4. 包络检测（下）：平滑滤波（一阶低通滤波器）在包络检测中的应用

上一节我们聊了包络检测的基本原理，说白了就是从音频信号里把「能量轮廓」给揪出来。但有个问题——直接算出来的包络，往往毛刺特别多，像一把没磨过的刀。

为什么会这样？因为音频信号本身就有很多高频抖动。你想想看，一个鼓点下去，波形上下跳得飞快。如果我们直接拿这个信号去控制压缩器，那压缩器也会跟着乱抖，出来的声音就「喘气」了。

所以，我们需要一个平滑处理。我习惯用的工具，就是一阶低通滤波器。它简单、高效，而且效果足够好。

4.1 为什么需要平滑？

先看一个实际场景。假设你检测到一段人声的包络：

• 每个音节之间，能量会突然掉下去
• 辅音部分（比如「s」、「t」）能量很低
• 元音部分能量高，但波形内部仍有波动

如果不做平滑，压缩器会跟着这些细节一起动。结果就是：

• 音节间隙被放大，听起来断断续续
• 辅音和元音之间的过渡不自然
• 整体声音缺乏「黏性」

嗯，这里要注意——平滑不是把细节全抹掉，而是去掉那些「不该被听到」的抖动。

4.2 一阶低通滤波器的数学原理

一阶低通滤波器，说白了就是一个「记忆单元」。它的核心公式很简单：

y[n] = α · x[n] + (1 - α) · y[n-1]

其中：

• x[n] 是当前输入的包络值
• y[n] 是当前输出的平滑值
• y[n-1] 是上一次的输出值
• α 是平滑系数，范围 0 到 1

这个公式的物理意义很直观：

• α 越大，当前输入占的权重越大，响应越快，但平滑效果差
• α 越小，历史值占的权重越大，响应越慢，平滑效果强

我在项目中遇到过一个问题——α 设得太小，包络反应迟钝，压缩器跟不上瞬态；设得太大，又会有毛刺。后来我总结了一个经验：α 通常取 0.01 到 0.1 之间，具体看你的采样率和应用场景。

4.3 时间常数与截止频率

在实际工程中，我们很少直接调 α。更常用的方式是设定「时间常数」τ（单位：秒）。

时间常数和 α 的关系：

α = 1 - exp(-1 / (fs · τ))

其中 fs 是采样率。当 τ 很小时，α 接近 1，滤波器响应快；τ 很大时，α 接近 0，响应慢。

举个例子：

时间常数 τ	采样率 44100 Hz 下的 α	应用场景
0.1 ms	0.226	瞬态检测（鼓、打击乐）
1 ms	0.0226	快速包络（人声辅音）
10 ms	0.00226	常规包络（人声元音）
100 ms	0.000226	慢速包络（背景铺底）

你看，时间常数差一个数量级，α 也差一个数量级。这就是为什么我建议直接用时间常数来调参数——更直观，也更容易和音乐感知对应起来。

4.4 代码实现

下面是一个简单的 C 语言实现。我习惯把它封装成一个结构体，方便复用：

typedef struct {
    float alpha;    // 平滑系数
    float y_prev;   // 上一次的输出
} LowPassFilter;

void LowPassFilter_Init(LowPassFilter* lpf, float alpha) {
    lpf->alpha = alpha;
    lpf->y_prev = 0.0f;
}

float LowPassFilter_Process(LowPassFilter* lpf, float x) {
    float y = lpf->alpha * x + (1.0f - lpf->alpha) * lpf->y_prev;
    lpf->y_prev = y;
    return y;
}

使用时，只需要在每次采样点调用 LowPassFilter_Process 即可。注意初始化时 y_prev 要设为 0，否则第一个输出会有偏差。

4.5 平滑滤波的效果对比

为了让你更直观地理解，我画了一张流程图，展示包络检测和平滑滤波的完整链路：

4.6 避坑指南

我曾经踩过一个坑——在实时音频处理中，忘记考虑滤波器的初始状态。第一次调用时，y_prev 是 0，导致前几个采样点的输出严重偏低。后来我加了一个「预热」阶段，或者把初始值设为第一个输入值，问题就解决了。

另外，如果你在浮点精度有限的平台上（比如某些嵌入式 DSP），要注意 α 非常小的时候，(1 - α) 可能会被截断为 1，导致滤波器失效。我建议用定点数或者双精度来避免这个问题。

4.7 实际应用中的参数选择

最后，我分享一下在实际项目中常用的参数范围：

• 人声压缩： attack 时间常数 1-5 ms，release 时间常数 50-200 ms
• 鼓组压缩： attack 时间常数 0.1-1 ms，release 时间常数 20-100 ms
• 总线压缩： attack 时间常数 10-30 ms，release 时间常数 100-500 ms

当然，这些只是起点。最终参数还是要靠耳朵来调。你想想看，每个录音的素材都不一样，没有万能公式。但有了这个基础，你至少知道往哪个方向去试。

---