3、噪声与混响基础：常见噪声类型、信噪比、混响与回声、声学场景模拟

在语音降噪与声源分离任务中，我们面对的信号从来不是纯净的语音，而是语音与各种干扰的混合体。这些干扰可以粗略分为加性噪声（如空调声、键盘声）和卷积干扰（如房间混响、回声）。理解噪声与混响的物理本质、数学模型以及它们在信号链中的表现，是设计任何降噪算法（从传统谱减法到深度神经网络）的前提。本章将系统梳理常见噪声类型、信噪比（SNR）的定义与计算、混响与回声的差异，并介绍如何通过声学场景模拟生成训练数据。

上图展示了本章的核心框架：声源（语音与干扰）经过加性噪声叠加和卷积干扰（混响/回声）后形成麦克风观测信号，最终通过SNR等指标评估环境恶劣程度。下面我们逐一展开。

3.1 常见噪声类型：平稳、非平稳与瞬态

核心原理

噪声按统计特性可分为三类：平稳噪声（如电脑风扇、空调、白噪声）的统计特性（均值、方差、频谱）在数秒内基本不变；非平稳噪声（如街道交通、多人说话背景、键盘敲击）的频谱和能量随时间快速变化；瞬态噪声（如关门声、拍手、物体碰撞）是持续时间极短（几十毫秒）但能量突发的脉冲信号。从信号处理角度看，平稳噪声适合用谱减法或维纳滤波，非平稳噪声需要实时估计噪声谱（如MCRA算法），而瞬态噪声则需要检测-抑制策略。

判断方法

工程中常用短时能量方差和频谱平坦度来区分：计算每帧（20-30ms）的对数能量，若方差小于阈值（如3dB）则为平稳；若频谱平坦度接近1（白噪声特性）且随时间稳定，则为平稳噪声。对于瞬态噪声，可通过时域包络的峰值因子（Peak-to-RMS Ratio）检测，通常大于10dB。

案例拆解：智能音箱的噪声场景

某智能音箱在客厅使用，主要噪声包括：空调（平稳）、电视背景声（非平稳）、偶尔的碗碟碰撞（瞬态）。初始降噪算法仅用白噪声训练，导致实际场景中语音唤醒率下降15%。分析后发现，非平稳噪声的频谱突变导致噪声估计滞后，瞬态噪声则触发误唤醒。解决方案：① 采集真实客厅噪声，按场景比例混合；② 对瞬态噪声增加时域检测分支，在检测到脉冲时暂停唤醒；③ 使用数据增强（随机噪声叠加、SNR随机化）重新训练。最终唤醒率提升至92%，误唤醒率降低40%。

3.2 信噪比（SNR）的定义与计算

核心原理

信噪比（Signal-to-Noise Ratio, SNR）是衡量信号质量的核心指标，定义为信号功率与噪声功率之比，通常以分贝（dB）表示：SNR_dB = 10 * log10(P_signal / P_noise)。在语音处理中，更常用分段信噪比（SegSNR），它按帧（通常20ms）计算SNR后取平均，避免长时静音段对整体SNR的稀释。此外还有频带SNR，用于评估特定频段的信噪比，对语音可懂度更敏感。

# 计算全局SNR（Python示例）
import numpy as np
def compute_snr(clean, noise):
    p_signal = np.mean(clean**2)
    p_noise = np.mean(noise**2)
    snr_db = 10 * np.log10(p_signal / p_noise + 1e-12)
    return snr_db

# 计算分段SNR（SegSNR）
def compute_segsnr(clean, noise, frame_len=320, hop=160):
    n_frames = (len(clean) - frame_len) // hop + 1
    seg_snr = 0
    for i in range(n_frames):
        start = i * hop
        end = start + frame_len
        s = clean[start:end]
        n = noise[start:end]
        if np.mean(s**2) > 1e-10:  # 跳过静音帧
            seg_snr += 10 * np.log10(np.mean(s**2) / (np.mean(n**2) + 1e-12))
    return seg_snr / n_frames

操作流程

1. 对齐语音与噪声信号（采样率、长度一致）；
2. 计算信号功率与噪声功率（时域或频域）；
3. 应用公式得到SNR；
4. 若需SegSNR，则分帧、逐帧计算后取平均，并设置静音帧阈值（如能量低于-40dBFS则跳过）。

