做音频、做传感器、做精密测量的朋友大概都经历过这种场面电路照着参考设计抄的,代码也是官方示例,示波器一挂,信号上全是毛刺;或者语音通话里背景空调声怎么都去不干净,换成激进的降噪参数,人声又变得像隔着塑料桶说话。问题往往不在电路画错了或者算法写错了,而在于我们对噪声本身的来源、统计特性、频域形态缺乏一个完整的认知地图,自然也就没法针对性地选降噪算法。这篇内容我想把电气噪声和信号处理里的降噪算法放到同一张桌子上讲清楚:哪些噪声是从源头就该掐掉的,哪些只能靠算法估计抵消,两者的边界在哪,选型时该看哪些判据,以及我踩过的那些坑。适合做嵌入式音频、传感器信号链、语音前端的同学,也适合刚接触数字信号处理、想找个真实场景练手的朋友。1. 噪声到底是什么:从物理本质到工程分类很多人一上来就想找最好的降噪算法,但如果不先搞清楚噪声的来路,后面所有的调参都是撞运气。噪声这个词在工程语境下至少有三种含义:器件内部物理过程产生的随机涨落、外部环境耦合进来的确定性干扰、以及信号本身携带但被我们定义为无用的成分。这三类的处理手段完全不同,混在一起谈就会打乱仗。1.1 噪声与干扰的边界,决定了你该用滤波还是该用屏蔽我习惯先用一个简单判据把问题切开:如果你能画出它的波形、找到它的频率、甚至能预测它下一秒长什么样,那它是干扰;如果它只在统计意义上存在,你只能描述它的功率谱密度和幅度分布,那它是噪声。开关电源的 100kHz 啸叫是干扰,可以用陷波器干掉;电阻两端的热噪声是噪声,你只能降低带宽、降低阻值或者降低温度,没法消掉。这个区分直接决定了处理层级。干扰优先在物理层解决:改布局、加屏蔽、拉开距离、做差分传输。噪声则主要靠电路设计和算法去压制。我见过不少项目组把工频干扰当成白噪声丢给谱减法处理,结果就是削掉一大片低频能量,语音听起来发虚,而 50Hz 的嗡嗡声还在。顺手把三个基础噪声公式摆出来,后面算等效输入噪声要用:热噪声(约翰逊噪声):v_n √(4kTRB),k 是玻尔兹曼常数 1.38e-23,T 是绝对温度,R 是电阻值,B 是带宽。室温下 1kΩ 电阻在 20kHz 带宽内的噪声约 0.57µV RMS,换成噪声密度就是 4.07 nV/√Hz,这个数字请记住,它是很多信号链噪声预算的基准线。散粒噪声:i_n √(2qIB),q 是电子电荷 1.6e-19,I 是直流电流。运放输入级的偏置电流、光电二极管的暗电流都会贡献这一项。闪烁噪声(1/f 噪声):功率谱密度和频率成反比,低频段占主导。MOS 管的栅氧界面陷阱、碳膜电阻的颗粒结构都会产生它。它的拐点频率通常在几百 Hz 到几 kHz,做直流或低频测量时它是头号敌人。1.2 从频谱看噪声家族:白噪、粉噪、1/f、脉冲噪声噪声的颜色其实是功率谱密度的斜率。搞音频降噪的人对这个特别敏感,因为算法的增益曲线设计完全取决于噪声在频谱上的形状。噪声类型功率谱特征典型来源对降噪算法的要求白噪声全频段平坦热噪声、量化噪声谱减法即可,注意音乐噪声粉噪声(1/f)-3dB/倍频程空调、风声、人群嘈杂需要按频带自适应估计布朗噪声-6dB/倍频程积分型电路、漂移高通预处理必须先做脉冲噪声宽带瞬态开关动作、静电中值滤波、瞬态抑制优先周期性噪声离散谱线电机、工频、开关电源陷波器或梳状滤波提示:实际环境噪声几乎不可能是单一颜色,办公室场景往往是粉噪声打底加上周期性空调嗡声,再叠加键盘敲击的脉冲噪声。分而治之比用一个算法硬扛要高效得多。这里有个容易被忽略的点:量化噪声在白噪声家族里很特殊,它是均匀分布而不是高斯分布,幅度上限就是 1 个 LSB。有人拿 16bit ADC 做低电平信号采集,抱怨噪声大,其实那已经是量化底噪了,再好的降噪算法也变不出有效位数来。1.3 地弹噪声:数字电路给模拟前端的隐形炸弹地弹噪声(ground bounce)是我这几年踩坑最多的一个。它的机理不复杂:芯片封装引脚、键合线、PCB 过孔都有寄生电感,典型值在 1nH 到 10nH 之间。当数字输出同时翻转时,瞬态电流流过这段电感,根据V L·di/dt就会在地上抬出一个尖峰。算一笔账:一段 2nH 的引线电感,如果 8 个 IO 口同时开关,每个灌入 5mA 的瞬态电流,上升时间 1ns,那么 di/dt 40mA/ns,感应电压就是 2nH × 40mA/ns 80mV。听起来不大?