一、關於嘯叫，根據聲音系統可以分為兩種情況來對比傳統和深度學習去嘯叫的效果：
1、一種是擴聲系統，比如大型演播廳，ktv,本地會議擴聲系統等，這種場景下的嘯叫正反饋自激時間短。
2、另一種就是錄播系統，比如在同乙個房間打**或者遊戲開黑導致的嘯叫，這種嘯叫自激往往是一段一段。
二、傳統嘯叫的處理方法：
1、移頻：這個方法對聲音的失真相對比較大。
2、陷波：這個方法在很多硬體產品中使用非常多，自適應陷波器通過查詢嘯叫點，控制很小的band,
以及一定演算法複雜度的情況下，效果相對比較好。
深度學習處理嘯叫：（通過把嘯叫作為雜訊和純淨語音混合作為訓練樣本，最終訓練出消除嘯叫的模型）
三、傳統和深度學習去嘯叫的最終效果對比：
1、擴聲系統下：
自適應陷波器需要根據檢測嘯叫點的數目，同時控制band和抑制db 數，整體做的很好的
嘯叫抑制並很小的失真，在大部分場景下，這種方法非常的實用，而相對於深度學習抑制
效果，把嘯叫當作雜訊，會反覆出現嘯叫自激，並且處理後在語音段會有明顯金屬音殘留
（由於深度學習方法收斂資料快，並不會有很長的嘯叫殘留），而傳統方法往往只會在同一
頻點第一次嘯叫時會有殘留，主要是傳統方法直接改變了正反饋迴路而深度學習方法只是
把嘯叫作為了雜訊消除，另外深度學習不需要設定嘯叫點數目算是乙個好處。
總結下：在這種場景下，其實並不覺得那種更好，在場景固定，嘯叫點固定的場景下，覺得還是
傳統的方法更合適，但是在不停移動的場景中，深度學習的方法可能也合適。
2、錄播場景下：
以手機嘯叫為對比，發現，傳統方法很難適用這種場景，主要是因為傳統方法需要較長的時
間的來檢測嘯叫點，但是手機嘯叫一段一段的，導致檢測很不準確。這個時候使用深度學習
抑制嘯叫是乙個不錯的選擇。
嘯叫抑制（howling suppression）
前言 下午看到群裡討論有人提到這個問題，記錄一下。一 嘯叫 定義在平時跟別人用電腦語音聊天，聲音傳給你 再傳給對方 再傳給你，迴圈往復且不消失，這個就是嘯叫了。專業一些的說法就是 在聲學場景中，當形成聲反饋閉合迴路時容易出現嘯叫現象，如圖 其原因是 話筒採集的聲音頻號包含了經過揚聲器放大的聲音頻號，...
嘯叫抑制器
嘯叫抑制器，也叫反饋抑制器，就是用來乾掉嘯叫的裝置。一般都是2進2出的一台1u機架裝置，如下圖的 dbx afs 2和sabine fbx2410。抑制器的法寶就是 自動濾波器 自動濾波器有兩般變化，固定濾波器和活動濾波器。由於抑制器會對音質有一定損害，所以抑制器多用於工程方面，如會議室和報告廳等等...
嘯叫抑制方法簡介
嘯叫場景 擴音系統中，特別是會議 教學 ktv等場景，提高擴音系統音量，嘯叫出現的概率非常高，嘯叫的產生屬於正反饋，音響的聲音重新被麥克風拾音，產生自激，導致嘯叫，嘯叫不僅會影響聽覺，也會燒壞音響裝置。嘯叫抑制方法 硬體 1 使用低靈敏度 高指向性的麥克風。2 音響使用非指向性，現場布局時，避免音響...