4、传统语音增强方法：谱减法、维纳滤波、最小均方误差（MMSE）估计、子空间方法、优缺点与局限性

在深度学习成为语音增强主流方案之前，基于信号处理和统计估计理论的传统方法长期占据主导地位。这些方法不依赖训练数据，仅利用噪声的统计特性或语音信号的局部平稳性，在计算资源受限的实时系统中仍有广泛应用。理解这些方法的数学内核与失效边界，是设计混合增强系统（如深度先验+传统后处理）的重要基础。本章将系统梳理谱减法、维纳滤波、MMSE估计和子空间方法的原理、实现要点与工程局限。

上图展示了传统语音增强方法的整体框架。所有方法均遵循“分帧-加窗-变换-估计-逆变换”的基本链路，核心差异在于频域增益函数或子空间投影策略的不同。下面逐一展开分析。

4.1 谱减法：简单直观的幅度谱相减

核心原理

谱减法假设噪声为加性平稳噪声，且语音与噪声统计独立。在频域中，带噪语音幅度谱 \(|Y(k)|\) 减去噪声幅度谱估计 \(|\hat{D}(k)|\)，即可得到语音幅度谱估计：

|\hat{S}(k)| = |Y(k)| - |\hat{D}(k)|  若 |Y(k)| > |\hat{D}(k)|
|\hat{S}(k)| = 0                      否则（半波整流）

相位直接使用带噪语音的相位 \(\angle Y(k)\)，因为人耳对相位不敏感。实际工程中常引入过减因子 \(\alpha\) 和谱下限 \(\beta\)：

|\hat{S}(k)|² = |Y(k)|² - α·|\hat{D}(k)|²  若结果 > β·|Y(k)|²
否则置为 β·|Y(k)|²

\(\alpha\) 通常取 1~3，\(\beta\) 取 0.01~0.1，用于抑制残留噪声和音乐噪声。

操作流程

1. 噪声估计：取前 100~200ms 无语音段（VAD检测）平均幅度谱作为噪声初始估计；
2. 逐帧处理：对每帧做 FFT，计算功率谱；
3. 谱减：按上述公式计算增益；
4. 平滑：对增益做时间/频率平滑，减少帧间突变；
5. ISTFT：用增强幅度谱+原始相位重建时域信号。

案例拆解：车载免提通话降噪

某车载语音系统在 60km/h 行驶时，车内噪声约 65dB SPL，主要为风噪和胎噪（近似平稳）。语音信号在 1m 处采集，信噪比约 8dB。采用谱减法后，MOS 分从 2.1 提升至 3.0，但存在两个问题：

• 音乐噪声：在 3-4kHz 频段出现随机起伏的“水声”，原因是谱减后残留的孤立频点；
• 语音起始段失真：语音开头 50ms 被过度衰减，因为噪声估计未及时更新。

改进措施：将过减因子 \(\alpha\) 从 1.5 降至 1.2，并引入噪声自适应更新（语音段噪声缓慢跟踪），音乐噪声明显减少，但语音轻微变闷。最终采用“谱减+后置维纳滤波”串联结构，MOS 提升至 3.4。

4.2 维纳滤波：最小均方误差准则下的最优线性滤波

核心原理

维纳滤波在频域中寻找线性增益 \(H(k)\)，使增强语音与纯净语音的均方误差最小：

H(k) = ξ(k) / (1 + ξ(k))

其中 \(\xi(k)\) 为先验信噪比，定义为 \(\xi(k) = \lambda_s(k)/\lambda_d(k)\)，\(\lambda_s\) 和 \(\lambda_d\) 分别为语音和噪声功率谱密度。实际中先验 SNR 未知，常用“决策导向”（Decision-Directed）方法递归估计：

\hat{ξ}(k,m) = η·|Ŝ(k,m-1)|²/λ_d(k,m) + (1-η)·max(γ(k,m)-1, 0)

\(\gamma(k,m)\) 为后验 SNR，\(\eta\) 通常取 0.98。该递归估计显著减少了音乐噪声。

判断方法与调优

实战场景：会议麦克风阵列后处理

某视频会议设备采用 4 麦克风阵列，波束形成后仍有残余噪声。在波束输出端串联维纳滤波，噪声估计来自波束形成器的“噪声参考”通道。实测数据：输入 SNR 12dB，输出 SNR 提升至 19dB，语音失真度（PESQ）从 2.8 提升至 3.5。但发现当说话人快速移动时，决策导向估计滞后约 100ms，导致语音尾部被削波。解决方案：将 \(\eta\) 降至 0.95，并增加增益平滑（时间常数 20ms）。