可如果你的 ADC 满量程是 2.5V、16bit 分辨率,1 个 LSB 只有 38µV,80mV 的地弹相当于 2000 多个 LSB,足够让采样值整个跳飞。地弹噪声最阴险的地方在于它看起来像噪声但实际是干扰。你在频域上能看到它表现为一串离散的谐波,和你数字时钟的边沿速率强相关。如果你把它当随机噪声丢给自适应滤波器,滤波器会试图跟踪一个确定性信号,结果就是收敛后残留一堆谐波。正确的做法是回到 PCB:缩短回流路径、在芯片下方密集打地过孔、控制信号边沿速率、给电源加合适的去耦电容网络。具体展开我在第 4 节讲。1.4 放大器输入噪声:选型选错,后面全白干放大器输入噪声决定了整条信号链的噪声下限。数据手册上一般给两个参数:输入电压噪声密度e_n(单位 nV/√Hz)和输入电流噪声密度i_n(单位 pA/√Hz)。很多人只看e_n挑运放,这是典型的半截子工程。真正决定总等效输入噪声的是三项之和:e_total √( e_n² (i_n × R_s)² 4kTR_s )R_s是源阻抗(包括传感器输出阻抗和输入端电阻)。第三项是源阻抗自身的热噪声,它不受运放选型影响。第二项是电流噪声在源阻抗上的贡献,它随源阻抗线性增长。这就解释了为什么低噪声运放分低电压噪声型和低电流噪声型两个流派:前者适合源阻抗几百欧姆以下,后者(JFET 输入)适合源阻抗几十千欧以上。交叉点怎么算?令e_n i_n × R_s,得到R_opt e_n / i_n。以 OPA1612 为例,e_n 1.1nV/√Hz,i_n 1.7pA/√Hz,R_opt ≈ 647Ω。源阻抗在这个值附近时,两种噪声贡献相等,总噪声最优。2. 降噪算法的整体思路与选型逻辑知道了噪声长什么样,下一步是决定用哪一代武器。降噪算法发展了六七十年,从最朴素的谱减法到现在的神经网络,但底层思路其实只有三条:靠统计估计、靠自适应跟踪、靠数据学习。选型不是挑最新的,而是挑最匹配约束的。2.1 三条技术路线,各自的适用边界路线一:统计估计类。假设噪声是平稳或慢变的,通过静默段估计噪声功率谱,再对带噪信号做某种最优意义下的增益。谱减法、维纳滤波、MMSE-LSA、OMLSA 都属于这一类。优点是算力极低、延迟小、可解释性强;缺点是噪声不平稳时估计失准,留下音乐噪声这种规律的残留。路线二:自适应滤波类。需要一个参考信号,通过迭代调整滤波器系数让误差最小。LMS、NLMS、RLS、卡尔曼滤波都属于这一类。它的杀手级应用是回声消除和主动降噪,因为那里天然存在参考通道。单通道降噪用它就比较尴尬,因为没有参考可对齐。路线三:数据驱动类。用干净语音和噪声的配对数据训练网络,让网络直接学会从带噪谱映射到干净谱,或者直接从波形映射到波形。RNNoise、DCCRN、Conv-TasNet 是这个方向上的代表。优势是在非平稳噪声上效果碾压传统方法,代价是需要数据、算力和足够的延迟预算。我一般的判断顺序是:先看有没有参考通道,有就跑自适应;再看噪声是否平稳,平稳就跑统计估计;两者都不满足,才考虑上模型。2.2 选型的四个硬判据光看效果不看约束是要出事的。我在项目里通常同时盯这四个指标:噪声平稳性:平稳度用噪声功率谱的时间方差衡量。方差小说明可以慢速估计,谱减法够用;方差大就得用最小值跟踪或者分位数估计,再不行上模型。算力预算:谱减法在 C ortex-M4 上跑 16kHz 单通道,大概占 5%~10% 的 MIPS;一个轻量 GRU 网络(几十万参数)可能要吃掉 50% 以上;DCCRN 这种级别的得上专用 DSP 或者手机大核。延迟约束:实时通话能容忍 20~40ms,助听器要求 5~10ms,离线处理无所谓。而延迟往往由帧长和算法因果性决定,深度网络如果用了非因果结构,延迟会立刻爆表。失真容忍度:通信场景对语音失真比较宽容,音乐场景极其敏感。同一条降噪链路,用在会议通话和用在录音棚,参数得两套。2.3 评估指标怎么定,别只看一个数降噪做完了得有客观衡量。我这里整理一张常用指标表:指标全称是否需要干净参考侧重点SNR信噪比是整体能量比,对增益变化敏感segSNR分段信噪比是逐帧统计,更能反映局部质量SI-SDR尺度不变信号失真比是对整体增益不敏感,评估失真PESQ语音质量感知评估是与主观 MOS 相关性较好STOI短时客观可懂度是专注可懂度,不反映音质BNR短时呼吸—噪声比否呼吸类场景的专用比值BNR(短时呼吸—噪声比)这个指标比较小众,我第一次接触是在呼吸监测相关的音频项目里。