想象你在菜市场里和朋友聊天。周围是此起彼伏的摊贩叫卖声、剁肉声、电动车喇叭声，朋友嘴里的话明明就在耳边，却好像被一层厚厚的“声音棉花”裹住了。如果这时候把这一切录下来，另一头的人听到的，就是人声和噪声缠在一起的混合声。语音降噪要做的，就是像戴上一副“声音眼镜”一样，从这团乱糟糟的声音里，把朋友说话的那条声音线索清晰地挑出来。 有人先录一段“无人说话的摊位底噪”，再把底噪从混合声里减掉，这就是谱减法；有人会根据人声和噪声的比例自动调节音量旋钮，这就是维纳滤波；有人靠统计经验动态判断噪声何时出现，这就是统计模型方法；还有人请来一位“见过成千上万个菜市场”的助手，用大量数据学会直接分离人声，这就是深度学习方向的降噪；最后还要考虑能否边听边处理，这就是实时降噪部署。掌握这些方法，就相当于为语音通信和识别装上了一道可靠的“前置雨刷”。

岗位关联

对 AI 从业者来说，语音降噪是语音通话、录音后期与 ASR 前端的通用底座。学会从“经典谱减”到“深度降噪”的演进思路，你就能在不同算力和场景下选对方法，真正让机器“听清”人声。

目录
  1. 可视化演示
  2. 噪声与建模：分清“人声”和“噪声”的混合
  3. 谱减法增强：用“底噪模板”做减法
  4. 维纳滤波降噪：随着信噪比自动调节的旋钮
  5. 统计模型估计：像老摊贩一样动态估计噪声
  6. 深度降噪网络：见过成千上万个菜市场的助手
  7. 实时降噪部署：边听边处理，不能停下来等
  8. 降噪效果评估：给听得清打一个客观分
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示语音降噪的核心机制，通过输入/处理/存储/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

语音降噪：语音降噪 语音降噪问题定义 谱减法经典方法 核心机制可视化 语音降噪整体架构与关键组件

噪声与建模：分清“人声”和“噪声”的混合

菜市场里的声音不是凭空出现的。朋友说话的声音、摊贩的叫卖声、剁肉声，它们在同一时刻叠加在一起，传到麦克风里。降噪的第一步，不是急着“去掉噪声”，而是先弄清一个基本问题：带噪语音和干净语音之间到底是什么关系。

在语音增强里，我们最常用一个加法模型来描述这种关系：麦克风收到的带噪语音，等于干净人声加上环境噪声。

不过，语音不是整段都平稳的。人的说话声会随时变化，但在 20 到 30 毫秒的短时间里，声音特性可以看作近似稳定，这就是“短时平稳”。于是我们先把语音切成一小段一小段，加上窗函数，再用短时傅里叶变换转到频域，得到逐帧逐频点的幅度谱和相位谱。这样一来，降噪就不再是摸黑操作，而是像把混合声摊在一张频谱账本上，逐行检查哪个格子是噪声。

回到菜市场的比喻：先认清“混合声 = 人声 + 噪声”，并学会把连续声音拆成短片段、转成频谱，后面要做的各种减法、滤波和神经网络，都只是在这个基础上“各显神通”。

y(t)=s(t)+n(t)\displaystyle y(t)=s(t)+n(t)
这就像是把“听到的声音”拆成“想听的人声”和“不想听的噪声”两本账，后面所有降噪算法都在做“从总账里剔除噪声账”。
  1. 带噪语音 \(y(t)\)麦克风实际录到的混合声，也就是菜市场里被收录的整段声音。
    y(t)y(t)
  2. 干净语音 \(s(t)\)朋友说话本身的声波，是我们要保住的目标信号。
    s(t)s(t)
  3. 环境噪声 \(n(t)\)叫卖声、剁肉声、风声等不需要的干扰。
    n(t)n(t)
  4. 加号 \(+\)默认噪声与语音是线性叠加，这是许多经典降噪算法的起点。
    y(t)=s(t)+n(t)y(t)=s(t)+n(t)

谱减法增强：用“底噪模板”做减法

最直觉的降噪思路，是“既然噪声一直在响，那就把它减掉”。在菜市场里，如果你先录下一段没人说话的摊位背景音，等到朋友说话时，再从混合声里把这段底噪“扣掉”，听起来就干净多了。谱减法正是这个思路。

