AEC e beamforming: a engenharia de áudio que faz a videoconferência funcionar

Em projetos de salas de videoconferência, o vídeo concentra as atenções: tamanho de tela, resolução, enquadramento. Mas quem opera reuniões todos os dias sabe onde a experiência realmente se decide: no áudio. Uma imagem que congela por dois segundos é tolerada; meia frase perdida obriga a repetição, quebra o raciocínio e, em reunião de decisão, tem custo real.

Na Netfocus, projetamos e sustentamos sistemas de videoconferência em órgãos federais desde 2009 e observamos um padrão consistente: boa parte dos chamados classificados como "videoconferência ruim" é, na investigação, problema de captação e processamento de voz — não de rede nem de imagem. Este guia abre a caixa-preta desse processamento: AEC, beamforming, AGC e supressão de ruído — o que cada bloco faz, por que falha e como especificar.

Por que o áudio decide a reunião (e o vídeo perdoa)

Há uma assimetria de percepção que explica por que problemas de áudio sobrevivem por meses sem correção: quem está na sala não os ouve. O eco atinge apenas o participante remoto; o ruído de climatização que o microfone amplifica incomoda o outro lado; a voz "metálica" de um processamento mal ajustado aparece do lado de lá. A equipe local encerra a reunião convencida de que estava tudo bem — e o problema segue aberto até virar reclamação formal.

Do ponto de vista de engenharia, a questão é objetiva: o microfone não capta apenas a voz de quem fala. Capta as reflexões dessa voz nas paredes e no vidro, o ruído de fundo do ar-condicionado e — pior — o som que os próprios alto-falantes da sala reproduzem. A cadeia de processamento de voz existe para separar, em tempo real, o sinal que interessa de tudo o mais. Quando é bem projetada, ninguém nota que ela existe; quando falha, a reunião inteira nota.

AEC: o que o cancelamento de eco faz — e por que falha

AEC (Acoustic Echo Cancellation, cancelamento de eco acústico) resolve o problema mais incômodo da viva-voz: o som do participante remoto sai pelos alto-falantes, percorre a sala, entra pelo microfone e volta para quem falou, com atraso. Sem AEC, cada palavra dita do outro lado retorna como eco — e a conversa simplesmente não acontece.

Como o AEC funciona

O AEC recebe duas entradas: o sinal de referência (o que está sendo reproduzido nos alto-falantes) e o sinal do microfone. Um filtro adaptativo modela o caminho acústico entre alto-falante e microfone — incluindo as reflexões do ambiente — e subtrai do microfone a estimativa do eco; um supressor residual completa o trabalho nas sobras. O detalhe decisivo: o filtro precisa convergir, isto é, aprender a resposta acústica da sala. Qualquer mudança — pessoas entrando, porta aberta, volume alterado — exige readaptação em frações de segundo.

O teste de qualidade de um AEC é o double-talk: os dois lados falando ao mesmo tempo. Implementações bem integradas mantêm a fala local íntegra enquanto cancelam o eco; implementações fracas cortam sílabas ou deixam eco residual justamente nos momentos mais dinâmicos da reunião.

Por que o AEC falha quando o projeto é ruim

• Sem sinal de referência correto — se o áudio reproduzido na sala não passa pelo processador que faz o AEC (integrações improvisadas com TV ou amplificador à parte), o filtro não sabe o que subtrair e o eco vaza inteiro;
• Dois AECs em cascata — barra de vídeo com AEC próprio somada a DSP com AEC ativo gera duplo processamento: voz "debaixo d'água", artefatos e cortes;
• Nível de reprodução excessivo — alto-falante alto demais, ou próximo demais do microfone, empurra o eco além do que o filtro consegue modelar;
• Reverberação alta — a cauda de reflexões da sala se alonga além da janela temporal que o filtro modela; salas "vivas" engolem o AEC;
• Desalinhamento de latência — em sistemas de áudio em rede (Dante/AES67), referência e captação precisam estar alinhadas no tempo; roteamento incorreto degrada a convergência.

Beamforming: microfones que apontam para quem fala

Um microfone de teto com beamforming não é "um microfone pendurado": é um array de dezenas de cápsulas cujos sinais são combinados por DSP com atrasos calculados, formando lóbulos direcionais de captação. Em vez de uma cápsula esperando a voz chegar, o conjunto mira eletronicamente em quem fala — e rejeita o que vem das demais direções.

Na prática, os sistemas operam em dois modos. Lóbulos fixos: o projetista define zonas de captação sobre as posições de assento e zonas de exclusão sobre fontes de ruído (porta, saída de ar, projetor). Direcionamento dinâmico: o array localiza e segue o orador automaticamente. Bons projetos combinam os dois — zonas que delimitam onde o sistema procura voz e rastreamento fino dentro delas.

Os ganhos são reais: mesa livre de equipamentos, estética limpa, higiene (ninguém compartilha microfone) e liberdade de movimento. Mas há um limite físico que nenhum material de marketing revoga: a relação entre som direto e som reverberado cai com a distância. Quanto mais longe a boca está do array, mais a sala "entra" no sinal — e pé-direito alto, vidro, mesa dura e reverberação elevada degradam a captação de um modo que o processamento não recupera integralmente.

Por isso, em plenárias e ambientes formais com posições fixas de fala, o gooseneck de bancada segue imbatível em inteligibilidade — comparamos as opções de captação em detalhe no artigo sobre microfone de teto, gooseneck e sem fio.