它的思路是:用一个滑动窗(常见窗长 1s、步进 0.5s)分别统计疑似呼吸段和静默段的 RMS 能量,取比值再转成 dB。之所以叫短时,是因为呼吸本身是一个周期性事件,用长时平均会把呼吸的起伏抹平。注意:BNR 的具体定义在不同项目里差异不小,有的按频带划分(比如只统计 200Hz~2kHz 的气流噪声能量),有的按 VAD 结果划分。我这里的描述是基于常见工程实践的合理推断,实际项目里请以团队的指标定义文档为准。BNR 的用途有两个:一是评估降噪算法有没有把呼吸声当噪声削掉(如果 BNR 在降噪后大幅下降,说明削过头了);二是自适应调节降噪强度,BNR 高的时候说明呼吸清晰,可以保守一点,BNR 低的时候才需要激进处理。3. 经典降噪算法逐个拆解这一节我把几个经得起时间考验的算法拆开讲。不是抄公式,而是讲清楚每个公式背后的假设和它会失效的条件。3.1 谱减法:最简单也最容易翻车的方案谱减法的核心假设是:噪声是加性的、短时平稳的,且带噪信号在静默段的功率谱近似等于噪声功率谱。于是增益可以写成:|Ŝ(k)|^γ |Y(k)|^γ - α · |N̂(k)|^γα 是过减因子,γ 是幂次(通常取 1 或 2)。α 1 是为了留出估计误差的余量,但代价是语音也被削掉一部分。直接这样减会出问题:当 |Y(k)|² 小于 α·|N̂(k)|² 时会出现负值,开方后是 NaN。所以必须加谱下限:|Ŝ(k)|² max( |Y(k)|² - α·|N̂(k)|², β·|Y(k)|² )β 通常取 0.002 到 0.01。β 太大了会留下噪声,太小了会出现随机的谱峰,听起来就是那种咕噜咕噜的音乐噪声。为什么会有音乐噪声?因为每个频点的增益是独立计算的,相邻帧之间、相邻频点之间没有平滑约束。被抑制到接近零的频点偶尔冒出一个尖峰,就形成了一个孤立的窄带音,人耳对这种孤立音特别敏感。解决办法有两个:一是对增益做频率方向和时间方向的平滑;二是改用维纳滤波这种基于先验信噪比的方案,增益曲线天然更平滑。我的经验参数:16kHz 采样、帧长 25ms、帧移 10ms,α 取 1.5~2.5,β 取 0.002,再叠加一个 3 帧的增益平滑窗,基本能听。3.2 维纳滤波:从减到估计的思路升级维纳滤波换了个角度:不再直接减,而是构造一个最小均方误差意义下最优的增益。H(k) P_s(k) / (P_s(k) P_n(k)) ξ(k) / (1 ξ(k))ξ(k) 是先验信噪比。这个式子的好处是增益天然落在 [0,1] 区间,不会出现负值,也不需要人为设下限。曲线形状是平滑的,音乐噪声明显少于谱减法。问题在于 P_s 和 P_n 都不知道。P_n 靠静默段估计,P_s 则可以用判决引导法迭代:ξ̂(k, l) max( γ(k,l) - 1, 0 ) · 平滑因子 (1-平滑因子) · |Ŝ(k,l-1)|² / P_n(k,l)这里的平滑因子经验值取 0.92~0.98。取值越大,增益曲线越平滑,但跟踪突变的能力越差。实测下来,维纳滤波在平稳噪声场景下的语音自然度明显优于谱减法,代价是计算量大概多 30%~50%,主要花在噪声估计和先验 SNR 的迭代平滑上。这点开销在现在的 MCU 上完全可以接受,所以我做通信类项目时基本默认上维纳而不是谱减。3.3 自适应滤波:LMS 和 NLMS 的正确打开方式自适应滤波的价值在于它能在线跟踪。最基本的 LMS 更新式:w(n1) w(n) μ · e(n) · x(n)μ是步长,e(n)是误差,x(n)是参考输入。步长有个硬性稳定条件:0 μ 2 / (N · P_x)N 是滤波器长度,P_x是参考信号的功率。注意这里用的是参考信号功率,不是期望信号。很多人调 LMS 时发现一增大步长就发散,就是因为没算这个上界。NLMS 做了归一化,把步长除以瞬时功率,稳定性好很多:w(n1) w(n) μ · e(n) · x(n) / (ε ||x(n)||²)归一化之后 μ 的取值范围固定在 0 到 2 之间,调试起来轻松不少。实际项目里 μ 常取 0.1~0.5。提示:LMS 家族的软肋是双讲和相关性强的输入。做回声消除时,如果远端和近端同时说话,滤波器会被近端语音带偏,产生发散。工业界的标准解法是加双讲检测(取残留回声抑制),检测到双讲时冻结系数更新,只用当前系数做滤波。