一、Python语音录音：从基础到进阶

1. 录音库选择与核心参数

Python中主流的录音库包括sounddevice、pyaudio和scipy.io.wavfile。其中，sounddevice因跨平台兼容性和低延迟特性成为首选。录音时需重点关注三个参数：

• 采样率：通常选择44.1kHz（CD质量）或16kHz（语音识别常用），高采样率可保留更多高频细节，但会增加数据量。
• 位深度：16位（常见）或24位（专业音频），影响动态范围。
• 声道数：单声道（节省存储）或立体声（保留空间信息）。

示例代码（使用sounddevice录制5秒音频）：

import sounddevice as sd
import numpy as np
# 参数设置
duration = 5  # 秒
fs = 44100    # 采样率
channels = 1  # 单声道
# 录制音频
recording = sd.rec(int(duration * fs), samplerate=fs, channels=channels, dtype='float32')
sd.wait()  # 等待录制完成
# 保存为WAV文件
from scipy.io.wavfile import write
write('output.wav', fs, (recording * 32767).astype(np.int16))  # 转换为16位PCM

2. 实时录音与流式处理

对于实时应用（如语音助手），需结合pyaudio的流式回调机制。关键步骤包括：

• 初始化PyAudio对象并打开流
• 在回调函数中处理音频块（如实时降噪）
• 注意缓冲区大小与延迟的平衡

二、语音降噪：原理与Python实现

1. 噪声类型与处理策略

语音噪声可分为三类：

• 稳态噪声（如风扇声）：频谱固定，适合频域滤波
• 非稳态噪声（如键盘声）：时变特性，需时频联合处理
• 脉冲噪声（如敲门声）：短时突发，需阈值检测

2. 经典降噪算法实现

（1）谱减法（Spectral Subtraction）

原理：假设噪声频谱已知，从含噪语音中减去噪声功率。

import numpy as np
from scipy.fft import fft, ifft
def spectral_subtraction(noisy_signal, noise_sample, fs, frame_size=1024, overlap=0.5):
    hop_size = int(frame_size * (1 - overlap))
    num_frames = 1 + (len(noisy_signal) - frame_size) // hop_size
    enhanced_signal = np.zeros_like(noisy_signal)
    # 计算噪声频谱（假设噪声样本为稳态）
    noise_fft = fft(noise_sample[:frame_size])
    noise_power = np.abs(noise_fft)**2
    for i in range(num_frames):
        start = i * hop_size
        end = start + frame_size
        frame = noisy_signal[start:end] * np.hanning(frame_size)
        # 含噪语音频谱
        frame_fft = fft(frame)
        magnitude = np.abs(frame_fft)
        phase = np.angle(frame_fft)
        # 谱减法核心
        alpha = 2.0  # 过减因子
        beta = 0.002 # 谱底参数
        enhanced_mag = np.sqrt(np.maximum(magnitude**2 - alpha * noise_power, beta * noise_power))
        # 重构信号
        enhanced_fft = enhanced_mag * np.exp(1j * phase)
        enhanced_frame = ifft(enhanced_fft).real
        # 重叠相加
        start_out = i * hop_size
        end_out = start_out + frame_size
        if end_out > len(enhanced_signal):
            break
        enhanced_signal[start_out:end_out] += enhanced_frame[:end_out-start_out]
    return enhanced_signal / np.max(np.abs(enhanced_signal))  # 归一化

（2）维纳滤波（Wiener Filter）

通过统计模型估计干净语音，适用于非稳态噪声：

def wiener_filter(noisy_signal, noise_sample, fs, frame_size=1024, snr_prior=5):
    hop_size = frame_size // 2
    num_frames = 1 + (len(noisy_signal) - frame_size) // hop_size
    enhanced_signal = np.zeros_like(noisy_signal)
    # 计算噪声功率谱（假设已知）
    noise_fft = fft(noise_sample[:frame_size])
    noise_power = np.abs(noise_fft)**2
    for i in range(num_frames):
        start = i * hop_size
        end = start + frame_size
        frame = noisy_signal[start:end] * np.hanning(frame_size)
        frame_fft = fft(frame)
        frame_power = np.abs(frame_fft)**2
        # 维纳滤波公式
        gamma = 10**(snr_prior/10)  # 先验SNR
        wiener_gain = (gamma - 1) / (gamma + noise_power/frame_power + 1e-6)
        wiener_gain = np.maximum(wiener_gain, 0)  # 防止负增益
        enhanced_fft = frame_fft * wiener_gain
        enhanced_frame = ifft(enhanced_fft).real
        # 重叠相加
        start_out = i * hop_size
        end_out = start_out + frame_size
        enhanced_signal[start_out:end_out] += enhanced_frame[:end_out-start_out]
    return enhanced_signal / np.max(np.abs(enhanced_signal))

3. 深度学习降噪方案

对于复杂噪声场景，可调用预训练模型（如demucs或noisereduce库）：

# 使用noisereduce库（基于统计方法）
import noisereduce as nr
# 假设noisy_signal为含噪语音，noise_sample为纯噪声段
reduced_noise = nr.reduce_noise(
    y=noisy_signal, 
    sr=fs, 
    y_noise=noise_sample,  # 可选：提供噪声样本
    stationary=False,      # 非稳态噪声
    prop_decrease=1.0      # 降噪强度
)

三、实战优化建议

1. 预处理重要性：录音前使用防喷罩减少爆破音，调整麦克风距离（约15-30cm）平衡信噪比。
2. 算法选择指南：
   • 简单场景：谱减法（计算量小）
   • 中等噪声：维纳滤波（平衡效果与计算量）
   • 复杂噪声：深度学习模型（需GPU加速）
3. 后处理技巧：对降噪后的语音进行动态范围压缩（DRC），避免音量突变。
4. 实时系统优化：使用numba加速FFT计算，或采用C扩展模块（如pyfftw）。

四、性能评估方法

1. 客观指标：
   • PESQ（感知语音质量评估）：1-5分，越高越好
   • STOI（短时客观可懂度）：0-1，越接近1越好
2. 主观测试：ABX测试让听众比较处理前后的语音清晰度。

五、完整处理流程示例

import sounddevice as sd
import numpy as np
from scipy.io.wavfile import write, read
import noisereduce as nr
# 1. 录制含噪语音
fs = 16000
duration = 10
print("正在录音...")
noisy_recording = sd.rec(int(duration * fs), samplerate=fs, channels=1, dtype='float32')
sd.wait()
write('noisy_input.wav', fs, (noisy_recording * 32767).astype(np.int16))
# 2. 录制纯噪声样本（前3秒）
print("请保持安静录制环境噪声...")
noise_sample = sd.rec(int(3 * fs), samplerate=fs, channels=1, dtype='float32')
sd.wait()
# 3. 降噪处理
enhanced_signal = nr.reduce_noise(
    y=noisy_recording.flatten(),
    sr=fs,
    y_noise=noise_sample.flatten(),
    stationary=False
)
# 4. 保存结果
write('enhanced_output.wav', fs, (enhanced_signal * 32767).astype(np.int16))
print("处理完成！")

六、常见问题解决方案

1. 残留音乐噪声：调整prop_decrease参数（0.5-1.5），或改用维纳滤波。
2. 语音失真：检查噪声样本是否包含语音成分，确保噪声样本纯净。
3. 实时延迟过高：减少帧长（如从1024降至512），但可能降低降噪效果。

通过系统掌握录音参数配置、降噪算法选择及实战优化技巧，开发者可高效实现从基础录音到专业级语音增强的全流程处理。