操作上，先取一段没有语音的帧，估计出噪声的幅度谱；接着把带噪语音的幅度谱减去噪声幅度谱。因为人耳对相位不敏感，所以保留原来的带噪相位，只修正幅度。为了防止减过头，谱减法会用一个最大函数把结果约束在非负范围，并加上一个谱下限。

谱减法实现简单，但有个著名副产物：音乐噪声。它像水烧开后锅底冒出的“噗嗤”声，原因是各频点残余噪声随机起伏，变成一些忽大忽小的“音调碎片”。过减因子和谱下限，就是在“减得更干净”和“少伤声音”之间找平衡。

回到菜市场：谱减法像拿一张固定底噪模板做减法。底噪一成不变，可市场里的声音实时在变，所以减出来的声音偶尔会“漏出”叮叮当当的残渣。

∣X^(k,l)∣=max⁡(∣Y(k,l)∣−α ∣D(k,l)∣, β ∣Y(k,l)∣)\displaystyle |\hat{X}(k,l)|=\max\left(|Y(k,l)|-\alpha\,|D(k,l)|,\ \beta\,|Y(k,l)|\right)
这个公式的意思是：在某个频点和某一帧，用带噪幅度减去“过减因子放大后的噪声幅度”，同时不允许结果低于带噪幅度的一个小比例。
  1. 带噪幅度 \(|Y(k,l)|\)第 \(l\) 帧、第 \(k\) 个频点上混合信号的幅度值，相当于菜市场里的“总声量”。
    ∣Y(k,l)∣|Y(k,l)|
  2. 噪声幅度 \(|D(k,l)|\)用安静段落估计出的噪声幅度，相当于事先录好的“摊位底噪”。
    ∣D(k,l)∣|D(k,l)|
  3. 过减因子 \(\alpha\)通常大于 1，用来把底噪减得更狠，但太大也会误伤人声。
    α ∣D(k,l)∣\alpha\,|D(k,l)|
  4. 谱下限 \(\beta\)把结果下限设为带噪幅度的一定比例，不让某些频点“减空”，减少破音。
    β ∣Y(k,l)∣\beta\,|Y(k,l)|
  5. 最大值 \(\max\)保证增强后的幅度不会出现负值，负值在物理上无法解释。

维纳滤波降噪：随着信噪比自动调节的旋钮

谱减法的问题是“一刀切”：无论朋友有没有在说话，都把底噪减掉。如果朋友停顿了，剩下的噪声还会被反复处理，形成音乐噪声。换个思路，可以不用“减”，而是用一个音量旋钮去“调”：人声较强时，把旋钮开大，音量全保留；人声较弱时，把旋钮关小，噪声也压下去。

这个旋钮就是维纳滤波的增益函数。维纳滤波在“最小均方误差”准则下，给出了每个频点应该放大或缩小的比例。它只依赖一个关键参数：先验信噪比，也就是该频点上“人声能量相对噪声能量”的估计值。

实现维纳滤波，需要提前估计噪声功率谱和先验信噪比。相比谱减法的直接减法，维纳滤波输出更平滑，但如果信噪比估计不准，会出现“把声音压扁”的过度抑制。

回到菜市场：维纳滤波像一位经验丰富的调音师，他不需要把底噪模板硬减掉，而是根据“朋友此刻是否在说话、说话有多响”，连续转动音量旋钮。声音清楚时开大，噪声盖过一切时关小。

H(k,l)=ξ(k,l)1+ξ(k,l)\displaystyle H(k,l)=\frac{\xi(k,l)}{1+\xi(k,l)}
当先验信噪比 \(\xi\) 很大，说明这里主要是人声，增益接近 1，保留；当 \(\xi\) 很小，说明这里主要是噪声，增益接近 0，压掉。
  1. 增益 \(H(k,l)\)对第 \(l\) 帧第 \(k\) 个频点施加的放大倍数，是这个旋钮的位置。
    H(k,l)H(k,l)
  2. 先验信噪比 \(\xi(k,l)\)不含噪声的“干净人声能量”与“噪声能量”之比。
    ξ(k,l)\xi(k,l)
  3. 分母 \(1+\xi(k,l)\)把增益限制在 0 到 1 之间，避免无限制放大。
    1+ξ(k,l)1+\xi(k,l)
  4. 比值 \(\frac{\xi}{1+\xi}\)语音越强，结果越接近 1；噪声越强，结果越接近 0。
    ξ(k,l)1+ξ(k,l)\frac{\xi(k,l)}{1+\xi(k,l)}

