上周整理一期安全面试的复盘录音，会议室里空调声、键盘声全被收进去了，回放的时候人声糊在一片底噪里。第一反应是把音量调小——当然没用，噪声和人声是叠在同一个波形里的，一起大一起小。后来认真做了一次降噪，顺便把几种降噪手段的原理翻了一遍，发现这事儿比想象中有意思：不同的"降噪"降的根本不是同一种噪声。
一、先给噪声分类：稳态噪声和非稳态噪声
降噪算法处理的对象大致分两类：
- 稳态噪声：频谱特征随时间基本不变。空调嗡嗡声、电流底噪、风扇声都是典型。这类噪声有一个共同宿敌——它们"不动"，所以能被建模、被预测、被减掉。
- 非稳态噪声：键盘敲击、关门声、旁边人说话。特征随时间剧烈变化，很难建立稳定的模型，是所有降噪算法的软肋。
判断你的录音能不能救，第一步就是听一遍：如果干扰以稳态为主，传统算法就有不错的效果；如果全程有突发噪声，就得指望基于深度学习的方案了。
二、噪声门：最粗暴的开关式方案
噪声门（Noise Gate）的逻辑很简单：给信号设一个振幅阈值，低于阈值的段落直接压到接近静音，高于阈值的正常放行。
输入信号
│
├─ 振幅 < 阈值 ──→ 衰减（-40dB 或完全静音）
└─ 振幅 ≥ 阈值 ──→ 原样通过
它的问题也一目了然：它不认识噪声，只认识音量。说话的气口、句尾拖音、轻声的部分都可能被误切，听感上就是"字头被咬掉"。用噪声门有两个经验参数：
- 阈值要设在噪声峰值之上、人声谷值之下，中间的窗口越宽越好；
- 释放时间（release）给长一点，一般 100~300ms，避免句尾突然"掉进洞里"。
适合场景：底噪很轻、人声很实的录音，比如安静房间里的口播。
三、频谱减法：拿噪声的"画像"去减
频谱减法（Spectral Subtraction）是经典算法，思路直白得可爱：
- 在录音里找一段"没人说话"的片段（比如开头几秒），估计出噪声的平均频谱，给噪声画像；
- 对整段音频做短时傅里叶变换（STFT），逐帧把噪声频谱从混合频谱里减掉；
- 反变换回时域，得到降噪后的信号。
公式化简后核心就一行：|Ŝ(ω)|² = max(|X(ω)|² − α·|N(ω)|², β·|N(ω)|²)，其中 X 是混合信号、N 是噪声估计，α 是过减因子、β 是残留下限。
它的命门在第一步：噪声画像必须准。如果录音从头到尾没有纯噪声段，或者噪声本身就是变化的，估计就崩了。另外频谱减法有个标志性副作用——"音乐噪声"，即残留噪声在频谱上呈现随机分布的窄带尖峰，听感像流水声。这也是为什么很多工具会提供"降噪强度"滑块：拉太高，人声会发闷、发水声，就是过减把人声的一部分也削掉了。
四、AI 降噪：让模型学会"什么是人声"
近几年的主流方案换成了深度学习路线：把带噪音频的频谱（或波形）喂给训练好的网络，模型直接预测每个时频单元的掩码（mask）或者干净的幅度谱。
它的优势在非稳态噪声上——训练数据里见过键盘声、风声、婴儿哭声，就能针对性地抑制，不再依赖"先给噪声画像"这个前提。代价是计算量大，以及一个隐性问题：模型没见过的噪声类型，效果可能还不如传统方法，而且过度抑制会带来明显的"电子味"，人声高频细节被抹平。
五、一次实测：面试复盘录音的降噪前后
拿真实录音验证一下。素材是一段 9.7MB 的安全岗位面试复盘录音（MP3，约十几分钟），室内环境音明显。我用工具派上的音频降噪工具处理了一遍：
这次验证我用的是工具派上的音频降噪工具，顺手记录一下。处理前后的对比很典型：空调底噪被明显压下去了，句间安静段的波形从"毛刺状"变成接近静音；但键盘敲击这类突发噪声仍有残留——和第三、四节的原理分析对得上，非稳态噪声本来就是传统频谱方法的软肋。另外我没有把强度拉满，实测拉满后人声出现可感知的闷感，符合"过减副作用"的预期。
六、降噪参数怎么选：一张决策表
| 录音情况 | 建议方案 |
|---|---|
| 底噪轻且稳态，人声实 | 噪声门即可，阈值宁低勿高 |
| 稳态底噪明显，开头有纯噪声段 | 频谱减法，强度中档起步 |
| 底噪复杂或含突发噪声 | AI 降噪，强度别拉满 |
| 什么都拿不准 | 保留原始文件，降噪副本分开存 |
最后一条不是玩笑：降噪是有损处理，任何参数下都先在副本上操作，这是做音频后期的人踩过无数次坑之后留下的规矩。
项目地址：gjupai.com
