0005 – Mehrschichtige Echo-Behandlung mit eigener Bulk-Delay-Kompensation

Status: angenommen

Kontext

Der Assistent darf nie auf seine eigene Stimme reagieren. Bei Netzwerkkameras als Mikrofon und Lautsprecher kommt die eigene Ausgabe mit 1–2 s Verzögerung zurück (C200: ~1,8 s), schwankend mit der Netzlast. Manche Geräte schalten ihr Mikrofon während der Wiedergabe stumm.

Messung (scripts/measure_aec.py): WebRTC AEC3 dämpft bis ~0,4 s Verzögerung 32–40 dB, ab 0,6 s nur noch ~10 dB. Mit vorgeschalteter Bulk-Delay-Kompensation bleiben es ~40 dB auch bei 1,8 s.

Entscheidung

Mehrere unabhängige Schichten statt eines einzelnen Echo-Cancellers (AUDIO.md):

1. AEC3 (über livekit) mit Referenz, die um die per GCC-PHAT gemessene Verzögerung verschoben ist,
2. deterministisches Echo-Fenster mit Half-Duplex-Gate (Standard), Full Duplex nur nach gemessener Echodämpfung ≥ 18 dB,
3. Wakeword-Unterdrückung während der eigenen Wiedergabe,
4. Transkript-Echo-Filter gegen kürzlich Gesagtes,
5. Ignorieren des Wakeword-Nachlaufs, Inaktivitäts-Timer erst nach dem Echo-Fenster.

Die Kalibrierung misst die Verzögerung mit Sweeps und erkennt Geräte, die ihr Mikrofon stummschalten.

Alternativen

• Nur AEC3 / Speex: versagt bei Netzwerklatenz (Messung oben).
• Immer Half Duplex ohne AEC: sicher, aber kein Barge-in auf geeigneten Geräten.
• Nur Transkript-Vergleich: reagiert erst nach STT, also zu spät für das Wakeword.

Konsequenzen

• Sicher auch auf Geräten mit unbekannter, schwankender Latenz.
• Barge-in nur auf Geräten mit echtem Full Duplex und gemessener Echodämpfung; mit der C200 nicht möglich.