统计模型估计：像老摊贩一样动态估计噪声

老摊贩在菜市场里待久了，能听出此刻的嘈杂是“普通客流”还是“突然有人大喊”。他不会把一个固定底噪永远当真，而是不断根据最新声音修正判断。统计模型方法就是这样：它把噪声和语音都看成随机信号，用概率统计去估计“当前帧到底是人声还是噪声”。

统计模型中，一个关键量是后验信噪比 \(\gamma(k,l)=\frac{|Y(k,l)|^2}{P_d(k,l)}\)，也就是“带噪能量”相对“噪声功率”的比值。而真正要用的先验信噪比，常用一种叫做 Decision-Directed 的递归方式来平滑估计：把上一帧已经增强出的语音能量和当前帧的观测结果结合在一起。

统计模型方法还可以结合语音存在概率动态更新噪声谱，并推导出 MMSE 或对数 MMSE 估计器。相比谱减法，它更“聪明”：噪声谱不是固定的，而是随着市场环境自动更新。

回到菜市场：老摊贩的综合判断不只看眼前一声，还结合刚才几声。即使市场突然安静了，他也不会立刻把一切都当成人声；即使市场突然嘈杂起来，他也不会被一次剁肉声带偏。

ξ^(k,l)=α∣X^(k,l−1)∣2Pd(k,l)+(1−α)max⁡(γ(k,l)−1, 0)\displaystyle \hat{\xi}(k,l)=\alpha\frac{|\hat{X}(k,l-1)|^2}{P_d(k,l)}+(1-\alpha)\max\big(\gamma(k,l)-1,\ 0\big)
这个公式相当于把“昨天的经验”和“今天的观察”按比例混合，既不会因为一帧噪声突变而乱动，也不会反应太慢跟不上环境变化。
  1. 上一帧语音估计 \(\hat{X}(k,l-1)\)上一帧增强后输出的人声谱，相当于老摊贩对前一刻市场的记忆。
    X^(k,l−1)\hat{X}(k,l-1)
  2. 噪声功率谱 \(P_d(k,l)\)当前频点上噪声的功率估计，是判断“人声有多大”的尺子。
    Pd(k,l)P_d(k,l)
  3. 后验信噪比 \(\gamma(k,l)\)带噪能量与噪声功率的比值，反映刚刚听到的“瞬时局面”。
    γ(k,l)\gamma(k,l)
  4. \(\max(\gamma-1,0)\)只有当前观测明显超过噪声时才认为有人声，防止负值。
    max⁡(γ(k,l)−1, 0)\max\big(\gamma(k,l)-1,\ 0\big)
  5. 平滑系数 \(\alpha\)越接近 1，越依赖历史经验，语音更稳；越接近 0，越跟随当前观测，适应更快。
    α∣X^(k,l−1)∣2Pd(k,l)+(1−α)max⁡(γ(k,l)−1, 0)\alpha\frac{|\hat{X}(k,l-1)|^2}{P_d(k,l)}+(1-\alpha)\max\big(\gamma(k,l)-1,\ 0\big)

深度降噪网络：见过成千上万个菜市场的助手

前面几种方法，都需要人手工设计“减多少”“怎么平滑”的规则。深度降噪网络则完全不同：它不再手工写规则，而是请来一位见过成千上万个菜市场的助手。这位助手见过“菜市场 + 人声”的无数组合，听到一段混合声，就能凭经验直接说出哪些频段是人声，哪些是噪声。

它的工作原理是端到端学习：训练时输入带噪语音，输出和目标干净语音做比较，不断调整网络参数。网络内部通常包含编码器，用来压缩和提取声音特征，以及解码器，用来重建干净语音。

深度降噪网络在输入输出上也很灵活：可以直接从带噪波形到干净波形，也可以从带噪幅度谱到干净幅度谱，或预测一个时频掩蔽再乘到带噪谱上。实时场景还要注意因果约束：模型只能看当前和过去的帧，不能用未来信息。

