Python语音处理实战：录音与降噪技术全解析

一、Python语音录音基础：从零开始捕获声音

1.1 核心库选择与安装

Python语音处理的核心库包括sounddevice（实时音频I/O）、pyaudio（跨平台音频接口）和scipy.io.wavfile（WAV文件读写）。推荐使用sounddevice，因其支持多平台且API简洁。安装命令如下：

pip install sounddevice numpy scipy

1.2 基础录音实现

以下代码演示如何使用sounddevice录制5秒音频并保存为WAV文件：

import sounddevice as sd
import numpy as np
from scipy.io.wavfile import write
# 参数设置
fs = 44100  # 采样率
duration = 5  # 录制时长（秒）
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
write('output.wav', fs, (recording * 32767).astype(np.int16))  # 转换为16位PCM

关键点：

• 采样率（fs）需根据需求选择（如44.1kHz适用于音乐，16kHz适用于语音识别）。
• 数据类型需注意：sounddevice默认输出float32（-1到1），保存时需转换为16位整数。

1.3 实时录音与回调函数

对于需要实时处理的场景（如实时降噪），可使用回调函数：

def callback(indata, frames, time, status):
    if status:
        print(status)
    # 在此处添加实时处理逻辑
    process_audio(indata)
with sd.InputStream(samplerate=fs, channels=1, callback=callback):
    print("实时录音中...按Ctrl+C停止")
    while True:
        pass

二、Python语音降噪技术：从传统到深度学习

2.1 传统降噪方法：频谱减法与维纳滤波

频谱减法通过估计噪声频谱并从含噪信号中减去实现降噪。示例代码如下：

import numpy as np
from scipy.io import wavfile
def spectral_subtraction(input_path, output_path, noise_path, alpha=2.0):
    # 读取音频与噪声
    fs, signal = wavfile.read(input_path)
    _, noise = wavfile.read(noise_path)
    # 转换为频域
    n = len(signal)
    freq = np.fft.rfft(signal)
    noise_freq = np.fft.rfft(noise[:n])
    # 估计噪声幅度并应用频谱减法
    magnitude = np.abs(freq)
    noise_magnitude = np.abs(noise_freq)
    clean_magnitude = np.maximum(magnitude - alpha * noise_magnitude, 0)
    # 重建信号
    phase = np.angle(freq)
    clean_freq = clean_magnitude * np.exp(1j * phase)
    clean_signal = np.fft.irfft(clean_freq).astype(np.int16)
    wavfile.write(output_path, fs, clean_signal)

局限性：频谱减法易引入“音乐噪声”（残留噪声的频谱波动）。

2.2 深度学习降噪：基于CRN与DeepComplexCNN

对于复杂噪声场景，深度学习模型（如Convolutional Recurrent Network, CRN）表现更优。以下是一个基于noisereduce库的简化实现：

# 安装依赖
pip install noisereduce librosa
import noisereduce as nr
import soundfile as sf
# 加载音频
data, rate = sf.read('noisy_speech.wav')
# 选择噪声段（如前0.5秒）
noise_sample = data[:int(0.5 * rate)]
# 执行降噪
reduced_noise = nr.reduce_noise(
    y=data, sr=rate, y_noise=noise_sample, stationary=False
)
# 保存结果
sf.write('cleaned_speech.wav', reduced_noise, rate)

参数调优建议：

• stationary=False适用于非平稳噪声（如人声、交通噪声）。
• prop_decrease（默认0.5）控制降噪强度，值越高降噪越强但可能失真。

2.3 自适应滤波：LMS与RLS算法

自适应滤波器（如LMS）通过迭代调整滤波器系数实现降噪。示例代码如下：

import numpy as np
def lms_filter(noisy_signal, noise_signal, step_size=0.01, filter_length=32):
    n = len(noisy_signal)
    w = np.zeros(filter_length)  # 滤波器系数
    output = np.zeros(n)
    for i in range(filter_length, n):
        x = noise_signal[i:i-filter_length:-1]  # 噪声参考信号
        y = np.dot(w, x)
        e = noisy_signal[i] - y  # 误差信号
        w += step_size * e * x  # 更新系数
        output[i] = e
    return output

应用场景：适用于噪声特性已知且缓慢变化的场景（如固定位置的麦克风）。

三、实战建议与优化方向

3.1 性能优化技巧

• 多线程处理：使用concurrent.futures并行处理多个音频文件。
• 内存管理：对于长音频，分块处理（如每次处理1秒数据）。
• GPU加速：深度学习模型可通过CUDA加速（需安装torch或tensorflow-gpu）。

3.2 降噪效果评估

• 主观评估：通过MOS（Mean Opinion Score）评分。
• 客观指标：
  • SNR（信噪比）：10 * np.log10(np.var(clean_signal) / np.var(noise))
  • PESQ（感知语音质量）：需使用pesq库（仅支持16kHz采样率）。

3.3 常见问题解决方案

• 问题：降噪后语音失真。
  • 解决：降低alpha（频谱减法）或prop_decrease（深度学习）参数。
• 问题：实时处理延迟过高。
  • 解决：减少滤波器长度（LMS）或使用轻量级模型（如MobileNet）。

四、总结与展望

Python在语音录音与降噪领域提供了从基础到高级的完整工具链。传统方法（如频谱减法）适合简单场景，而深度学习模型（如CRN）在复杂噪声下表现更优。未来，随着Transformer架构在音频领域的应用（如Conformer），实时、低延迟的降噪技术将进一步普及。开发者可根据实际需求选择合适的方法，并结合性能优化与效果评估，构建高效的语音处理系统。