自适应滤波在单通道降噪里有个变通用法:把当前帧的某个频点当作参考,预测相邻频点,用来抑制窄带干扰。这叫自适应谱线增强,对阵发性哨声特别有效。3.4 卡尔曼滤波:状态空间视角的降噪卡尔曼滤波把信号建模成一个动态系统。对语音,常用的状态模型是把每个频点看作一个二阶自回归过程(模拟语音谱的峰谷结构):x(n) A · x(n-1) w(n) 状态方程 y(n) C · x(n) v(n) 观测方程w(n)是过程噪声,协方差 Q;v(n)是观测噪声,协方差 R。降噪的过程就是递归地算增益:K P⁻ · Cᵀ / (C · P⁻ · Cᵀ R)这看起来和维纳滤波形式相似,但区别在于卡尔曼滤波有状态转移,能预测信号的时间演化,对非平稳噪声的适应性更强。代价是参数难调。Q 和 R 的比值直接决定滤波器是信模型还是信观测:Q/R 大意味着相信观测,降噪弱但失真小;Q/R 小意味着相信模型,降噪强但容易产生拖尾和闷声。我的经验是先固定 R 为噪声功率谱估计值,然后调 Q,从 R 的 1% 开始往上试。卡尔曼在传感器信号处理里用得比在音频里多。比如加速度计的姿态解算,卡尔曼几乎是标配,因为那里的状态方程有明确的物理意义。3.5 小波阈值降噪:非平稳信号的另一条路短时傅里叶变换的窗长是固定的,低频和高频的时间分辨率一样,这对处理突变信号不利。小波变换的多分辨率特性正好补上这块:低频用长窗看频率,高频用短窗看时间。阈值降噪的流程是:小波分解 → 对细节系数做阈值处理 → 重构。阈值公式(通用阈值):λ σ · √(2 · ln(N))σ 是噪声标准差,用最高频细节系数的 MAD 估计:σ median(|d1|) / 0.6745这个 0.6745 是正态分布的四分位距和标准差的转换系数,记不住没关系,记住用中位数估计标准差,再除以 0.6745就行。用中位数而不是均值,是为了对信号中残留的少量大幅值成分更鲁棒。软阈值和硬阈值的选择:硬阈值:|d| λ 时置零,否则保留。重构误差小,但阈值的跳变会导致重构信号有振铃。软阈值:d sign(d) · max(|d| - λ, 0)。连续性好,重构更平滑,但会整体压缩小波系数,导致幅度偏小。我的取舍是:振动分析用硬阈值(看重冲击特征),音频用软阈值(看重听感平滑)。另外别忘了对近似系数也做处理,很多新手只处理细节系数,结果低频漂移还在。4. 硬件与电气侧降噪:从源头掐掉噪声算法能做的事情有上限。如果噪声在采集阶段就已经淹没了信号,后面所有的滤波都是在放大误差。这一节讲怎么在源头动手。4.1 地弹噪声的四层抑制手段回到V L·di/dt这个式子,抑制地弹只有三条路:降 L、降 di/dt、降回路面积。第一层,降低寄生电感。芯片的地引脚尽量多打地过孔,每个过孔大约贡献 1nH 到 1.5nH,多个过孔并联电感会下降。焊盘到过孔之间的走线要短且宽,能直接连铜皮就别走细线。第二层,控制瞬态电流。在数字输出脚上串一个 22Ω 到 33Ω 的阻尼电阻,可以显著拉长上升时间、降低 di/dt。这个电阻的取值要在信号完整性和噪声之间折中:串太大了,信号边沿变缓,时序余量被吃掉。我一般先按经验串 22Ω,然后用示波器看边沿和过冲再微调。第三层,缩短回流路径。这是最有效也最容易被忽略的一条。高频电流回流的路径是紧贴信号线下方的那层地平面对应的区域,不是最近的地。如果信号线跨越了地平面的分割缝,回流就必须绕路,回路面积瞬间放大十几倍,辐射和地弹都跟着变差。所以:高速线下面必须有一整块完整的地平面,绝对不能跨分割。第四层,去耦电容网络。注意是网络不是一个电容。一个 100nF 电容的自谐振频率大概在 10MHz 附近,超过这个频率它呈感性,基本上不导通了。多容值并联可以覆盖更宽的频段,典型配置是 10µF 1µF 100nF 10nF,而且 10nF 那个一定要离芯片电源脚越近越好,最好就贴在引脚边上。注意:去耦电容的回路也要短。电容的地过孔紧挨着芯片的地过孔,效果才出得来。我见过电容放得离芯片两厘米远的板子,那个电容基本等于没焊。4.2 放大器输入噪声的完整计算流程这一节我用一个实际例子把噪声预算走一遍,方便你直接套用。假设用一款光电二极管前置放大器,源阻抗R_s 100kΩ(光电二极管的高阻抗模式),运放选 OPA1612,e_n 1.1nV/√Hz,i_n 1.7pA/√Hz,信号带宽设定为 10kHz。