降噪失真的根源：问题出在估计而非滤波
不少人在调试语音降噪系统时会遇到一个典型现象：背景的稳态噪声确实压下去了，但说话人的声音也跟着变闷、变虚，甚至出现断断续续的掉字，辅音听起来像被吃掉了一块。排查半天会发现，滤波器本身没有问题，问题出在上游的信噪比估计和下游的增益控制这两个环节上。
经典的单通道降噪流程大致是这样的：先对带噪语音做短时傅里叶变换，把信号搬到频域，然后在每个时频单元上估计噪声功率，据此计算信噪比，再通过某种增益函数（比如维纳增益或谱减法增益）对每个频点加权，最后逆变换回时域。可以看出，滤波器做的只是按增益系数缩放每个频点，缩放多少完全由信噪比估计结果决定。如果估计错了，增益就错，滤波器的输出自然就失真。
换句话说，增益函数在数学上是确定的，给定一个先验信噪比它就输出一个固定值，唯一的变量是估计环节送进来的信噪比准不准。这就是为什么很多人换了更先进的滤波器却收效甚微——真正拖后腿的是那个不起眼的估计模块。
信噪比估计的两个层面：先验与后验
信噪比估计分为后验信噪比和先验信噪比两层。后验信噪比是当前帧带噪信号功率与噪声功率估计值的比值，它可以直接计算，但方差很大，帧与帧之间跳动剧烈，直接拿去做增益会导致输出忽大忽小，产生明显的音乐噪声。因此实际系统中都会在此基础上估计先验信噪比，也就是纯净语音功率与噪声功率之比，常用的是判决引导法，即把上一帧的降噪结果和当前后验信噪比做加权平滑，权重参数通常在0.9以上。
判决引导法的好处是平滑稳定，代价是有约一帧的延迟，而且对语音起始段的跟踪偏慢。语音刚出现时，上一帧还是纯噪声帧，估计出的先验信噪比偏低，增益压得狠，导致爆破音和辅音的起始瞬态被削弱，这是语音发虚的直接原因之一。调优时可以适当降低平滑权重，或者引入语音存在概率修正，在检测到语音起始时快速抬升估计值。
// 判决引导法估计先验信噪比的简化实现
// snr_post: 后验信噪比, snr_prior: 先验信噪比
// clean_power_prev: 上一帧降噪后功率谱
// noise_power: 噪声功率估计
for (int k = 0; k < num_bins; k++) {
// 平滑权重 alpha, 取值 0.9 ~ 0.98
snr_prior[k] = alpha * clean_power_prev[k] / noise_power[k]
+ (1.0f - alpha) * fmaxf(snr_post[k] - 1.0f, 0.0f);
}
噪声功率估计同样关键。传统做法是逐频点的最小统计量法，认为噪声功率在数百毫秒窗口内取最小值，这样即使语音和噪声重叠也能更新噪声估计。最小值搜索的窗口长度要权衡：太短会把语音帧误判为噪声，导致噪声估计偏高、语音被误削；太长则对突变的噪声环境响应迟钝，残留在输出里的噪声会明显增多。工程上常用0.5到1.5秒的窗口，并结合VAD做辅助门控。
增益控制的失真机理与调优策略
拿到信噪比之后，增益函数决定了每个频点保留多少。谱减法用信噪比直接开方做幅度增益，实现简单但信噪比低时增益急剧下降，失真严重。维纳滤波是最小均方误差意义下的最优线性估计，增益平滑一些，但对信噪比的响应仍然偏陡。目前业界普遍认为效果最好的是基于语音存在概率的_OM-LSA类方法，它先计算每个时频单元上语音存在的概率，再把语音不存在时的增益（衰减地板）与维纳增益加权融合，既能在纯噪声段深压噪声，又不会对语音频点下狠手。
一个容易被忽视的要点：设置增益下限（也叫噪声地板，典型值-15dB到-25dB）比追求完全消噪更重要。把增益压到接近零，频谱上会出现大片空洞，听感上的音乐噪声和语音闷感反而更明显。
调优增益控制时可以从几个参数入手。第一是衰减上限，即最大衰减深度，建议从-12dB开始逐步加深，配合主观听测找到失真可接受的临界点。第二是增益的时域平滑，对增益系数做帧间平滑可以消除音乐噪声，但平滑系数过大又会拖慢增益跟随语音包络的速度，造成字头丢失。第三是频域平滑，相邻频点的增益做适度平滑能减少谱坑，代价是牺牲一点降噪深度。
import numpy as np
def wiener_gain(snr_prior, gain_floor_db=-18):
"""维纳增益并施加增益下限, 避免深度衰减带来的失真"""
g = snr_prior / (1.0 + snr_prior)
floor = 10 ** (gain_floor_db / 20)
return np.clip(g, floor, 1.0)
def smooth_gain(g, prev, alpha_time=0.6):
"""帧间时域平滑, 抑制音乐噪声"""
return alpha_time * prev + (1 - alpha_time) * g
如果调参到极限仍不满足需求，可以考虑两条进阶路线。一是把增益控制的对象从幅度谱换成复数谱，用相位补偿或复数理想比率掩码减少相位失真；二是直接换用基于深度学习的谱映射或掩码估计方案，用大量成对的噪声与干净语音数据训练网络直接预测增益或复数掩码，失真水平通常明显低于传统统计方法，代价是需要算力支持和数据积累。但无论走哪条路线，理解传统方法中信噪比估计与增益控制的相互制约关系，仍然是判断系统瓶颈、定位失真来源的基本功。