你是否有过这样的经历：
用电脑开视频会议，说着说着，对方说：“你那边好吵啊，能听到键盘声。”
或者更尴尬的：对方说的话，从你的扬声器播出来，又被你的麦克风录进去，对方听到了自己的回声，循环往复，整个会议变成了一个回音壁。
WebRTC APM 就是为了解决这些问题的。
WebRTC APM 是什么？
APM，全称 Audio Processing Module，即音频处理模块。WebRTC APM 即 WebRTC 开源项目中的核心音频处理模块。它主要负责在实时通信过程中提升音频质量，处理因环境和硬件引起的各种声音缺陷。
如果用一个通俗的比喻来解释：
APM 就是 WebRTC 内置的”音频滤镜”。
就像你拍照时打开美颜，APM 在你通话时对你的声音进行实时”美化”，如去掉噪声、消除回声、均衡音量，让对方听到一个干净清晰的声音。
在 WebRTC 的架构中，APM 的位置如下：
摄像头 → 视频采集 → 视频编码 → 网络传输 → 对端
↕
麦克风 → 音频采集 → ★ APM ★ → 音频编码 → 网络传输 → 对端
↑
本文的主角在这里APM 位于音频采集之后、音频编码之前，是所有本地采集的音频数据必经的一站。它是 WebRTC 音视频通话体验好坏的关键环节。虽然是 WebRTC 的一部分，但 APM 有被剥离出独立的webrtc-audio-processing库，可单独集成到 Android、iOS、Linux、Windows 以及嵌入式 ARM 设备中。
WebRTC APM 核心功能和运行机制
核心功能(3A算法及其它)
WebRTC 为语音通信提供了一套完整的技术栈。它不仅包含必要的编解码器，还包含其他实现卓越用户体验所必需的组件。这其中APM包括一系列基于软件的算法，如：
- AEC (Acoustic Echo Cancellation)：回声消除。消除扬声器播放出来的声音再次进入麦克风后产生的回声。
- AGC (Automatic Gain Control)：自动增益控制。动态调整音量，使不同距离的发言者音量保持平稳一致。
- NS (Noise Suppression)：噪声抑制。识别并消除背景环境中的持续性噪声（如风声、风扇声等）。
- VAD (Voice Activity Detection)：语音活动检测。识别当前帧是否包含人声，常用于节省带宽（静音时不发包）。
- High-Pass Filter：高通滤波器。过滤低频干扰（如电源频率干扰）。
运行机制
APM 的处理流程分为两个并行的流：
- 近端流 (Near-end Stream)：指麦克风采集的音频数据。这是主要的处理对象，会依次经过高通滤波、回声消除、降噪、增益控制和语音检测。
- 远端流 (Far-end Stream / Reverse Stream)：指从接收端收到的、即将播放的音频数据。APM 需要分析此数据作为回声消除的参考基准。
把上面的内容串起来，一个完整的 APM 处理流程大概是这样的：
麦克风采集 → 原始音频 │ ① 高通滤波HF │
│ （过滤低频干扰） │
├──────────────────────────────────┤
│ ② AEC 回声消除 │
│ （去掉扬声器漏入的回声） │
├──────────────────────────────────┤
│ ③ VAD 语音活动检测 │
│ （判断"当前有没有人在说话"） │
├──────────────────────────────────┤
│ ④ NS 噪声抑制 │
│ （只在有人说话时降噪，避免误伤） │
├──────────────────────────────────┤
│ ⑤ AGC 自动增益控制 │
│ （均衡音量到目标水平） │
├──────────────────────────────────┤
│ ⑥ 声学透明度处理 │
│ （保持自然听感） │
└──────────────────────────────────┘
↓
干净清晰的音频
↓
编码（Opus）→ 网络传输 → 对端解码 → 扬声器播放整个过程在毫秒级别完成，实时进行，你在通话时完全感觉不到处理过程的存在。可以说，有了 APM，才有了今天我们习以为常的清晰流畅的视频通话体验。
WebRTC APM 的关键参数配置