第一步,算源阻抗热噪声:e_thermal √(4 × 1.38e-23 × 300 × 100000) √(1.656e-15) ≈ 40.7 nV/√Hz第二步,算电流噪声在源阻抗上的贡献:e_current 1.7e-12 × 100000 170 nV/√Hz第三步,合并:e_total √(1.1² 170² 40.7²) ≈ √(1.21 28900 1656) ≈ 174.8 nV/√Hz结论非常直观:电流噪声贡献了 170nV/√Hz,占了总噪声的绝对主导,运放本身的 1.1nV/√Hz 在这条链路里完全可以忽略。也就是说,这个场景下选 OPA1612 是浪费,应该换成 JFET 输入的低电流噪声运放,比如输入电流噪声只有几十 fA/√Hz 的型号。换算到 RMS:e_rms 174.8 nV/√Hz × √10000 174.8 × 100 ≈ 17.48 µV RMS如果光电二极管的信号电流在 100kΩ 上产生 10mV 的电压,那么信噪比大约是10mV / 17.48µV ≈ 572,折合 55dB。这个数字能不能满足需求,决定了你要不要继续优化。由此得到两条选型准则:源阻抗范围主导噪声项选型方向 1kΩ运放电压噪声低 e_n 的 BJT 输入运放1kΩ ~ 100kΩ源阻抗热噪声 电压噪声折中,注意电阻用料 100kΩ运放电流噪声JFET/CMOS 输入运放4.3 屏蔽、接地与差分:三件老生常谈但总有人做错的事屏蔽的关键在于屏蔽层接哪里。单端信号的屏蔽层只能一端接地,通常接在源端,避免地环路电流在屏蔽层上产生压降耦合进来。差分信号则两端都可以接,但通过电容接比较稳妥。接地别迷信星型接地这个词。星型接地的本质是让不同支路的回流路径不要共享阻抗,所以更准确的说法是按电流回路分区,单点汇集。模拟区、数字区、功率区各自的回流不要互相穿插,最后在电源入口处汇到一个点。差分传输对共模干扰的抑制靠的是 CMRR,但 CMRR 随频率下降,到了 MHz 级别可能只有 20dB 到 30dB。所以差分不是万能药,长线缆上该加的共模扼流圈还是得加,差分对内部的走线要严格等长等距,否则共模会转化成差模,CMRR 直接崩掉。5. 实操:搭一条能跑的音频降噪流水线理论讲够了,这一节我把一条完整的 16kHz 单通道降噪链路搭起来,从参数计算到代码实现,再到逐级验证。5.1 参数计算:每个数字都要有出处采样率 16kHz:语音有效频段 300Hz~3.4kHz,按奈奎斯特准则 8kHz 就够。选 16kHz 是为了给降噪算法留出保护带,而且和主流语音模型的输入对齐。帧长 25ms 400 样点:低于 20ms 会导致频率分辨率不足(400 点 FFT 的频率分辨率是 40Hz),噪声估计误差大;高于 40ms 会让语音的短时平稳假设失效,且增加延迟。帧移 10ms 160 样点:重叠 60%,重叠相加时用汉宁窗能满足 COLA(恒定重叠相加)条件,重构无失真。FFT 点数 512:4096 点会浪费算力(400 点补零到 512 已经够用),256 点又会让频率分辨率掉到 62.5Hz,噪声谱估计太粗。窗函数用汉宁窗:主瓣宽但旁瓣衰减快(-31dB),适合噪声估计这种需要避免频谱泄漏的场景。矩形窗旁瓣只有 -13dB,泄漏会把噪声能量涂抹到邻近频点,估计出来的噪声谱偏大。过减因子 α 2.0,谱下限 β 0.002:α 从 1.0 开始试,听感发闷就往小调,听到音乐噪声就往大调。5.2 噪声估计:别用前 0.5 秒静音段这种偷懒做法最朴素的噪声估计是取开头一段静音求平均,这在实验室里能work,一到真实场景就废了,因为环境噪声一直在变。更稳的做法是最小值跟踪或者分位数估计。最小值跟踪的思路是:在每个频点维护一个滑动窗(比如 1.5 秒)内的最小值,因为语音是有起伏的,总会有某些帧该频点的能量接近纯噪声,最小值就近似等于噪声功率。实际实现时会加一个偏置补偿(最小值总是低估噪声,通常乘 1.5 到 2 倍)。分位数估计更直接:统计每个频点最近 N 帧的能量,取第 10 到 20 百分位作为噪声估计。百分位取太低容易被静音帧误导,取太高会把语音的低能量部分算进噪声。配合一个简单的 VAD(基于短时能量和谱平坦度)能显著提升效果。谱平坦度是几何平均和算术平均的比值,纯噪声接近 1,浊音接近 0,是个很好的区分特征。