2. 语音降噪基础回顾

做语音算法部署这些年，我见过不少同事在滤波器参数调优时翻车。翻车的原因往往不是算法本身多复杂，而是对音频信号的基础概念理解不够扎实。说白了，采样率、量化、Nyquist 定理这些东西，就是咱们吃饭的碗。碗要是漏了，菜做得再香也白搭。

这一章咱们就把这些基础再过一遍。我会结合项目里踩过的坑来讲，争取让你看完就能用上。

2.1 采样率：时间轴上的离散化

模拟信号是连续的，计算机只能处理离散的点。采样，就是每隔一个固定的时间间隔，抓一个信号值。

这个间隔的倒数，就是采样率。单位是 Hz（赫兹）。

我个人习惯在做降噪滤波器时，先用 16 kHz。为什么？因为人声的主要能量集中在 4 kHz 以下，16 kHz 采样率既能保留足够的信息，又能减少计算量。你想想看，在嵌入式设备上，每降低一倍的采样率，计算量可能减少 40% 以上。

2.2 量化：幅度轴上的离散化

采样解决了时间轴的问题，量化解决的是幅度轴的问题。每个采样点的幅度值，需要用有限个比特来表示。

最常见的量化位深是 16 位，也就是用 2^16 = 65536 个等级来表示一个采样点的幅度。听起来很多对吧？但在实际项目中，量化误差带来的噪声是真实存在的。

量化误差的公式很简单：

量化步长 Δ = 满量程范围 / 2^B
其中 B 是位深

量化噪声的功率大约是 Δ²/12。这个噪声是白噪声，均匀分布在 0 到 fs/2 的频带内。

2.3 Nyquist 定理：采样率的底线

Nyquist 定理是音频信号处理里最硬的约束之一。它的核心就一句话：

如果违反了这个定理，就会发生混叠（Aliasing）。混叠的意思是，高频信号会伪装成低频信号混进来，而且一旦混进来，就再也分不开了。

举个例子：

• 信号频率：7 kHz
• 采样率：8 kHz
• Nyquist 频率：4 kHz
• 结果：7 kHz 的信号会被混叠成 1 kHz 的信号（因为 8 - 7 = 1）

你想想看，本来想滤掉 7 kHz 的噪声，结果它变成了 1 kHz 的信号，跟人声混在一起。这滤波器还怎么设计？

2.4 dB 与信噪比：衡量信号质量的标尺

dB（分贝）是个对数单位。为什么要用对数？因为人耳对声音的感知是对数的，而且音频信号的动态范围太大了，从 0 dB SPL（听阈）到 120 dB SPL（痛阈），差了 100 万倍。用线性坐标根本没法看。

常用的 dB 定义：

功率比：dB = 10 * log10(P1 / P2)
幅度比：dB = 20 * log10(A1 / A2)

信噪比（SNR）就是信号功率与噪声功率的比值，也用 dB 表示。

在实际项目中，我经常用 SNR 来评估降噪滤波器的效果。比如：

• 输入 SNR：5 dB（噪声比信号还大）
• 输出 SNR：15 dB（提升了 10 dB）
• 这个滤波器就算合格了

但要注意，SNR 提升 10 dB 听起来不多，实际上噪声功率已经降到了原来的 1/10。人耳能明显感觉到区别。

2.5 短时傅里叶变换（STFT）：时频分析的基石

傅里叶变换告诉我们信号里有哪些频率成分，但它丢失了时间信息。对于语音这种非平稳信号，我们需要知道"在什么时间出现了什么频率"。STFT 就是干这个的。

STFT 的核心思想很简单：把信号切成一小段一小段，对每一段做傅里叶变换。

STFT 的步骤：
1. 选择一个窗函数（汉宁窗、海明窗等）
2. 将窗函数与信号相乘，截取一段
3. 对这一段做 FFT
4. 滑动窗函数，重复步骤 2-3

这里有两个关键参数：

• 帧长（window size）： 每段信号的长度，决定了频率分辨率
• 帧移（hop size）： 窗函数滑动的步长，决定了时间分辨率

帧长和帧移是一对矛盾：

参数	频率分辨率	时间分辨率
帧长大	高（能区分相近频率）	低（时间定位模糊）
帧长小	低（频率模糊）	高（能捕捉瞬变）

在降噪滤波器里，我一般这样选：

• 语音降噪：帧长 512 点（16 kHz 下约 32 ms），帧移 128 点（50% 重叠）
• 音乐降噪：帧长 1024 点（44.1 kHz 下约 23 ms），帧移 256 点

下面这张图展示了 STFT 的完整流程：

STFT 的输出是一个复数矩阵 X[m, k]，其中 m 是帧索引，k 是频率索引。这个矩阵就是我们在频域做降噪处理的基础。

在后续章节中，我们会基于 STFT 的频谱来设计各种降噪滤波器。比如谱减法、维纳滤波、MMSE 估计等，都是在 STFT 的框架下工作的。