2. 语音降噪基础
做语音降噪，说白了就是在跟信号打交道。你连信号长什么样都搞不清楚，后面那些滤波器、自适应算法根本玩不转。这一章咱们把基础打牢，后面实战才不会慌。
2.1 时域与频域：信号的两副面孔
我刚开始接触数字信号处理时，总觉得时域和频域是两个世界的东西。后来一个老工程师跟我说了句话，我记到现在——「时域是信号的样子，频域是信号的灵魂」。
时域，就是信号随时间变化的轨迹。你拿示波器看麦克风采集的语音，那条上下跳动的曲线就是时域波形。横轴是时间，纵轴是幅度。我们平时录的音频文件，存的就是时域采样点。
频域，则是信号在不同频率上的能量分布。你想想看，一段语音里有人声、有空调嗡嗡声、有键盘敲击声，这些声音混在一起，时域上根本分不清谁是谁。但转到频域一看，每个频率分量清清楚楚。
核心理解：时域告诉你「什么时候有声音」，频域告诉你「有什么频率的声音」。降噪的本质，就是在频域里找到噪声所在的频率，然后把它干掉。
我在项目里遇到过这么个事：有个同事死活调不好降噪参数，时域波形看着挺干净，但一听还是有底噪。我让他把信号转到频域看看，结果发现有个 50Hz 的工频干扰一直没滤掉。时域上它被语音盖住了，频域里一目了然。
| 维度 | 时域 | 频域 |
|---|---|---|
| 横轴 | 时间 (s) | 频率 (Hz) |
| 纵轴 | 幅度 | 幅度/能量 |
| 直观性 | 高，波形一眼看懂 | 需要转换思维 |
| 降噪用途 | 检测信号起止、能量变化 | 分离语音与噪声 |
2.2 采样定理：别让你的信号「失真」
模拟信号是连续的，但数字处理器只能处理离散的点。怎么把连续信号变成离散点？采样。但采样不是随便采的，这里有个铁律——奈奎斯特采样定理。
定理很简单：采样频率必须大于信号最高频率的两倍。否则，就会发生混叠——高频信号伪装成低频信号混进来，你根本不知道。
我曾经踩过这个坑：做一款低功耗降噪耳机，为了省电把采样率从 16kHz 降到 8kHz。结果高频齿音全变成了低频噪声，怎么调都去不掉。后来才发现是混叠了——语音里 4kHz 以上的成分被折返到低频段，跟噪声混在一起，神仙也分不开。
实际工程中，我建议采样率至少留 20%~30% 的余量。比如语音信号最高频率通常认为是 4kHz（电话带宽），那采样率至少 8kHz，但我个人习惯用 16kHz。为什么？留点余量给抗混叠滤波器，也方便后面做算法处理。
| 应用场景 | 最高频率 | 理论最低采样率 | 工程推荐采样率 |
|---|---|---|---|
| 电话语音 | 4 kHz | 8 kHz | 16 kHz |
| 宽带语音 | 8 kHz | 16 kHz | 32 kHz |
| 高保真音频 | 20 kHz | 40 kHz | 44.1/48 kHz |
2.3 傅里叶变换：时域到频域的「翻译官」
傅里叶变换，说白了就是把信号从时域翻译到频域的工具。你给它一段时域波形，它告诉你这段信号里有哪些频率成分，每个频率有多强。
公式长这样：
X(f) = ∫ x(t) · e^(-j2πft) dt别被积分符号吓到。你只要记住：傅里叶变换的本质是「相关性检测」——它拿不同频率的正弦波去跟原始信号做对比，匹配上了就记一笔，匹配不上就忽略。
在嵌入式系统里，我们不用连续傅里叶变换，用的是离散傅里叶变换（DFT）。DFT 的公式：
X[k] = Σ x[n] · e^(-j2πkn/N), k = 0, 1, ..., N-1其中 N 是采样点数，x[n] 是时域采样值，X[k] 是频域结果。k 对应的是第 k 个频率分量。
小技巧：实际工程中没人手写 DFT，都用快速傅里叶变换（FFT）。FFT 是 DFT 的高效实现，能把计算复杂度从 O(N²) 降到 O(N log₂N)。N=1024 时，FFT 比 DFT 快两个数量级。
2.4 频谱与功率谱：看透噪声的本质
做完 FFT 之后，你得到的是复数结果。怎么用？
- 幅度谱：取绝对值，|X[k]|，表示每个频率分量的强度。
- 相位谱：取角度，∠X[k]，表示每个频率分量的相位偏移。
- 功率谱：|X[k]|²，表示每个频率分量的能量。
降噪算法里，我们最关心的是幅度谱和功率谱。为什么？因为噪声的能量分布是判断噪声类型的关键依据。白噪声在所有频率上能量均匀，粉红噪声低频能量高，窄带噪声集中在某个频率附近——这些特征在功率谱上一眼就能看出来。
我习惯在调试降噪算法时，先把噪声段的功率谱画出来看看。这能帮你快速判断：噪声是平稳的还是非平稳的？是宽带还是窄带？然后针对性地选算法。
2.5 知识体系总览
下面这张图把本章的核心逻辑串起来了。你从时域出发，经过采样定理进入数字域，再用傅里叶变换转到频域，最后在频域里做降噪处理。每一步都有坑，每一步也都有技巧。
2.6 工程中的实用要点
最后，我把自己做语音降噪这些年积累的几个要点列出来，你直接拿去用：
- 采样率选型：语音降噪最低 8kHz，推荐 16kHz。低于 8kHz 高频信息丢失严重，降噪后语音听起来「闷」。
- FFT 点数：常用 256、512、1024。点数越大频率分辨率越高，但时延也越大。实时系统里 512 点是个不错的折中。
- 加窗：做 FFT 前一定要加窗（汉宁窗、海明窗），否则频谱泄漏会让你怀疑人生。
- 帧移：一般取 FFT 点数的一半，比如 512 点 FFT，帧移 256 点。这样帧与帧之间有 50% 重叠，能避免分帧带来的边界效应。
我的习惯：每次拿到新的音频数据，第一件事就是画时域波形和频谱图。时域看有没有削波、有没有静音段；频域看噪声分布在哪些频率、语音能量集中在哪。这两张图看完，降噪方案基本就有数了。
嗯，信号基础就聊到这儿。这些概念后面每一章都会用到，尤其是傅里叶变换和频谱分析，几乎是所有降噪算法的起点。你先把这些吃透，后面学滤波器设计、自适应算法才会顺。