WebRTC APM 的每个子模块都有可调参数，以下是最常用的配置项及其含义：
AEC 相关参数
| 参数 | 含义 | 建议值 |
|---|---|---|
enabled | 是否开启回声消除 | true（建议始终开启） |
stream_delay_ms | 扬声器到麦克风的预估延迟 | 根据实际设备设置，通常 0~100ms |
extended_filter | 是否启用扩展滤波器 | true（移动设备建议开启，覆盖更长延迟） |
NS 相关参数
| 参数 | 含义 | 建议值 |
|---|---|---|
enabled | 是否开启噪声抑制 | true |
level | 降噪强度等级 | kModerate（推荐）/ kHigh（嘈杂环境）/ kLow（安静环境） |
denoise_for_speech | 是否仅在检测到语音时降噪 | true（避免无人说话时的”呼吸感”） |
AGC 相关参数
| 参数 | 含义 | 建议值 |
|---|---|---|
enabled | 是否开启自动增益 | true |
target_level_dbfs | 目标输出电平（分贝） | 3（推荐）/ 9（更高音量）/ 12（更低音量） |
compression_gain_db | 最大压缩增益 | 9（推荐）/ 12（需要更大增益时） |
enable_limiter | 是否启用限幅器 | true（防止突然爆音） |
调参经验：没有一个”万能配置”适用所有场景，建议根据你的主要使用环境选择预设方案。WebRTC 提供了 APM 的音频调试接口（AudioProcessing::GetStatistics()），可以实时获取每个子模块的处理状态和性能指标。在开发阶段建议开启 APM Debug 日志，能看到每一帧音频经过各模块后的增益变化、噪声估计值等数据。
WebRTC APM 与 ZEGO SDK 在音频处理的比较
即构科技(ZEGO)是全球领先的实时互动云服务提供商，ZEGO Express SDK(实时音视频SDK) 内置新一代实时Purio AI 音频引擎，在音频处理方面达到国际一流水平。不同于简单”照搬” WebRTC APM，ZEGO 从成立开始就是自研，做了深度定制和优化：
| 对比维度 | WebRTC APM | ZEGO Express SDK |
|---|---|---|
| 回声消除（AEC） | 基础线性滤波 | AI 回声消除：高达 99.9% 音频回声消除、高精度 AI 模型还原音质和场景化 AI 回声消除效果。 |
| 噪声抑制（NS） | 基于 RNN 的 WebRTC NS | AI 降噪：全场景 400+ 噪音识别与消除，实时自动识别不同的场景，智能调整 AI 降噪策略。 |
| 自动增益（AGC） | 标准 WebRTC AGC | 自研 AGC：音量均衡，适配各种场景，智能响度平衡，让听觉体验更舒适。 |
| 人声检测（VAD） | WebRTC 内置 VAD | AI VAD，精准度更高。精确识别有效人声，过滤”嗯”、”喔”等等轻声回应及咳嗽、类人声等噪音。 |
| 空间音频 | ❌ 不支持 | ✅ 支持 |
| AI 降噪模型持续更新 | ❌ 依赖社区维护 | ✅ 定期升级 |
| 适配弱网/低算力设备 | 通用适配 | 采用轻量化技术方案，在主流设备 CPU 消耗增幅 <1%；低功耗，千元机不卡顿不过热。 |
WebRTC APM 是一个通用基线：功能完整、开箱即用、免费，适合大多数标准场景。如果你的场景比较简单（网页端 1 对 1 通话），WebRTC 自带 APM 够用。如果你的场景有较高要求（嘈杂环境、多人会议、外接音响、移动端弱网），ZEGO Express SDK 的音频 3A 处理会明显优于 APM 开源方案。
总之，APM 是 WebRTC 中不可或缺的模块。它默默工作在你每一次音视频通话背后，让你和对方的对话清晰自然。下次你在嘈杂环境中开视频会议时，如果对方还能听清你说的话——那都是 APM 在悄悄发挥作用。
原创文章，作者：ZEGO即构科技，如若转载，请注明出处：https://market-blogs.zego.im/reports-baike/3356/