5.3 Python 实现:一版可以直接跑的谱减法import numpy as np def spectral_subtraction(x, sr16000, frame_len400, hop160, n_fft512, alpha2.0, beta0.002, noise_percentile15, smooth3): win np.hanning(frame_len) n_frames 1 (len(x) - frame_len) // hop # 分帧加窗 frames np.stack([ x[i*hop : i*hop frame_len] * win for i in range(n_frames) ]) spec np.fft.rfft(frames, nn_fft, axis1) mag, phase np.abs(spec), np.angle(spec) # 噪声估计:逐频点取最近 noise_win 帧的百分位 noise_win 30 # 约 0.3s noise_psd np.zeros_like(mag) for k in range(mag.shape[1]): series mag[:, k] ** 2 for i in range(mag.shape[0]): lo max(0, i - noise_win) noise_psd[i, k] np.percentile(series[lo:i1], noise_percentile) noise_psd np.maximum(noise_psd, 1e-12) # 谱减 谱下限 power mag ** 2 clean_power np.maximum(power - alpha * noise_psd, beta * power) gain np.sqrt(clean_power / np.maximum(power, 1e-12)) # 增益平滑:频率方向(3 点均值) 时间方向(3 帧卷积) kernel np.ones(3) / 3.0 for i in range(gain.shape[0]): gain[i] np.convolve(gain[i], kernel, modesame) for k in range(gain.shape[1]): gain[:, k] np.convolve(gain[:, k], kernel, modesame) out_spec gain * mag * np.exp(1j * phase) out_frames np.fft.irfft(out_spec, nn_fft, axis1)[:, :frame_len] * win # 重叠相加 y np.zeros(len(x)) for i in range(n_frames): y[i*hop : i*hop frame_len] out_frames[i] return y这段代码有几个地方值得说明。噪声估计用了逐频点的百分位而不是全局静音段,能跟踪慢变噪声。增益平滑分两个方向做,频率方向的平滑是消除音乐噪声的关键,时间方向的平滑防止增益在帧间抖动。np.maximum(noise_psd, 1e-12)这个下限是为了防止全零帧导致除零。5.4 逐级验证:每一步都要有可观测的结果我的习惯是每加一级处理就存一段中间结果,不要等全流程跑完再看。具体做法:加噪验证:先用一段干净语音叠加白噪声,得到已知 SNR 的带噪信号。这样你有 ground truth,能算 SI-SDR 和 PESQ。噪声估计验证:把估计出来的噪声功率谱画出来,和真实噪声谱对比。如果偏差超过 3dB,后面的增益一定不准。增益曲线验证:看增益谱是不是在语音段接近 1、在静默段接近 β。如果语音段的增益也被压到 0.3 以下,说明过减太狠。听感验证:用耳机听,重点听三处——静默段有没有咕噜声(音乐噪声)、辅音有没有被削(尤其 s、sh、f)、有没有金属感或空洞感。提示:客观指标和主观听感经常打架。PESQ 提升 0.3 但听起来更闷是常有的事。这时候以听感为准,因为最终用户是耳朵。6. 深度学习降噪:落地时的真问题传统方法讲完了,该聊现在的主流。但我不想写成某某网络结构介绍,而是讲从论文到产品之间的那段路。6.1 数据构造:决定上限的一步一个降噪模型的性能上限,基本在数据构造阶段就定死了。