4. 噪声抑制（NS）基础：噪声类型、谱减法、维纳滤波与DNN方法
各位好，欢迎来到噪声抑制这一章。说实话，在智能音箱的音频链路里，NS（Noise Suppression）是我个人觉得最有「技术美感」的一环。为什么？因为你要在「去掉噪声」和「保留语音」之间走钢丝，稍微偏一点，要么噪声没消干净，要么语音变得像机器人。
我在项目中遇到过不少次，算法在安静环境下跑得漂漂亮亮，一放到真实的客厅、厨房场景，立马翻车。嗯，这里的关键在于——你面对的噪声类型不一样了。
4.1 噪声类型：平稳 vs 非平稳
先搞清楚你的敌人是谁。噪声大致分两类：
- 平稳噪声：统计特性随时间变化不大。比如空调声、风扇声、电脑散热器的嗡嗡声。这类噪声的频谱相对稳定，好对付。
- 非平稳噪声：统计特性随时间剧烈变化。比如键盘敲击声、关门声、小孩哭声、电视里突然的广告声。这类噪声，说实话，是传统算法的噩梦。
我的经验：在智能音箱产品中，80%以上的投诉都来自非平稳噪声场景。用户不会在意空调声，但会在意「音箱突然被一声咳嗽打断」。
你想想看，平稳噪声你可以在静默期估计个噪声谱，然后一直用。但非平稳噪声呢？等你估计完，噪声早就变了。所以算法设计时，必须区分对待。
| 特性 | 平稳噪声 | 非平稳噪声 |
|---|---|---|
| 频谱变化 | 缓慢 | 快速 |
| 典型例子 | 空调、风扇 | 键盘、电视、人声干扰 |
| 传统算法效果 | 较好 | 较差 |
| DNN适用性 | 可以 | 更优 |
4.2 谱减法：最朴素的思路
谱减法，说白了就是「有噪声的时候减去噪声」。它的数学基础很简单：
|Y(f)|² = |X(f)|² - |N(f)|²其中Y是增强后的语音幅度谱，X是带噪语音，N是估计的噪声谱。然后结合原始相位，做IFFT恢复时域信号。
为什么说它朴素？因为它假设噪声是加性的，而且你事先知道噪声谱。我在早期做项目时，第一次实现谱减法，效果还挺惊喜的——空调声确实没了。但问题很快就来了：
- 音乐噪声：减过头了，残留一些「吱吱吱」的伪影，听着像背景里有只蟋蟀。
- 过减问题：减多了，语音失真严重。
我曾经踩过的坑：谱减法里有个参数叫「过减因子α」，我一开始设成1.0，结果语音质量惨不忍睹。后来调到1.2~1.5之间，配合一个谱下限（floor），才勉强能听。但说实话，谱减法在信噪比低于5dB时基本就废了。
改进版谱减法会引入平滑机制，比如：
|Y(f)|² = max(|X(f)|² - α·|N(f)|², β·|X(f)|²)这里的β就是谱下限，防止减成负数。α控制减法力度。这两个参数，我建议你在实际产品中做可调，因为不同麦克风、不同场景，最优值差很多。
4.3 维纳滤波：从统计角度出发
维纳滤波比谱减法聪明一点。它不再简单粗暴地做减法，而是估计一个增益函数，对每个频点做加权。
核心公式：
H(f) = ξ(f) / (1 + ξ(f))其中ξ(f)是先验信噪比（prior SNR），即纯净语音功率与噪声功率的比值。这个值越大，增益越接近1（保留语音）；越小，增益越接近0（抑制噪声）。
我个人习惯用「决策导向法」（Decision-Directed）来估计先验信噪比：
ξ(k) = α·|Y(k-1)|²/|N(k-1)|² + (1-α)·max(γ(k)-1, 0)这里的α通常取0.98左右。为什么？因为语音是连续的，前一帧的信息对当前帧有参考价值。我在项目中试过α=0.9，结果语音有颤音感；调到0.98，平滑多了。
小技巧：维纳滤波对平稳噪声效果很好，但对非平稳噪声，增益更新跟不上。我建议在维纳滤波前加一个VAD（语音活动检测），只在非语音段更新噪声估计。这样能避免语音段被误伤。
维纳滤波的优点是音乐噪声比谱减法少很多，缺点是计算量稍大（需要实时估计先验SNR），但在嵌入式平台上，用定点数优化后完全跑得动。
4.4 基于DNN的噪声抑制：新时代的解法
好了，前面两种方法都是传统信号处理的思路。它们有个共同的问题：对非平稳噪声，效果天花板很低。你想想看，键盘敲击声的频谱和语音重叠度很高，传统方法根本分不开。
DNN方法就不一样了。它直接学习从带噪语音到纯净语音的映射。常见架构有两种：
- 时域方法：比如Conv-TasNet，直接处理波形。
- 频域方法：比如CRNN（卷积+循环神经网络），处理频谱图。
我在实际产品中更倾向于频域方法，原因很简单：嵌入式平台的算力有限，频域方法可以用较小的模型达到不错的效果。一个典型的DNN NS模型结构：
输入: 带噪语音频谱 (257维, 16kHz)
↓
2层卷积 (提取局部特征)
↓
2层GRU (捕捉时序依赖)
↓
全连接层 (输出mask)
↓
逐元素乘: mask * 带噪频谱 = 增强频谱这个mask就是所谓的「理想比值掩膜」（IRM），取值范围0~1。模型训练的目标就是让输出的mask尽可能接近真实的IRM。
我的建议：不要一上来就追求大模型。在智能音箱上，我见过很多团队用几百KB的模型就达到了比传统算法好得多的效果。关键是训练数据要覆盖各种噪声场景，尤其是你产品实际会遇到的那些。
DNN方法的优势很明显：
- 对非平稳噪声效果好
- 语音失真小
- 可以联合优化其他任务（比如VAD、DOA）
但缺点也摆在那：
- 需要大量标注数据
- 模型部署需要量化、剪枝
- 对未见过的噪声类型可能泛化不好
我曾经翻过车：第一次部署DNN NS模型时，没做定点量化，直接用float32跑，结果DSP内存爆了。后来用INT8量化，模型从2MB压缩到500KB，推理速度提升了4倍，效果只损失了不到0.5dB。所以，嵌入式部署一定要做量化，别偷懒。
4.5 三种方法的对比与选型建议
| 方法 | 计算量 | 平稳噪声 | 非平稳噪声 | 语音质量 | 部署难度 |
|---|---|---|---|---|---|
| 谱减法 | 低 | 中 | 差 | 低 | 低 |
| 维纳滤波 | 中 | 好 | 中 | 中 | 低 |
| DNN方法 | 高 | 好 | 好 | 高 | 高 |
我个人在实际项目中，通常这样搭配：
- 低端芯片（比如Cortex-M4）：用维纳滤波 + 谱减法混合，参数调好也能用。
- 中端芯片（比如Cortex-A系列 + DSP）：用轻量级DNN模型，配合维纳滤波做后处理。
- 高端芯片（比如带NPU的）：直接上全DNN方案，效果最好。
好了，这一章的内容就到这里。噪声抑制是个「入门容易精通难」的领域，希望你能从这三种方法中找到适合自己产品的路子。下一章我们会聊回声消除，那个坑更多，到时候再细说。