经常开会，要进行会后整理的大多有这个困扰，录音里有噪音！麦克风杂音、同事键盘打字声、两个人同时的说话声....如果单纯靠耳朵听那是很影响准确率的。这时候就需要依靠专业的转写工具，让它来帮忙过滤掉这些噪音。

那究竟是怎么过滤这些噪音的呢？其实可以把降噪过程理解为一场“语音与噪音的分离手术”。

核心思想：从混合信号中分离出目标信号

麦克风收录的声音是一个混合体：纯净语音 + 背景噪音 = 带噪音频。

降噪的目标就是从等号左边解出“纯净语音”。

一、传统降噪方法（基于信号处理）

这些方法不需要训练，基于固定的数学和声学模型，在计算资源有限的设备上仍有应用。

谱减法

核心思想：非常简单直观。假设噪音是稳定的（如风扇声、空调嗡嗡声），我们先在用户不说话时采集一段“纯噪音”样本，获取其频谱轮廓。然后，在整段音频中，从每个时刻的混合信号频谱中减去这个噪音频谱。

比喻：就像在一张写满字的纸上，如果你知道背景图案的颜色和形状，就可以尝试把它“减掉”，让字迹更清晰。

缺点：对非平稳噪音（如突然的关门声、键盘声）效果差，容易产生“音乐噪声”（一种残留的、类似音乐的残留杂音）。

维纳滤波

核心思想：比谱减法更先进一步。它不仅仅简单相减，而是计算一个最优滤波器。这个滤波器会在估计噪音和语音统计特性的基础上，尽可能让输出信号（即降噪后的信号）接近原始的纯净语音。

比喻：不是一个简单的减法器，而是一个“智能调音台”，它在每个频率点上根据信噪比动态调整旋钮：在信噪比高的地方（语音强），几乎不动；在信噪比低的地方（噪音强），大幅衰减。

缺点：同样依赖于对噪音和语音特性的准确估计，对于复杂多变的噪音环境依然力不从心。

二、现代基于深度学习的降噪方法（当前主流）

这是目前最先进、效果最好的方法，核心是使用深度神经网络 来学习“如何从带噪音频中恢复纯净语音”。

其工作流程可以概括为以下几个步骤：

1.特征表示：从波形到频谱图

• 原始音频波形很难直接处理。神经网络的第一步通常是将音频通过短时傅里叶变换 转换为频谱图。
• 频谱图是一个二维图像，X轴是时间，Y轴是频率，颜色深浅代表能量强度。这样，音频降噪问题就变成了一个“图像分割”或“图像增强”问题：如何从一张布满噪音的频谱图中，提取出只属于语音的部分。

2.核心模型：深度学习网络（大脑）

• 网络结构多种多样，常见的有：
• 卷积神经网络：像处理图像一样，识别频谱图中的局部模式（哪些 pattern 是语音，哪些是噪音）。
• 循环神经网络：很好的捕捉语音在时间上的连续性。
• U-Net等编码器-解码器结构：先将频谱图压缩提取高级特征（编码），再将其还原为干净的频谱图（解码）。
• Transformer：强大的注意力机制可以捕捉频谱图中远距离的依赖关系。
• 训练过程：
• 需要海量的训练数据对，即【带噪音频，纯净音频】。
• 通过人工合成，可以将纯净的语音库与各种噪音库（交通、咖啡馆、办公室等）以不同的信噪比混合，制造出训练数据。
• 网络通过学习无数这样的数据对，最终学会了一个复杂的映射函数：输入带噪频谱 → 输出纯净频谱。

3.输出目标：掩码或纯净频谱

• 理想比值掩码（IRM）：这是最主流和有效的方法之一。网络不直接生成纯净频谱，而是预测一个介于0和1之间的“掩码”矩阵。
• 掩码就像是一个“语音过滤器”或“蒙版”。这个蒙版与原始的带噪频谱图逐点相乘。
• 原理：在某个时间-频率点上，如果很可能是语音，掩码值就接近1（保留）；如果很可能是噪音，掩码值就接近0（抑制）。
• 比喻：就像用Photoshop的蒙版抠图，把人物（语音）抠出来，把背景（噪音）擦掉。
• 频谱映射：另一种方法是直接让网络生成估计的纯净频谱。

4.波形重建

• 得到降噪后的频谱图（无论是通过掩码处理还是直接生成）后，使用逆短时傅里叶变换 将其重新合成为最终的、干净的音频波形。

实际应用中的挑战与技巧

• 噪音类型：
• 稳态噪音（如风扇、机器）：最容易去除，传统方法就有效。
• 非稳态噪音（如键盘声、敲门声、他人谈话）：很难，需要深度学习模型才能较好处理。
• 人声背景噪音：最难，因为其声学特性与目标语音非常相似，强力降噪可能会损伤目标语音本身，造成“机器人声”或语音断续。
• 端到端模型：现在更前沿的技术是直接输入带噪波形，输出纯净波形，完全跳过频谱图这一步，理论上性能更强，但对数据和算力要求更高。
• 集成在系统中：在录音转文字的全流程中，降噪通常是预处理的第一步。一个干净的音频信号，能极大提升后续声学模型（识别音素）和语言模型（识别词语）的准确率。

总结来说，现代录音转文字服务中的降噪，本质上是一个由海量数据驱动的、高度复杂的AI模型，它学会了如何像人脑一样，从嘈杂的环境中“聚焦”并“提取”出我们想听的那个声音。