4.3 MMSE估计：基于统计模型的幅度谱最优估计

核心原理

MMSE 估计器（Ephraim & Malah, 1984）在给定带噪幅度谱 \(|Y(k)|\) 和高斯模型假设下，最小化幅度谱的均方误差。其增益函数为：

G_MMSE(k) = (√π/2)·√(ξ(k)/(1+ξ(k))) · exp(-θ(k)/2) · [(1+θ(k))·I₀(θ(k)/2) + θ(k)·I₁(θ(k)/2)]

其中 \(\theta(k) = \xi(k)·\gamma(k)/(1+\xi(k))\)，\(I_0\) 和 \(I_1\) 为修正贝塞尔函数。该估计器在低 SNR 下比维纳滤波更优，因为考虑了幅度谱的非线性映射。

操作流程

1. 计算后验 SNR \(\gamma(k) = |Y(k)|²/λ_d(k)\)；
2. 用决策导向法估计先验 SNR \(\xi(k)\)；
3. 查表或直接计算贝塞尔函数得到增益；
4. 对增益做频带平滑（如 1/3 倍频程）；
5. 应用增益并 ISTFT 重建。

案例拆解：助听器降噪算法对比

在助听器 DSP 平台上（主频 100MHz，内存 64KB），分别实现谱减法、维纳滤波和 MMSE。测试语料为 NOIZEUS 数据库，噪声类型为 babble（多人交谈噪声），输入 SNR 0dB。结果：

MMSE 在可懂度和主观听感上均最优，但计算量约为维纳滤波的 2 倍。工程上采用查表法（将 \(\xi\) 和 \(\gamma\) 量化到 32×32 网格）将 MIPS 降至 15，满足实时要求。

4.4 子空间方法：基于线性代数的信号与噪声分离

核心原理

子空间方法将带噪语音向量 \(\mathbf{y} = \mathbf{s} + \mathbf{d}\) 投影到信号子空间和噪声子空间。通过对带噪语音的协方差矩阵 \(\mathbf{R}_y\) 做特征值分解：

\mathbf{R}_y = \mathbf{U} \mathbf{\Lambda} \mathbf{U}^H

特征值较大的前 \(p\) 个特征向量张成信号子空间，其余为噪声子空间。增强语音通过将 \(\mathbf{y}\) 投影到信号子空间并施加维纳型增益得到：

\hat{\mathbf{s}} = \mathbf{U}_s \mathbf{G} \mathbf{U}_s^H \mathbf{y}

其中 \(\mathbf{G}\) 为对角增益矩阵，每个元素 \(g_i = \lambda_i/(\lambda_i + \mu)\)，\(\mu\) 为噪声方差估计。

判断方法与参数选择

• 子空间维度 p：由特征值分布决定，通常取使累计能量占比达 90% 的维数；
• 噪声方差 \(\mu\)：取噪声子空间特征值的平均值；
• 帧长：子空间方法要求帧长大于子空间维度，通常取 20-30ms（对应 320-480 点 @16kHz）。

实战场景：非平稳噪声下的语音录音后期处理

某播客录音在咖啡馆进行，背景含音乐、人声和杯碟碰撞声（非平稳）。使用子空间方法处理，帧长 512 点（32ms），子空间维度设为 40。结果：音乐声被有效抑制，但杯碟碰撞的瞬态噪声残留。分析发现瞬态噪声在特征分解中同时污染信号和噪声子空间，无法通过投影分离。改进：先做瞬态检测（时域能量突变），对瞬态帧采用更小的子空间维度（20），残留噪声减少 60%。

4.5 传统方法的共同局限与深度学习时代的定位

传统方法在工程中仍有价值，但需清醒认识其边界：

在实际系统中，传统方法常作为深度模型的“兜底”或“前端”：例如，用维纳滤波做初步降噪降低深度模型的输入动态范围，或用 MMSE 增益作为深度网络的额外特征。理解传统方法的数学本质，有助于设计更合理的深度网络结构——例如，将决策导向 SNR 估计的思想融入循环神经网络的状态更新中。