技术解析｜音频降噪想要去掉杂音的核心成功因素，噪声样本采样的三个关键

把一段采访录音丢进降噪工具，噪声是压下去了，人声却像被抽走一层底子：尾音发虚、齿音发涩，听着像隔着水在说话。你以为是压制量开太大，把滑块往回拉，噪声又回来了。反复试几轮，始终卡在「压得干净」和「保住人声」之间。问题多半不在强度滑块上，而在你开始降噪之前——工具到底「认识」过这段噪声没有。

先破误解：降噪不是把噪声「认出来再删掉」

很多人以为降噪工具能听懂什么是空调声、什么是人声，然后只删前者。它做不到这件事。绝大多数降噪实现做的是统计：先取一段「只有噪声、没有人声」的片段，算出噪声在各个频段的能量分布，建立一张噪声画像；再拿整段音频逐帧和这张画像比对，能量贴近画像的成分压下去，明显高出的保留。

这个机制有一个直接推论：画像的质量，决定了后面每一步的天花板。 画像采错了，后面的比对全盘皆错，压制量调到哪一档都救不回来。所以「先听几秒底噪」不是仪式，它是整条链路的输入项。

底层原理：噪声谱估计在算什么

把信号做短时傅里叶变换（STFT，Short-Time Fourier Transform），波形就变成一张时频图——横轴时间、纵轴频率、每个格子的深浅是能量。噪声画像就是这张图上「纯噪声时段」的平均能量分布，通常是逐频点的功率谱密度。

处理时，算法对每个时频点算一个 0 到 1 的增益系数：该点能量越接近画像、越像噪声，增益越小；越高出画像、越像人声，增益越接近 1。噪声画像在这个过程里扮演的角色，相当于一条随频率起伏的阈值线。阈值线画在哪，直接决定哪些成分被保留、哪些被牺牲。

关键一：样本长度，1 秒往往不够

噪声画像是对功率谱的估计，估计就有方差。样本越短，方差越大，画像越抖。一段 1 秒的底噪，按 25ms 帧长、10ms 帧移算，只覆盖约 40 帧，逐频点平均下来，个别频点的能量会随机偏高或偏低。画像抖，增益系数就跟着抖，处理出来的人声会带上一种忽明忽暗的颗粒感。

工程经验是：平稳噪声至少给 1.5 到 3 秒，最好 3 到 5 秒。 帧数够了，逐频点平均才收敛。如果素材里确实找不到这么长的纯噪声段，退而求其次，从多处句间停顿各截一小段拼起来用，也比硬塞 0.5 秒强。

关键二：样本纯度，混进一句人声就全偏

比长度更致命的是纯度。采样窗口里只要混进一句人声，这段人声的能量就会按比例抬进画像，把对应频段的阈值线整体推高。后果是：处理整段时，凡是能量和「被人声抬高的画像」接近的真实人声成分，都会被误判成噪声压掉——表现为人声发虚、发闷，而且越是画像里被污染的那个频段，损失越明显。

这就是为什么自动采样有时候不如手动指定。自动采样靠语音活动检测（VAD）猜哪段是纯噪声，VAD 在低信噪比下会漏判，把一句轻说话也算成噪声。手动指定一段你亲耳确认过的空白，误差小得多。判断方法很简单：戴上耳机把候选段单独听一遍，听到任何可辨识的语音音节就换一段。

关键三：非平稳噪声只能靠自适应跟踪

前两点都建立在「噪声是平稳的」这个前提上。空调、风扇、电流这类稳态噪声，画像建一次能用到底。但马路车流、键盘敲击、邻桌说话这类非平稳噪声，能量分布随时间变化，前一秒的画像后一秒就过期。

对付非平稳噪声，算法只能用自适应跟踪：一边处理一边更新画像，让阈值线跟着噪声走。这里有一个绕不开的取舍——跟踪窗口越短，追噪声越及时，但越容易把短促的人声也吸进画像；窗口越长，画像越稳，但噪声一变就跟不上。 窗口设到几百毫秒时，一个拖长的元音就可能被当成「持续出现的噪声」吞掉。

实践上的结论是：噪声的「稳定性」比「安静程度」更影响结果。一个有稳定空调声的房间，降噪通常好过一个大部分时间安静、但时不时有人咳嗽走动的开放空间。

落地方案：把采样这一步显式做出来

想把这三点落到操作上，顺序是固定的：先确认素材里有没有一段可用的纯噪声，再决定手动指定还是交给自适应跟踪，最后才调压制量。手边没有本地环境时，在线音频编辑平台可直接跑这个流程：上传本地文件、试听后决定要不要加码，适合处理一批采访或播客录音。

人声细节没丢再逐步加码，比一上来拉满要稳得多。需要说明一句：它处理的是你上传的本地文件，不支持粘贴链接在线抓取解析，素材得先落到本地再上传。

收尾

降噪里最容易被忽略的一步，恰恰是最靠前的一步——决定工具「认识」了什么样的噪声。把样本的长度、纯度、跟踪方式这三件事想清楚，比反复重跑参数省时间得多。工具能做的是把损失压到最低，不是把损失消掉；搞清哪一步在丢信息，才知道该在哪里停手。