回到菜市场：这位助手经验丰富，但如果遇到一个它从未听过的特殊市场——比如全是异国口音、奇怪乐器声——它的经验也可能失灵。深度模型的效果，很大程度上取决于训练数据见过多少种“市场”。

min⁡θ E[∥X−fθ(Y)∥22]\displaystyle \min_{\theta}\ \mathbb{E}\left[\left\|\mathbf{X}-f_\theta(\mathbf{Y})\right\|_2^2\right]
这个式子是在说：不断调整网络参数，让网络输出的增强语音尽量接近干净语音，平均误差越小越好。
  1. 网络参数 \(\theta\)神经网络里所有可学习的权重，相当于助手积累的经验。
    θ\theta
  2. 网络输出 \(f_\theta(\mathbf{Y})\)把带噪频谱 \(\mathbf{Y}\) 输入网络后得到的增强结果。
    fθ(Y)f_\theta(\mathbf{Y})
  3. 干净目标 \(\mathbf{X}\)训练数据里真实的人声频谱，是网络要模仿的“标准答案”。
    X\mathbf{X}
  4. L2 范数平方 \(\|\cdot\|_2^2\)逐点误差的平方和，衡量输出和标准答案差多远。
    ∥X−fθ(Y)∥22\left\|\mathbf{X}-f_\theta(\mathbf{Y})\right\|_2^2
  5. 期望 \(\mathbb{E}\)在大量训练样本上取平均，让网络不同场景下整体表现都好。
    E[∥X−fθ(Y)∥22]\mathbb{E}\left[\left\|\mathbf{X}-f_\theta(\mathbf{Y})\right\|_2^2\right]

实时降噪部署：边听边处理，不能停下来等

通话降噪和离线录音后期最大的区别，是必须“边听边处理”。你戴着耳机和朋友语音，不能等菜市场安静下来再告诉对方“我刚才听清了”。降噪算法必须在声音进来的一瞬间，以足够低的延迟输出结果。

实时降噪对延迟有严格约束。延迟由几部分构成：采集一帧声音需要的时间、为了更好效果往前看未来帧的时间，以及算法本身计算所需要的时间。

实时系统通常采用流式处理：来一帧、处理一帧、输出一帧。传统 DSP 算法复杂度低，适合低算力设备；深度模型则要做轻量化，比如量化、剪枝、减少网络层数，再导出为 TFLite 或 ONNX 格式部署到手机和耳机芯片上。VAD 也可以辅助：检测到无人说话时直接压低增益，省下大量计算。

回到菜市场：实时降噪就像同声传译，不能等整段话说完才开口。它必须一边听一边判断，用尽量少的未来信息，做到“音落声出”。

Dtotal=Dframe+Dlookahead+Dcompute\displaystyle D_{\text{total}}=D_{\text{frame}}+D_{\text{lookahead}}+D_{\text{compute}}
总延迟等于帧长、前瞻时延和计算时延之和。只要总延迟足够小，听感上就像是“即时”的。
  1. 帧长 \(D_{\text{frame}}\)一帧声音的时长，比如 20 毫秒，是处理一个最小单位的等待时间。
    DframeD_{\text{frame}}
  2. 前瞻 \(D_{\text{lookahead}}\)某些算法为了更稳，需要看一眼未来几帧，这会额外增加延迟。
    DlookaheadD_{\text{lookahead}}
  3. 计算耗时 \(D_{\text{compute}}\)CPU、GPU 或神经网络推理花费的时间。
    DcomputeD_{\text{compute}}
  4. 总延迟 \(D_{\text{total}}\)三项相加，必须低于实时交互的心理底线。
    Dtotal=Dframe+Dlookahead+DcomputeD_{\text{total}}=D_{\text{frame}}+D_{\text{lookahead}}+D_{\text{compute}}

降噪效果评估：给听得清打一个客观分

噪声降下去多少，语音损伤了多少，不能只靠拍脑袋。我们需要给“听得清不清”打一个客观分。最基本的指标是信噪比 SNR：它把“干净语音能量”和“误差能量”放在一起比。

除了 SNR，业界还常用 PESQ 预测主观语音质量，用 STOI 衡量语音可懂度。PESQ 更像“听感评分”，STOI 更像“能不能听懂每个字”。降噪不是 SNR 越高越好，因为把整段声音静音，SNR 数值可能很高，但人声也听不见了。好的降噪，是在压制噪声和保留语音之间找到平衡。