3.3 混响与回声：物理机制与数学建模

核心原理

混响（Reverberation）是声源停止后，声音在房间内多次反射形成的持续声场。其数学模型为语音信号与房间冲激响应（RIR, Room Impulse Response）的卷积：y(t) = s(t) * h(t)。RIR包含直达声、早期反射（50ms内）和晚期混响（50ms后）。关键参数是混响时间RT60（声能衰减60dB所需时间），一般房间RT60为0.3-0.8s，礼堂可达1.5s以上。回声（Echo）则不同，它是单一或多个延迟的、衰减的语音副本，通常由声学耦合（如扬声器到麦克风）或网络延迟产生，模型为e(t) = Σ a_k * s(t - τ_k)。

判断方法

通过倒谱分析可区分混响与回声：混响在倒谱中表现为平滑的衰减包络，而回声在倒谱中表现为周期性尖峰（对应延迟τ）。另外，计算语音清晰度指标C50（早期能量与晚期能量之比）可量化混响严重程度，C50低于0dB时语音可懂度显著下降。

案例拆解：会议室的混响与回声联合抑制

某视频会议系统在小型会议室（RT60≈0.6s）中出现“听不清”和“啸叫”问题。初始现象：远端用户反馈声音“发闷”，且本地扬声器声音被麦克风拾取产生回声。分析：① 混响导致语音清晰度C50仅为-2dB；② 回声路径延迟约80ms，衰减约-15dB。关键参数：采样率16kHz，帧长20ms。操作步骤：① 使用WPE（加权预测误差）算法进行去混响，将C50提升至+3dB；② 使用AEC（基于NLMS自适应滤波）消除回声，收敛时间约200ms；③ 联合调试时注意去混响会改变回声路径，需将AEC置于去混响之后。结果：语音可懂度MOS分从2.1提升至4.2，啸叫消失。风险：WPE在低SNR（<5dB）时可能引入失真，需结合噪声抑制。

3.4 声学场景模拟：构建训练与测试数据

核心原理

深度学习降噪模型需要大量配对数据（干净语音+带噪语音）。声学场景模拟的目标是生成接近真实分布的带噪语音，包括：① 选择干净语音库（如LibriSpeech、AISHELL）；② 生成或采集RIR；③ 选择噪声库并按目标SNR混合；④ 添加回声（可选）；⑤ 数据增强（随机裁剪、变速、变调）。模拟的关键是多样性：覆盖不同房间尺寸、RT60、声源-麦克风距离、噪声类型和SNR范围。

操作流程

1. RIR生成：使用镜像源法或真实RIR测量（如Aachen Impulse Response Database）；
2. 噪声注入：按目标SNR计算噪声增益：gain = sqrt(P_signal / (P_noise * 10^(SNR/10)))；
3. 混响叠加：将干净语音与RIR卷积，注意卷积后能量归一化；
4. 回声模拟：生成延迟衰减副本并叠加；
5. 混合：将混响语音、噪声、回声按权重混合，得到最终观测信号。

# 使用pyroomacoustics生成混响语音示例
import pyroomacoustics as pra
import numpy as np

# 定义房间
room = pra.ShoeBox([6.0, 4.0, 3.0], fs=16000, absorption=0.3, max_order=15)
# 放置声源和麦克风
room.add_source([2.0, 2.0, 1.5], signal=clean_speech)
mic_array = pra.MicrophoneArray(np.array([[3.0, 3.0, 1.2]]).T, fs=room.fs)
room.add_microphone_array(mic_array)
# 仿真
room.simulate()
reverb_speech = mic_array.signals[0]

常见误区与复盘

• 误区1：只使用单一RT60或房间尺寸，导致模型过拟合。应随机化RT60（0.2-1.0s）和房间尺寸。
• 误区2：噪声与语音在时间上完全对齐，忽略了真实场景中噪声的起始偏移。应随机偏移噪声起始点。
• 误区3：忽略麦克风特性（如频响、自噪声）。可在模拟后添加麦克风频响曲线和底噪。
• 复盘：在DNS Challenge中，最佳系统通常使用超过5000小时的模拟数据，且模拟参数（SNR、RT60、噪声类型）遵循真实场景分布。建议建立“场景-参数”映射表，如“厨房”对应RT60=0.4s、噪声为抽油烟机+碗碟碰撞、SNR=0-10dB。