企业官网建设流程全解析

一段会议室录音，空调声和投影仪风扇声铺在底层。你把降噪强度拉高，底噪确实干净了，可发言人的声音也跟着发闷，句尾的轻声字直接没了，整句听起来像被掐掉了两端。

换一款号称用深度学习的工具，底噪是留下了，人声却在某些字上「一闪一闪」地发虚，像时有时无。同样是「降噪把人声削了」，两个工具的坏法却完全不同——这不是调参没调好，而是两套算法在根本判断上就走岔了。

底层原理：谱减法与掩码估计

谱减法（Spectral Subtraction）是经典路线。它先找一段只有噪声的片段（比如录音开头的空白），算出噪声在每条频率上的功率谱，然后在全程里把这条噪声谱减掉。它的判决是「逐频率的能量相减」，一句话写出来就是：|S(ω)| = |X(ω)| − |N(ω)|。

掩码估计（mask estimation）是近十年主流的路线，深度学习模型走的正是这条。它不直接减能量，而是在时频平面上给每一格算一个 0 到 1 之间的掩码值，表示这一格有多大比例归人声；掩码乘以原信号，就得到估计的人声。它的判决是「逐格的归属比例」。

两条路线解的是同一个问题，但一个做减法、一个做乘法，一个在频率轴上判断、一个在时频格上判断。这个底层差异，直接导出下面三个具体分歧。

三个分歧

分歧一：噪声是一整条谱，还是一格格概率

谱减法的前提是「噪声平稳」——它的功率谱在整段里基本不变，一条谱就能代表全程。空调、风扇、电流这类稳态噪声确实如此，所以谱减法处理得干净利落。但真实噪声常常不平稳：翻页声、椅子挪动、远处的说话声，功率谱每一秒都不同。拿一条固定的谱去减变化中的噪声，减多了削人声、减少了留残响，两头不讨好。

掩码估计不依赖「一条谱」，它逐格重新判断，理论上能跟上非平稳噪声。代价是它需要训练数据见过类似噪声；遇到训练分布之外的噪声（比如某种没见过的乐器串音），它会按「最像什么」硬分，同样误伤。

底层分歧在于：谱减法假设噪声是一个可以整体描述的「对象」，掩码估计把噪声看成每一格待表决的「概率」。前者简洁但不灵活，后者灵活但依赖先验。

分歧二：边界是硬切，还是 0.5 附近的摇摆

这是听感差异最大的一处。

谱减法在能量相减后，界线附近的频率会出现「这次减成负的、下次减成正的」抖动；减成负值再截断为零，就留下随机分布的短促音调——行话叫音乐噪声（musical noise），听起来像一串水滴声，比原噪声还烦人。

掩码估计输出的是连续值，本该更平滑。但在人声和噪声能量接近的过渡频段，模型没把握，掩码值会在 0.5 上下反复横跳：这一帧判 0.6（留），下一帧判 0.4（压），再下一帧又跳回来。映射到听感上，就是某些音节「一闪一闪」地发虚、时有时无——这正是深度降噪有时带「电子味」的来源。它和音乐噪声是两种不同的听感，根源却是同一个：边界判定不稳。

缓解手段是让掩码输出更平滑，或对连续多帧做判决平均。代价是会牺牲一点瞬态响应，快速变化的辅音可能被抹平。

分歧三：幅度和相位，到底丢了谁

两代方法有一个共同的短板：都只处理幅度谱，相位直接沿用原始带噪信号的相位。

这不是偷懒，是无奈。人耳对相位不敏感，工程上默认「相位估计不准，不如直接用原始的」。但相位并不是完全无关：当幅度被大幅改动之后，原有的相位和新幅度拼在一起，会形成一个两边都不像的短时信号，重建回来就有细微的时域失真，表现就是人声「发虚、发飘」，少了该有的实体感——尤其在被人为压过的频段上。

掩码估计在这点上也没好到哪去：掩码越接近 0.5，对幅度的改动越「半吊子」，相位与幅度越不匹配，发虚越明显。所以你会观察到，被压得最狠的那些频段，往往正是听感最「空」的地方。

落地方案：音频降噪对症下药

把上面的分歧落到操作上，路径其实很清楚。

第一步，判断噪声类型：稳态还是非平稳。稳态噪声用一次谱减式处理就够；非平稳的，沿时间轴分段处理比在频率轴上一刀切更有效，最好一段一段调。

第二步，分档来，别一把梭。先用小压制量跑一遍，听人声是否完好，不行再加一档。如果素材需要保留语音细节，网页版音频处理工具把本地文件拖进去处理即可。

第三步，A/B 验证。导出前后各听一遍并做增益对齐，重点核对轻声字和齿音。这一遍能拦住绝大多数「压过头」。

浏览器里直接打开就能用，不用注册、不用装软件，处理完的文件 24 小时后自动删除。

收尾

降噪的每一次调整，本质上都是在「留噪声」和「削人声」之间挪一条界线。搞清楚你用的算法在哪一处判断，比反复试着拉强度更能对症。看清分歧落在哪里，就知道该往哪个方向调。