回到菜市场：SNR、PESQ、STOI 就像一场客观的听力考试。它们不会只问“噪声小没小”，还会问“朋友的话你还听不听得清”。降噪做得好不好，最终要看这份综合考卷的得分。

SNR=10log⁡10∑ts2(t)∑t(s(t)−s^(t))2\displaystyle \text{SNR}=10\log_{10}\frac{\sum_t s^2(t)}{\sum_t \left(s(t)-\hat{s}(t)\right)^2}
分子是干净语音总能量，分母是增强后语音和干净语音的误差能量。误差越小，SNR 越高，代表输出越接近干净语音。
  1. 干净语音 \(s(t)\)降噪前录制或合成的“标准答案”声音。
    s(t)s(t)
  2. 增强语音 \(\hat{s}(t)\)降噪算法处理后输出的声音。
    s^(t)\hat{s}(t)
  3. 误差 \(s(t)-\hat{s}(t)\)输出和标准答案之间的差值，代表噪声没除净或人声被损伤的部分。
    s(t)−s^(t)s(t)-\hat{s}(t)
  4. 能量比 \(\frac{\sum s^2}{\sum (s-\hat{s})^2}\)信号能量与误差能量的比值，越大越干净。
    ∑ts2(t)∑t(s(t)−s^(t))2\frac{\sum_t s^2(t)}{\sum_t \left(s(t)-\hat{s}(t)\right)^2}
  5. 10 倍对数 \(\text{dB}\)把比值转换成容易理解的分贝数。
    10log⁡10(⋅)10\log_{10}(\cdot)

AI 应用场景

实时通话降噪

阶段：音频流前处理 / 实时推理

解决的问题：传统降噪在非平稳噪声下容易失效，比如对方在咖啡馆、室外街道，环境噪声随时变化；AI 降噪模型可以实时跟踪并抑制键盘声、犬吠声、汽车鸣笛声，同时保留人声。

