线性回声消除（回声消除的核心，设计一组线性自适应滤波器，消除设备自身产生的回声，同时尽可能的保护近端语音不要受到损伤）
双讲检测（控制在线性回声消除阶段，究竟什么时刻该做什么事情，有以下几种状态：只有远讲回声信号存在、既有远讲回声信号又有近端的语音信号、
残余回声抑制（把前面线性回声消除部分没有消除干净遗漏过来的残余回声，做进一步回声消除）
参考信号：近端扬声器播放的语音信号(没有经过污染的纯净语音)，远端输入信号，近端输出信号
输入信号：麦克风接收到的输入信号（参考信号的回声+近端说话语音）
输出信号：近端说话语音信号
解混响混响是由语音的多径效应所产生，在数学表达上是一个近场的纯净语音信号去卷积一个房间的冲击响应函数（RIR），这样的话能得到一个混响的语音信号。我们希望把混响的干扰因素消除掉，技术上有以下几种方法：
盲反卷积法[NeelyandAllen，1979]：直接去估计房间冲击响应函数的逆函数，如果把RIR当做是一个滤波器的话，我们直接去估计RIR的一个逆滤波器，然后把逆滤波器作用在带有混响的语音上，就得到了纯净语音信号。（“盲”：即没有任何的先验信息（既不知道原始信号的统计信息，也不知道房间的冲击响应函数），这种情况下想要恢复原始语音信号是非常困难的，所以我们只能假设完全没有噪声的场景，并且假设房间的冲击响应函数RIR是不变的，只有在这种比较严格的假设之下，才能得到相对较好的结果，但是这种假设在我们的实际情况当中是不会得到满足的，所以这种技术缺陷也是比较明显的）
加权预测误差[WPE，Takuya，2012]：因为语音信号具有线性预测特性(如果把语音信号当做是一系列采样点信号的话，那么下一个采样点可以用当前时刻以及当前时刻之前的若干采样点的值去预测出下一个时刻采样点的值)，WPE认为混响可以分为早期混响和晚期混响，早期混响对于我们人的听觉感受系统没有负向作用，相反可能还有正面作用；晚期混响相对于房间冲击响应的拖尾的声音。那么加权预测误差则是希望估计一个最优的线性预测滤波器，这个滤波器的作用能够将房间冲击响应函数消除晚期混响的影响，多用于多通道。适用于单通道和多通道场景，多通道效果更好。
麦克风阵列波束形成：混响是多路径反射到达麦克风的，所以入射方向是全向的入射，而语音是方向性的入射，所以可以设计一个波束，拾取手机语音入射方向的语音。这样其他方向的混响就会被抑制
深度学习用于解混响[Han，2015]：通过DAE、DNN、LSTM或者GAN，实现频谱映射，端到端映射：带有干扰的语音信号频谱直接映射成为纯净语音信号的频谱，mask（掩膜，适用于乘性噪声）：在当前的一个时频点上，是有效语音多还是带噪语音多，如果有效语音多则提取，如果带噪语音多则抑制。
旨在解决“鸡尾酒会”问题，人类具有这样一种能力，当我们身处多个说话人环境里面，比如：鸡尾酒会，人们可以很容易聚焦我们感兴趣的声音，而当前却没有哪个机器算法能达到人的这种专注注意力的能力，这个问题就引领了语音分离这个方向领域的推进
听觉场景分析法[俄亥俄大学 王德亮教授，2004]：将听觉场景分析引入到了计算领域，因此有了Computational Auditory Scene Analysis (CASA)，主要关注的并不仅仅的是语音分离还有语音和其他噪声或音频的分离。技术思路：把鸡尾酒会问题变成一个二分类问题，这个二分类结果称为理想二值掩膜，在时频单元上，噪声占主导，则IBM的值为0；如果目标语音占主导，则IBM的值为1,。这样一来语音分离问题就变成了一个二分类问题。可以通过监督学习来实现，