p>]]></content:encoded>
    </item>
  </channel>
</rss>
