引言

语音降噪是音频处理领域的核心任务，旨在从含噪语音中提取纯净信号，提升语音可懂度与舒适度。传统方法（如谱减法、维纳滤波）依赖统计假设，在非平稳噪声或低信噪比场景下性能受限。近年来，深度学习通过端到端建模与数据驱动特性，显著提升了降噪效果。MATLAB作为工程计算与算法开发的集成环境，提供了从数据预处理、模型训练到部署的全流程支持。本文将系统阐述MATLAB环境下基于深度学习的语音降噪方法，结合理论分析与代码实践，为开发者提供可落地的技术方案。

1. 语音降噪技术背景与深度学习优势

1.1 传统方法的局限性

传统语音降噪方法（如谱减法、MMSE估计）基于噪声与语音的统计独立性假设，通过频域或时域变换实现噪声抑制。然而，实际场景中噪声具有非平稳性（如交通噪声、人群噪声），且语音信号的时变特性导致传统方法难以精确建模。例如，谱减法在噪声估计不准确时会产生“音乐噪声”，维纳滤波对先验信噪比敏感，导致低信噪比下语音失真。

1.2 深度学习的突破性

深度学习通过神经网络自动学习噪声与语音的特征映射，无需显式建模噪声统计特性。卷积神经网络（CNN）可捕捉局部频谱模式，循环神经网络（RNN）及其变体（LSTM、GRU）能建模时序依赖性，而注意力机制（如Transformer）可聚焦关键语音片段。在MATLAB中，深度学习工具箱（Deep Learning Toolbox）支持从网络架构设计到训练优化的全流程，结合音频处理工具箱（Audio Toolbox），可高效实现端到端语音降噪。

2. MATLAB环境下的数据准备与预处理

2.1 数据集构建

语音降噪任务需配对数据集（含噪语音与纯净语音）。公开数据集如TIMIT（纯净语音）、NOISEX-92（噪声库）可通过MATLAB的audioread函数加载。自定义数据集生成时，需将纯净语音与噪声按不同信噪比（SNR）混合：

% 生成含噪语音示例
[clean_speech, Fs] = audioread('clean.wav');
noise = audioread('noise.wav');
noise = noise(1:length(clean_speech)); % 截断至相同长度
SNR = 5; % 信噪比（dB）
signal_power = rms(clean_speech)^2;
noise_power = rms(noise)^2;
scale_factor = sqrt(signal_power / (noise_power * 10^(SNR/10)));
noisy_speech = clean_speech + scale_factor * noise;

2.2 特征提取与标准化

语音信号通常需转换为频域特征（如短时傅里叶变换，STFT）或时频特征（如梅尔频谱）。MATLAB的spectrogram函数可计算STFT：

window_size = 256;
hop_size = 128;
nfft = 256;
[S, F, T] = spectrogram(noisy_speech, window_size, hop_size, nfft, Fs);
magnitude_spec = abs(S); % 取幅度谱

为加速模型收敛，需对特征进行标准化（如Z-score标准化）：

mean_val = mean(magnitude_spec(:));
std_val = std(magnitude_spec(:));
normalized_spec = (magnitude_spec - mean_val) / std_val;

3. 深度学习模型设计与实现

3.1 网络架构选择

3.1.1 CNN-LSTM混合模型

CNN擅长提取局部频谱特征，LSTM可建模时序依赖性。MATLAB中可通过deepNetworkDesigner可视化搭建网络：

layers = [
    imageInputLayer([256 128 1]) % 输入：256频点，128时间帧
    convolution2dLayer(3, 16, 'Padding', 'same') % 3x3卷积，16通道
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    lstmLayer(64, 'OutputMode', 'sequence') % 64单元LSTM
    fullyConnectedLayer(256) % 输出频点数
    regressionLayer]; % 回归任务

3.1.2 U-Net架构

U-Net通过编码器-解码器结构与跳跃连接保留多尺度信息，适用于语音掩模估计：

% 编码器部分
encoder = [
    imageInputLayer([256 128 1])
    convolution2dLayer(3, 16, 'Padding', 'same')
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 32, 'Padding', 'same')
    reluLayer];
% 解码器部分（需对称设计）

3.2 损失函数与优化策略

3.2.1 损失函数选择

• MSE损失：适用于幅度谱回归，计算预测谱与真实谱的均方误差。
• SI-SNR损失：基于时域信号的尺度不变信噪比，更贴近语音质量评估：

  function loss = si_snr_loss(y_pred, y_true)
    % y_pred: 预测语音，y_true: 纯净语音
    alpha = dot(y_pred, y_true) / (norm(y_pred)^2 + 1e-8);
    s_target = alpha * y_pred;
    e_noise = y_true - s_target;
    loss = -10 * log10(norm(s_target)^2 / (norm(e_noise)^2 + 1e-8));
  end

3.2.2 优化器配置

Adam优化器结合动量与自适应学习率，MATLAB中可通过trainingOptions配置：

options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 32, ...
    'InitialLearnRate', 0.001, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 30, ...
    'Plots', 'training-progress');

4. 模型训练与评估

4.1 训练流程

使用trainNetwork函数启动训练，需指定数据存储（datastore）与网络架构：

% 创建数据存储
imds_train = imageDatastore('train_features', 'IncludeSubfolders', true);
imds_val = imageDatastore('val_features', 'IncludeSubfolders', true);
% 训练网络
net = trainNetwork(imds_train, layers, options);

4.2 评估指标

• 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MATLAB的audioplayer对比降噪前后语音。

5. 部署与优化建议

5.1 模型压缩

使用MATLAB的reduce函数量化网络权重（如8位整数），减少计算资源占用：

quantized_net = reduce(net, 'quantization', 'int8');

5.2 实时处理优化

• 分帧处理：将长语音分割为短帧（如20ms），并行处理以降低延迟。
• GPU加速：启用'ExecutionEnvironment','gpu'选项，利用CUDA核心加速训练与推理。

5.3 跨平台部署

通过MATLAB Coder生成C/C++代码，或使用MATLAB Compiler SDK打包为独立应用，支持嵌入式设备部署。

结论

MATLAB为基于深度学习的语音降噪提供了从数据预处理到部署的全流程支持。开发者可通过混合CNN-LSTM架构或U-Net模型，结合SI-SNR损失函数与Adam优化器，实现高性能降噪。未来方向包括轻量化模型设计、多模态融合（如结合视觉信息）及低资源场景下的自适应学习。通过MATLAB的集成环境，开发者可高效探索算法创新，推动语音增强技术的实际应用。