一、引言：语音降噪的必要性

在语音通信、语音识别、音频编辑等场景中，背景噪声会显著降低语音质量，影响后续处理效果。Python凭借丰富的音频处理库（如librosa、pydub、scipy等），为开发者提供了高效的语音降噪解决方案。本文将从录音采集、噪声分析到降噪算法实现，系统介绍Python语音降噪的全流程。

二、Python语音录音基础

1. 使用sounddevice库录制音频

sounddevice是Python中轻量级的音频I/O库，支持实时录音和播放。以下是一个简单的录音示例：

import sounddevice as sd
import numpy as np
# 参数设置
fs = 44100  # 采样率
duration = 5  # 录音时长（秒）
# 录音
print("开始录音...")
recording = sd.rec(int(duration * fs), samplerate=fs, channels=1, dtype='float32')
sd.wait()  # 等待录音完成
print("录音结束")
# 保存为WAV文件（需配合scipy.io.wavfile）
from scipy.io.wavfile import write
write('output.wav', fs, (recording * 32767).astype(np.int16))

关键点：

• 采样率（fs）需与后续处理一致（如16kHz用于语音识别）。
• 单声道（channels=1）可减少计算量。
• 量化格式（dtype）影响精度和存储空间。

2. 使用pydub处理音频文件

pydub基于FFmpeg，支持格式转换和基础编辑：

from pydub import AudioSegment
# 加载音频
audio = AudioSegment.from_wav("input.wav")
# 调整音量（示例：增加3dB）
louder_audio = audio + 3
# 导出文件
louder_audio.export("louder.wav", format="wav")

三、语音降噪技术分类与实现

1. 频谱减法（Spectral Subtraction）

原理：通过估计噪声频谱，从含噪语音中减去噪声分量。
实现步骤：

1. 分帧加窗（如汉明窗）。
2. 计算短时傅里叶变换（STFT）。
3. 估计噪声谱（如前几帧无语音段）。
4. 执行频谱减法并重构时域信号。

代码示例：

import numpy as np
import librosa
def spectral_subtraction(y, sr, n_fft=512, hop_length=256):
    # 分帧和STFT
    D = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)
    magnitude = np.abs(D)
    phase = np.angle(D)
    # 噪声估计（假设前5帧为噪声）
    noise_mag = np.mean(magnitude[:, :5], axis=1, keepdims=True)
    # 频谱减法（过减法因子α=2，谱底β=0.01）
    alpha, beta = 2, 0.01
    enhanced_mag = np.maximum(magnitude - alpha * noise_mag, beta * noise_mag)
    # 重构信号
    enhanced_D = enhanced_mag * np.exp(1j * phase)
    enhanced_y = librosa.istft(enhanced_D, hop_length=hop_length)
    return enhanced_y
# 加载音频
y, sr = librosa.load("noisy.wav", sr=16000)
enhanced_y = spectral_subtraction(y, sr)
# 保存结果
librosa.output.write_wav("enhanced_spectral.wav", enhanced_y, sr)

优化方向：

• 动态噪声估计（如VAD检测语音活动）。
• 结合维纳滤波改进残留噪声。

2. 维纳滤波（Wiener Filter）

原理：基于最小均方误差准则，设计频域滤波器。
优势：相比频谱减法，能更好地保留语音细节。
代码示例：

def wiener_filter(y, sr, n_fft=512, hop_length=256):
    D = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)
    magnitude = np.abs(D)
    phase = np.angle(D)
    # 噪声估计（同频谱减法）
    noise_mag = np.mean(magnitude[:, :5], axis=1, keepdims=True)
    # 维纳滤波系数（假设SNR=10dB）
    snr = 10
    prior_snr = snr / (1 + snr)
    wiener_coef = prior_snr / (prior_snr + (noise_mag**2) / (magnitude**2 + 1e-10))
    enhanced_mag = wiener_coef * magnitude
    enhanced_D = enhanced_mag * np.exp(1j * phase)
    enhanced_y = librosa.istft(enhanced_D, hop_length=hop_length)
    return enhanced_y

3. 深度学习降噪（基于noisereduce库）

原理：使用预训练的深度学习模型（如RNNoise）分离语音和噪声。
安装与使用：

pip install noisereduce

import noisereduce as nr
import soundfile as sf
# 加载音频
y, sr = sf.read("noisy.wav")
# 选择噪声段（如前0.5秒）
noise_sample = y[:int(0.5 * sr)]
# 执行降噪
reduced_noise = nr.reduce_noise(
    y=y, sr=sr, y_noise=noise_sample, stationary=False
)
# 保存结果
sf.write("enhanced_deep.wav", reduced_noise, sr)

适用场景：

• 非稳态噪声（如人群嘈杂声）。
• 对实时性要求不高的离线处理。

四、性能优化与评估

1. 实时处理优化

• 分块处理：将音频流分割为小段（如200ms），降低延迟。
• 多线程：使用threading或concurrent.futures并行处理。
• C扩展：将关键部分用Cython重写。

2. 降噪效果评估

• 客观指标：
  • PESQ（感知语音质量评估）。
  • STOI（短时客观可懂度）。
• 主观听测：通过AB测试对比降噪前后效果。

五、常见问题与解决方案

1. 噪声残留：
   • 调整频谱减法的alpha和beta参数。
   • 结合深度学习模型进行二次降噪。
2. 语音失真：
   • 避免过度减法（如设置谱底beta）。
   • 使用维纳滤波替代硬阈值。
3. 实时性不足：
   • 降低FFT长度（如256点）。
   • 使用GPU加速深度学习模型。

六、总结与展望

Python在语音降噪领域提供了从传统信号处理到深度学习的完整工具链。开发者可根据场景选择合适的方法：

• 低延迟需求：频谱减法或维纳滤波。
• 高质量需求：深度学习模型（如RNNoise）。
  未来，随着神经网络轻量化（如TinyML）的发展，实时端侧降噪将成为可能。建议开发者持续关注torchaudio和tensorflow_io等库的更新，以获取更高效的工具。