2. 改进谱减法

任务目标

在基本谱减法基础上引入两个参数：过减因子（over-subtraction factor）和噪声底限（spectral floor），抑制残留的“音乐噪声”，并与基本谱减法做对比验证。

核心原理

基本谱减法估计噪声谱后直接做幅度相减，当估计偏差导致负值时被置零，形成随机出现的窄带尖峰——即音乐噪声。改进策略：

• 过减因子 α（α > 1）：对噪声谱做放大后再减，更激进地压制噪声，但可能损伤语音；
• 噪声底限 β（0 < β < 1）：对减后谱设下限，避免置零产生的孤立尖峰，保留少量背景噪声以掩蔽音乐噪声。

依赖与环境

需要 numpy、scipy。音频文件建议使用16-bit PCM WAV格式，采样率8k或16k均可。

关键完整代码

import numpy as np
from scipy.io import wavfile
from scipy.signal import stft, istft

def improved_spectral_subtraction(x, sr, alpha=3.0, beta=0.02, n_fft=512, hop=128, noise_frames=10):
    """
    改进谱减法：过减因子alpha + 噪声底限beta
    x: 含噪语音信号 (float64, 范围[-1,1])
    sr: 采样率
    返回: 增强后信号
    """
    # STFT
    f, t, Zxx = stft(x, fs=sr, nperseg=n_fft, noverlap=n_fft-hop)
    mag = np.abs(Zxx)
    phase = np.angle(Zxx)

    # 取前noise_frames帧估计噪声谱（假设起始为纯噪声段）
    noise_mu = np.mean(mag[:, :noise_frames], axis=1, keepdims=True)

    # 过减 + 底限
    mag_enhanced = mag - alpha * noise_mu
    mag_enhanced = np.maximum(mag_enhanced, beta * noise_mu)

    # 重建信号
    Zxx_enhanced = mag_enhanced * np.exp(1j * phase)
    _, x_enhanced = istft(Zxx_enhanced, fs=sr, nperseg=n_fft, noverlap=n_fft-hop)
    return x_enhanced

def basic_spectral_subtraction(x, sr, n_fft=512, hop=128, noise_frames=10):
    """基本谱减法（alpha=1, beta=0）作为对比"""
    return improved_spectral_subtraction(x, sr, alpha=1.0, beta=0.0,
                                          n_fft=n_fft, hop=hop, noise_frames=noise_frames)

# ---- 最小调用示例 ----
if __name__ == "__main__":
    sr, data = wavfile.read("noisy_speech.wav")
    if data.dtype != np.float64:
        data = data.astype(np.float64) / 32768.0  # 16-bit PCM转[-1,1]

    enhanced_improved = improved_spectral_subtraction(data, sr)
    enhanced_basic = basic_spectral_subtraction(data, sr)

    # 保存结果（转回16-bit）
    wavfile.write("enhanced_improved.wav", sr, (enhanced_improved * 32767).astype(np.int16))
    wavfile.write("enhanced_basic.wav", sr, (enhanced_basic * 32767).astype(np.int16))
    print("处理完成，输出: enhanced_improved.wav, enhanced_basic.wav")

运行与验证

1. 准备含噪语音文件 noisy_speech.wav，确保前10帧（约80ms）为纯噪声段（无语音），否则需调整 noise_frames 或手动指定噪声帧区间。
2. 运行脚本：python spectral_subtraction.py
3. 验证方法：

• 主观听感：对比两个输出文件，改进版应明显减少音乐噪声（不再有“叮叮”的残留音），但可能略有背景底噪（β的作用）；
• 客观指标：若原始干净语音 clean.wav 可用，计算分段信噪比（segSNR）或PESQ，改进版通常高于基本版；
• 波形/语谱观察：用matplotlib绘制语谱图，基本版在无声段有大量随机离散点（音乐噪声），改进版无声段平坦连续。

参数调优建议

• α 取值范围2～5，噪声大时取大值；α过大会导致语音失真（出现“水下效应”）；
• β 取值范围0.005～0.05，β越大背景噪声越明显但音乐噪声越弱；
• 若语音段起始处无纯噪声段，可改为噪声估计模块（如最小值统计），本案例为聚焦参数改进，采用前帧估计。

常见问题

• 输出有金属感/颤抖：α过大或β过小，适当降低α或增大β；
• 语音段被削弱：α过大导致过减，语音段幅度被过度压制，减小α；
• 前10帧含语音：噪声估计不准，需调整 noise_frames 或改用语音活动检测（VAD）定位纯噪声段。