常见做法是把干净语音和噪声按不同 SNR 混合:y x 10^(-SNR/20) · ||x|| / ||n|| · nSNR 的取值范围很关键。训练用 -5dB 到 15dB 是常见配置,但如果你部署场景是车载,实际 SNR 可能在 0dB 以下,那训练集就得覆盖 -10dB。我见过团队训了半天发现车内效果差,原因就是训练最差只有 -5dB。还要考虑房间脉冲响应(RIR)。真实录音必然带有混响,如果训练数据全是消声室录的干信号,模型到了真实房间就会翻车。正确做法是用开源 RIR 数据集对干净语音做卷积,或者至少加一点人工混响。噪声库的多样性同样重要。只用手头的几段噪声训练,模型会过拟合到那几种噪声的频谱上。建议用多个公开噪声库混合,覆盖稳态(风扇、空调)、非稳态(键盘、翻书)、人声干扰(多人说话)三大类。6.2 网络结构与损失函数的选择结构上现在主流是三种:掩蔽类(预测时频掩码)、映射类(直接预测干净谱)、波形类(直接端到端)。掩蔽类最容易训、收敛最快,适合算力受限的场景。映射类理论上更灵活,但训练时的相位问题不好处理。波形类(Conv-TasNet 那一系)效果上限高,但计算量大、延迟也不好压。损失函数我一般用组合式:# 幅度谱 MSE SI-SDR 联合损失 loss mse_loss(pred_mag, clean_mag) 0.5 * (1 - si_sdr(pred_wav, clean_wav))纯 MSE 会让模型过度关注高能量频段,低频的小能量细节被忽略,听起来会发闷。加上 SI-SDR 这类时域损失,能把相位和整体结构的约束带进来。权重系数 0.5 不是拍脑袋定的,是实验出来在 SI-SDR 和 PESQ 之间比较平衡的值。6.3 部署环节最容易犯的四个错从训练完到上线,坑基本都在这四类:第一,STFT 参数不一致。训练用的帧长 25ms、帧移 10ms,推理时为了降延迟改成 20ms/5ms,模型的输入分布直接变了,效果断崖式下跌。正确做法是训练和推理的参数严格一致,想降延迟就重新训。第二,归一化不一致。训练时用了逐句的均值方差归一化,推理时用了固定的全局统计量,输入尺度不匹配。这种 bug 很隐蔽,因为推理时不会报错,只是效果差一截。第三,采样率不一致。训练是 16kHz,推理时麦克风给了 48kHz 没做重采样,频段内容完全不同,模型基本瞎了。这个错误我踩过两次。第四,因果性。训练用的是非因果的卷积(能看到未来帧),部署时为了降延迟改成因果结构,性能会掉。如果延迟要求严格,训练时就得用因果网络。7. 常见问题与排查速查这一节我把这些年踩过的坑整理成速查表,遇到问题先对号入座。7.1 现象—原因—对策对照表现象最可能的原因排查与对策降噪后语音发闷、像蒙布过减因子过大,高频被过度抑制把 α 降到 1.5 以下,检查增益上限是否被人为限制静默段有咕噜声音乐噪声,增益曲线不连续加频率和时间方向增益平滑,或改用维纳/MMSE残留低频嗡嗡工频或电源干扰未处理先用 50/100Hz 陷波器,再进降噪降噪后辅音丢失,s 音变 d 音高频辅音能量低,被当成噪声提高 β,对 4kHz 以上频段降低过减强度双讲时对方声音断续自适应滤波发散加双讲检测,双讲时冻结系数更新ADC 采样值随机跳变地弹或电源噪声查回流路径、加去耦、串阻尼电阻信噪比越高降噪后反而更差噪声估计用了固定的最小值偏置检查噪声估计的偏置系数是否过大训练集效果好、实测差采样率/归一化/STFT 参数不一致逐项核对训练和推理的参数配置低频段增益波动剧烈噪声估计窗太短延长噪声估计窗到 0.3~0.5sBNR 指标在降噪后大幅下降呼吸声被当噪声削掉降低 200Hz~2kHz 的过减强度7.2 几条没人写进文档的经验第一条,先修硬件再调算法。这个顺序不能反。我有一次花了两周优化自适应滤波器,最后发现是电源纹波导致的 100Hz 干扰,加了一个 π 型滤波网络三天搞定。所以遇到问题先用示波器看原始信号,确认噪声的时域波形和频域分布,不要拿到数据就丢给算法。第二条,降噪不是越干净越好。语音里有些噪声是有信息量的,比如呼吸声、唇齿摩擦声、口型闭合的微弱气流声。把这些全削掉,听起来会像机器人在说话。我的做法是保留 5% 到 10% 的残余噪声,用 β 参数控制这个残留下限。第三条,保留原始信号。降噪链路永远输出两路:一路是原始信号,一路是降噪信号。