具体案例：远程会议 App 在发送每一帧音频前，跑一个几毫秒延迟的轻量深度降噪模型，把对方敲键盘、空调嗡嗡声滤掉，让会议另一头只听到清晰的人声。

录音后期底噪清理

阶段：离线后处理

解决的问题：播客、短视频、外景采访经常录进风扇声、交通噪声和空调轰鸣，人工逐段清理耗时且容易损伤音色。AI 降噪可以先用谱减法粗除底噪，再用深度网络精修。

具体案例：播客制作人把一段带空调底噪的人声录音交给降噪工具，工具先估计噪声谱，再通过深度模型重建干净人声，最终输出可直接发布的音频。

ASR 前端处理

阶段：语音识别前的信号预处理

解决的问题：带噪语音直接进入 ASR 系统会显著提高字错误率，降噪前端可以把人声从噪声中分离出来，再喂给识别模型，让识别更稳。

具体案例：车载语音助手中，车内音乐、风噪和轮胎声混合在一起。先跑一个深度降噪前端，再做“唤醒词检测 + 命令识别”，最终准确率明显提升。

Python 演示

python54 行
import numpy as np def stft(x, win, hop):    win_size = len(win)    n_frames = 1 + (len(x) - win_size) // hop    X = np.zeros((win_size // 2 + 1, n_frames), dtype=np.complex128)    for t in range(n_frames):        seg = x[t * hop:t * hop + win_size] * win        X[:, t] = np.fft.rfft(seg)    return X def istft(X, win, hop):    win_size = len(win)    n_frames = X.shape[1]    out_len = win_size + (n_frames - 1) * hop    y = np.zeros(out_len)    norm = np.zeros(out_len)    for t in range(n_frames):        seg = np.fft.irfft(X[:, t], win_size)        y[t * hop:t * hop + win_size] += seg * win        norm[t * hop:t * hop + win_size] += win ** 2    return y / np.maximum(norm, 1e-8) def spectral_subtraction(x, sr, noise_dur=0.2, alpha=2.0, beta=0.01):    win_size, hop = 400, 160    win = np.hanning(win_size)    X = stft(x, win, hop)    mag = np.abs(X)    phase = np.angle(X)    noise_frames = int(noise_dur * sr / hop)    noise_mag = np.mean(mag[:, :max(noise_frames, 1)], axis=1, keepdims=True)    est_mag = np.maximum(mag - alpha * noise_mag, beta * mag)    Y = est_mag * np.exp(1j * phase)    return istft(Y, win, hop) def snr_db(clean, err):    return 10 * np.log10(np.sum(clean ** 2) / np.sum(err ** 2) + 1e-12) def main():    sr = 16000    t = np.arange(sr) / sr    clean = (0.3 * np.sin(2 * np.pi * 220 * t) +             0.15 * np.sin(2 * np.pi * 660 * t))    noise = 0.06 * np.random.randn(sr)    noisy = clean + noise    enhanced = spectral_subtraction(noisy, sr)    out_len = min(len(clean), len(enhanced))    snr_in = snr_db(clean[:out_len], noisy[:out_len] - clean[:out_len])    snr_out = snr_db(clean[:out_len], enhanced[:out_len] - clean[:out_len])    print("input SNR: %.2f dB" % snr_in)    print("output SNR: %.2f dB" % snr_out) if __name__ == "__main__":    main()
目的：用 440 行以内的 Python 实现一个完整的谱减法语音增强流程，并打印增强前后的信噪比对比。
  1. X = np.zeros((win_size // 2 + 1, n_frames), dtype=np.complex128)为每个频点、每帧准备复数频谱矩阵。
  2. mag = np.abs(X)提取幅度谱，后续只需要修改幅度，相位保持不变。
  3. noise_mag = np.mean(mag[:, :max(noise_frames, 1)], axis=1, keepdims=True)用开头没有语音的帧平均，估计“底噪模板”。
  4. est_mag = np.maximum(mag - alpha * noise_mag, beta * mag)谱减核心公式，减完后用谱下限保护。
  5. Y = est_mag * np.exp(1j * phase)保留原始相位，用增强幅度重建频谱。
  6. return istft(Y, win, hop)逆短时傅里叶变换，把频谱变回时域波形。
  7. noisy = clean + noise生成“人声 + 噪声”的混合信号。
  8. print("output SNR: %.2f dB" % snr_out)打印增强后的信噪比，帮助判断降噪效果。

常见误区

误区先录一段背景噪声，然后把它从带噪语音的时域波形里直接减掉，就能得到干净人声。

正解虽然语音模型写的是 \(y=s+n\)，但直接做波形相减几乎不可行。真实噪声和语音的相位关系复杂，波形相减会严重破坏语音结构。谱减法是在频域对幅度谱做减除，并且保留原相位，这样才能相对安全地压低噪声。

为何常见：看到加法模型 \(y=x+n\)，自然会想“既然相加，那就相减”，忽略了频域处理和相位保留的重要性。

误区只要录一段底噪，算出噪声功率，整个降噪过程都用这个固定值就足够了。

正解真实环境噪声会随时间、频率变化，固定的噪声估计会导致某些频段减不干净，另一些频段又过度减除。统计模型方法会用噪声跟踪、语音存在概率等机制不断更新噪声谱。

为何常见：菜市场“摊位底噪”听起来是连续的，让人觉得它不会变，但实际频谱的每个频点都在起伏。

误区深度学习是万能的，任何降噪场景用深度模型都一定比谱减、维纳滤波效果更好。

正解深度模型的效果依赖训练数据是否覆盖目标场景。如果遇到训练时从未见过的噪声类型、信噪比极低或特殊口音，模型可能表现不佳。传统 DSP 方法算力低、行为可预期，在嵌入式设备上仍有不可替代的价值。

为何常见：公开测试集上深度模型分数亮眼，让人误以为它能覆盖所有真实世界场景。

误区只要网络参数量少，就一定能实时运行。

正解实时性不只取决于参数量，还取决于帧长、前瞻、是否流式推理、计算复杂度、平台优化等。一个模型即使很小，如果它需要看到整段音频或未来帧，也无法在通话场景中实时使用。

为何常见：人们习惯用参数量判断轻量级，忽略了“因果关系”和“延迟约束”才是实时的核心。

误区只要把噪声降干净，SNR 提升越大，降噪效果就越好。

正解把整段声音静音，SNR 会变得极高，但人声也完全没了。降噪还要保护语音本身，PESQ、STOI 等指标更关注听感和可懂度。好的降噪是在“压低噪声”和“不损伤人声”之间取平衡。