AGC, supressão de ruído e a cadeia completa

AEC e beamforming são os blocos mais comentados, mas a qualidade final vem de uma cadeia inteira de processamento, tipicamente nesta ordem:

1. Ganho de entrada — ajuste do nível de cada microfone à eletrônica, com margem para picos;
2. AEC — cancelamento de eco por canal, com o sinal de referência correto;
3. Supressão de ruído — remove ruído estacionário (climatização, ventilação de equipamentos); soluções recentes usam aprendizado de máquina para ruídos não estacionários, como teclado e papel;
4. Automixer — em salas com vários microfones, mantém abertos apenas os canais com fala ativa, reduzindo a soma de ruído e reverberação;
5. AGC — controle automático de ganho: nivela vozes de intensidades diferentes, a distâncias diferentes, sem "bombear";
6. Equalização de voz — corta os graves da climatização e realça a região de presença, onde mora a inteligibilidade;
7. Compressor/limiter — controla a dinâmica e protege o envio ao codec;
8. Matriz mix-minus — cada destino recebe a mistura certa: o codec recebe a sala sem o próprio retorno, o reforço local reproduz o remoto sem realimentar, a gravação recebe tudo.

A ordem importa: o AEC deve operar antes das etapas não lineares, porque supressões agressivas aplicadas antes dele descaracterizam o sinal e prejudicam a convergência do filtro. E cada bloco mal ajustado cobra seu preço — AGC rápido demais "respira", supressão excessiva torna a voz robótica, equalização errada tira corpo. Processamento de voz não é ligar tudo no máximo: é calibrar o mínimo necessário para a sala específica.

O que o DSP não conserta: acústica primeiro

Existe uma hierarquia que projetos malsucedidos invertem: primeiro o ambiente, depois a eletrônica. Reverberação e ruído de fundo consomem inteligibilidade antes do primeiro bloco de processamento — e a recuperação nunca é completa.

Duas grandezas resumem o problema. O RT60 (tempo de reverberação) de salas de reunião confortáveis fica tipicamente na casa de 0,4 a 0,6 segundo; salas de vidro e concreto sem tratamento passam facilmente disso, e o resultado é a voz "de banheiro" que o remoto ouve. O ruído de fundo — quase sempre climatização — define o piso sobre o qual a voz precisa se destacar. Explicamos as métricas e os alvos práticos no guia sobre RT60, STIPA e NC.

A boa notícia: o custo do tratamento costuma ser modesto perto do custo do sistema. Forro acústico, painéis nas superfícies críticas e revisão da insuflação de ar resolvem a maior parte dos casos — e fazem cada real investido em eletrônica render mais. Em ambientes com restrição arquitetônica, um projeto acústico orienta onde intervir com o menor impacto visual.

O que especificar por porte de sala

A arquitetura de áudio muda de natureza conforme o porte. Especificar de menos gera frustração; de mais, desperdício. O recorte abaixo reflete o que temos entregado em órgãos federais.

Huddle rooms e salas pequenas (até ~6 pessoas)

Barra de vídeo all-in-one certificada para a plataforma adotada resolve: AEC embarcado, array com beamforming, alto-falante integrado e um único cabo para o usuário — modelo que detalhamos no artigo sobre BYOD, BYOM e USB-C. O erro comum aqui é o oposto do subdimensionamento: complexidade demais. Sala pequena não precisa de DSP dedicado; precisa de equipamento certificado, bem posicionado e longe do fluxo de ar da climatização. A diferença entre esse padrão e o improviso doméstico está em videoconferência profissional vs doméstica.

Salas médias (8 a 16 pessoas)

Aqui começa o território do DSP dedicado com AEC multicanal. Especifique: microfone de teto (ou de mesa) com beamforming e zonas configuráveis; reforço de som dedicado — não o alto-falante da TV — alimentado pelo DSP, garantindo a referência correta do AEC; transporte de áudio em rede (Dante/AES67) para simplificar o cabeamento; automixer; e um único ponto de processamento, com o AEC da barra desativado quando houver DSP. Preveja o comissionamento no escopo: presets documentados e backup de configuração.

Salas de conselho e plenárias

Captação por zona (múltiplos arrays de teto ou gooseneck por posição), matriz mix-minus para reforço local sem realimentação, integração com sistema de conferência, gravação e tratamento acústico como pré-requisito de projeto. Nesses ambientes, o áudio local — todos ouvindo bem dentro da sala — importa tanto quanto o envio ao participante remoto, e o projeto se aproxima do que descrevemos em áudio profissional para auditórios.

Validação na entrega e vida em operação

Áudio de videoconferência se aceita com teste, não com impressão. Nosso protocolo mínimo de aceitação:

1. Chamada real bidirecional com participante externo, avaliada dos dois lados;
2. Teste de double-talk: fala simultânea sem corte de sílabas nem eco residual;
3. Verificação de ruído de fundo com climatização ligada, em condição real de uso;
4. Conferência de cobertura de captação em todos os assentos e, quando o porte justificar, medição de inteligibilidade por STIPA;
5. Checklist de verificação estruturado conforme ANSI/AVIXA V202, com evidências documentadas;
6. Backup das configurações do DSP e registro dos presets na documentação as-built.

Depois da entrega, o sistema vive: firmware de barras e processadores evolui, plataformas mudam requisitos, salas são remobiliadas. Contratos de sustentação com monitoramento e SLA definido — na Netfocus, trabalhamos com SLA contratual de 4 horas em missão crítica — mantêm a experiência estável ao longo do ciclo de vida. Áudio bom não é acontecimento: é engenharia mantida.

Matheus Lourencatto — Engenharia Netfocus. Integração audiovisual para o governo federal desde 2009: 150+ projetos entregues em 50+ órgãos, SICAF ativo e SLA contratual de 4h. Fale com a engenharia →