调试时对比着听,出问题时能立刻定位。上线后也可以根据场景动态切换,比如检测到音乐就绕开降噪,检测到语音才启用。第四条,把噪声估计的中间结果存下来。这在排查为什么某个场景效果差的时候特别有用。你一看噪声谱就能发现,原来是那个场景的噪声估计一直偏大。第五条,别信一次性的参数调优。环境噪声是有季节性的,夏天开空调,冬天开暖气,噪声谱完全不同。好的工程做法是让噪声估计自适应跟踪,而不是找一个万能参数。8. 指标评估与调参的实战打法最后聊聊怎么把参数调到一个稳定的状态。这部分没有标准答案,只有方法论。8.1 建立一套可复现的评估集调参最大的敌人是这次听起来不错。人耳的判断受疲劳、设备、心理预期影响极大,今天觉得好的参数,明天再听可能就想推倒重来。所以必须有一套固定的评估集。我的做法是构建三组数据:合成集:干净语音叠加各类噪声,SNR 覆盖 -5dB 到 20dB。用于算客观指标,可以量化对比。半真实集:在安静房间用真实麦克风录制,同时录一路近场参考。用于检验算法在真实混响下的表现。真实集:直接录现场环境。没有 ground truth,只能靠主观听测和 BNR 这类无参考指标。合成集用于快速迭代,半真实集用于验证泛化,真实集用于最终验收。三层过滤下来,基本不会出现实验室效果好、现场翻车的情况。8.2 参数敏感性分析:找出真正起作用的那几个一条降噪链路可能有十几个参数,但真正影响听感的通常只有三四个。我习惯做一轮单变量扫描:固定其他参数,把待测参数从低到高取 5 个值,记录 SI-SDR 和主观评分。以谱减法为例,我的实测结论是:α 从 1.0 到 3.0,SI-SDR 在 α1.8 附近达到峰值,再往上音乐噪声减少但语音失真明显增大。β 从 0.0005 到 0.02,对 SI-SDR 影响很小(差值不到 0.3dB),但对听感影响很大。β 太小音乐噪声明显,β 太大降噪感不足。增益平滑窗从 1 帧到 7 帧,3 帧是拐点。超过 5 帧会引入明显的拖尾,语音的瞬态被抹平。所以调参的优先级应该是:先调 α 找客观指标的峰值,再调 β 找听感的平衡点,最后调平滑窗解决残留的音乐噪声。注意:参数之间存在耦合。α 调大之后,最优的 β 也会变。所以扫描要迭代两到三轮,不能一次搞定。8.3 关于 BNR 在呼吸监测场景的一个实际用法前面提到 BNR 这个指标,这里补一个具体用法,因为呼吸监测是最近比较热的方向。在这类应用里,麦克风贴着胸腔或者放在枕头下,采集到的信号包含三部分:呼吸气流声、心跳振动声、环境背景噪声。降噪的目标和通话降噪完全相反:我们要保留呼吸声,反而要把环境噪声压下去,同时尽量不损伤呼吸的周期性特征。这时候 BNR 就成了一个比 SNR 更贴切的指标。具体流程是:先用一个 0.5s 到 1s 的滑动窗,通过能量阈值区分呼吸段和静默段,分别算 RMS,取比值转 dB。降噪前后的 BNR 差值如果超过 3dB 的下降,基本可以判定算法削掉了呼吸成分,需要把 200Hz 到 2kHz 频段的衰减上限放宽。我实际调过的一个配置是:整体最大衰减限制在 -12dB,但 200Hz 到 2kHz 区间限制在 -6dB,同时把这一段的过减因子降到 1.2。这样既压住了空调和风扇的低频噪声,又保住了呼吸的气流特征。这套配置在 BNR 上的表现是降噪后只下降 1.2dB,而整体 SNR 提升了 8dB 左右。8.4 关于指标和听感不一致的一个解释最后说一个困扰很多人的问题:为什么 PESQ 涨了,听起来反而更差?一个主要原因是 PESQ 这类指标是基于参考信号的,它假设参考是干净的。但如果参考本身带一点噪声,而你的算法把那点噪声也去了,指标会因为波形和参考不一致而扣分,尽管听感更干净。反过来,如果算法只是简单地把整体增益拉低,波形和参考的相关系数可能还提高了,PESQ 反而上涨,但听感上就是音量变小而已。所以我的原则是:客观指标只用来做相对排序,不用来做绝对判断。最终拍板一定要靠听,而且要多人盲听。ABX 测试虽然费时间,但在关键决策点上值得做。这套东西做下来,大概就是我这些年对噪声和降噪算法的完整理解。真要说有什么体会,就是别急着上模型。我见过太多项目一上来就训网络,结果发现前端有个 100Hz 的电源干扰没处理,把网络训得再好也是在学怎么拟合那个干扰。先把示波器挂上,把噪声谱画出来,把回流路径捋一遍,你会发现能省掉一半的算法工作量。