为何常见：SNR 是最直观的数值，容易让人忽略“信号被一起削掉”的风险。

面试题

Q1. 含噪语音模型 \(y(t)=s(t)+n(t)\) 中，\(n(t)\) 代表哪一项？

单选题 · easy

  • A.干净语音
  • B.环境噪声← 正确答案
  • C.增强结果
  • D.增益系数

答案：B。\(y(t)\) 是带噪语音，\(s(t)\) 是干净人声，\(n(t)\) 是环境噪声。这个加法模型说明噪声是叠加在目标语音上的，不是语音的增益或滤波结果。

Q2. 语音增强中“短时平稳”的意思是？

单选题 · easy

  • A.整段录音都不变
  • B.20~30ms内近似不变← 正确答案
  • C.噪声幅度始终相同
  • D.相位始终是零

答案：B。语音整体变化很快，但在 20 到 30 毫秒内可以看作近似平稳。所以算法先分帧，再对每一帧做频域处理，而不是把整段声音当成静止信号。

Q3. 谱减法中过减因子 \(\alpha\) 的主要作用是？

单选题 · mid

  • A.增大采样率
  • B.控制噪声减除强度← 正确答案
  • C.改变信号相位
  • D.压缩语音时长

答案：B。谱减法把带噪幅度减去 \(\alpha\) 倍噪声幅度。\(\alpha\) 越大，减得越狠，但也会越容易损伤语音，所以它是控制“减噪力度”的关键参数。

Q4. 维纳滤波增益 \(H=\xi/(1+\xi)\) 在 \(\xi\) 很小时趋近于？

单选题 · mid

  • A.0← 正确答案
  • B.1
  • C.无穷大
  • D.采样率

答案：A。当先验信噪比 \(\xi\) 很小时，说明该频点主要是噪声，增益趋近于 0，压掉噪声；当 \(\xi\) 很大时，增益趋近于 1，保留语音。

Q5. 谱减后出现的“音乐噪声”最像哪种体验？

单选题 · mid

  • A.背景有旋律
  • B.随机咝咝声和空洞声← 正确答案
  • C.明显回声
  • D.电流底噪

答案：B。音乐噪声来自频域估计误差的随机起伏，听起来像忽大忽小的咝咝声、空洞声。它不是真正的音乐，而是谱减法残留的不稳定分量。

Q6. 下列哪些是深度降噪网络常见的输入或输出形式？

多选题 · mid

  • A.带噪语音波形← 正确答案
  • B.带噪语音频谱← 正确答案
  • C.干净语音波形← 正确答案
  • D.摄像头画面

答案：ABC。深度降噪网络可以输入输出时域波形，也可以输入输出频域频谱；目标是输出干净语音。摄像头画面与音频降噪无关。

Q7. Decision-Directed 先验 SNR 估计中，平滑系数 \(\alpha\) 通常取什么范围？

单选题 · hard

  • A.接近0
  • B.接近1← 正确答案
  • C.等于0.5
  • D.等于-1

答案：B。Decision-Directed 估计会综合上一帧增强结果和当前帧观测，\(\alpha\) 越接近 1，越依赖历史经验，语音更平稳；越接近 0，越跟随当前帧，但更容易受噪声扰动。

Q8. 以下哪些是实时降噪部署的必要条件？

多选题 · hard

  • A.只用过去帧信息← 正确答案
  • B.必须等待未来全部帧
  • C.算法延迟可以接受← 正确答案
  • D.算力适合端侧← 正确答案

答案：ACD。实时降噪要求每一帧输入后立即输出，因此只能使用当前和过去帧；等待未来帧会破坏实时性。同时延迟要低、算力要适配终端设备。

Q9. PESQ 和 STOI 的侧重点分别是？

单选题 · mid

  • A.PESQ测可懂度，STOI测质量
  • B.PESQ测质量，STOI测可懂度← 正确答案
  • C.两者都测音量
  • D.两者都测延迟

答案：B。PESQ 更接近主观语音质量评分，STOI 更关注语音可懂度，也就是“能不能听清内容”。两者互补，不能只用 SNR 判断降噪好坏。

Q10. 深度降噪里的“因果约束”是指？

单选题 · extreme

  • A.只看当前和过去帧← 正确答案
  • B.必须看完整段音频
  • C.输出一次计算完
  • D.模型不含任何参数

答案：A。因果约束要求模型在推理时不能使用未来信息，只能依赖当前帧和过去帧，这样才能满足实时通话场景的低延迟要求。