音频处理的三件事:降噪、人声分离、转文字,实测哪种方案最省事

0 阅读4分钟

音频处理的三件事:降噪、人声分离、转文字,实测哪种方案最省事

做播客、做视频配音、剪会议录音,这几年我几乎每天都在处理音频。绕来绕去无非三件事:把环境噪音去掉、把人声单独抠出来、把语音变成文字。

这三件事看着像一家的,实际拆开看,工具思路完全不同,今天分开讲。

一、降噪:先搞清楚噪音是什么类型

不是所有噪音都一样,处理方式也不同:

稳态噪音(空调、底噪、风扇)—— 频谱上集中在固定几个频率。人声和它重叠不多,所以降噪做得很干净,几乎不影响人声。

瞬态噪音(键盘声、鼠标点击、吞咽、纸张摩擦)—— 突发性的,传统降噪反而容易把这类"误判成人声突变"的地方削掉,听起来发闷。

混响 / 房间混响—— 在房间里录的底噪,本质是反射叠加,这个最难处理,单纯降噪效果有限,往往要配合「去混响」单独处理。

我的经验:先降噪,再做别的。如果一开始就做人声分离,噪音会被一起带进分离结果里,后面再降噪就晚了。

另外降噪不是越狠越好。降太狠会出现那种"金属味"或者"水下感",人声听起来发闷。宁可保守一点,留一点底噪。

二、人声分离:把伴奏和歌声拆开

这个需求最近突然变多了 —— 有人想把一首老歌改成自己的歌,有人想给视频做卡拉 OK 版本,有人只是想拿干净的伴奏给 AI 唱歌用。

分离的原理:现在的模型靠的是「 vocals + 伴奏 = 原曲」这个关系去学。分离出来的是两个音频轨:一条纯人声/主唱,一条纯伴奏(鼓、贝斯、键盘、氛围)。

效果到底怎么样,取决于几点:

  • 原曲质量:录制干净、混音简单的歌分离得很干净;母带压得很狠、混音特别复杂的(很多现代制作),人声里会有伴奏的残留,听起来"发糊"
  • 乐器复杂度:弦乐、爵士这类复杂配器,比干净的流行伴奏难分离
  • 有无和声 / 多人合唱:和声部分容易被分到伴奏轨里去

分离之后建议做的两件事:

  1. 试听两个轨的交界处 —— 人声进入和结束的地方最容易有瑕疵("水声"、轻微的音高跳变)
  2. 降噪残留 —— 分离出来的伴奏轨往往还带着一点点原混响或底噪,如果要拿去做新编曲,这轨还需要再处理

三、转文字:不同场景选不同方案

会议/采访录音 —— 多人说话,需要区分发言人,要选支持"说话人分离"的方案。转完还要人工校对,因为专业术语、专有名词、人名最容易错。

自己念的稿子 / 课程 —— 单人清晰录音,识别准确率很高,基本不用改。这时候重点是时间戳——有了时间戳就能直接生成字幕,比手工打字幕快十倍。

方言、口音重、背景有杂音 —— 准确率会明显下降。这时候的策略是:先降噪提升信噪比,再转,然后人工校对关键段落。

中英混说 —— 现在多数工具能处理,但要注意术语。专业词汇、缩写、产品名建议转完后统一替换。

我的实际流程

处理一条原始录音,我一般这么走:

原始录音
  → 判断噪音类型
  → 降噪(保守一点)
  → 转文字(拿到稿子先干活,别追求完美)
  → 需要的话再做人声分离(伴奏另外要用才做)
  → 最终成品

顺序上有个关键点:先转文字再分离。因为文字稿的产出是刚需,分离只是可选需求。反过来做会浪费时间。

工具上,我现在用一个 音频工具 把降噪、转文字、格式转换放在一起处理,同一个页面里切换,不用下载多个软件。它的降噪和转写都跑在浏览器本地,录音文件不用上传到别人的服务器 —— 客户访谈、未公开的课程素材,这个还是有点在意的。

几个提醒

  • 保留原始文件。所有处理都在副本上做,任何一步不满意都能重来
  • 无损中间格式。中间步骤用 WAV 而不是 MP3,多一次压缩就多一层损失
  • 降噪别信"一键"。同一段录音,我一般会试两个强度,选人声更自然的那个
  • 成片导出再压一次。处理完的 WAV 体积很大,最终交付时压成 AAC 或 MP3,码率 128k 足够播客,320k 适合保留细节

音频处理没有银弹,但把"降噪 → 转写 → 分离"这三步的顺序和参数想清楚,能省掉大量反复试错的时间。