第1章：课程导论与预备知识

各位同学，欢迎来到《降噪算法与3A算法联动调试实战》。我是你们这门课的主讲，一个在音频算法和嵌入式系统里摸爬滚打了十几年的工程师。

说实话，市面上讲降噪的课不少，讲3A算法的也很多。但能把这两者串起来，告诉你它们怎么打架、怎么配合、怎么在资源受限的芯片上跑起来的课，确实不多。这门课就是干这个的。

在开始动手之前，咱们得先把地基打牢。这一章，我会带你快速过一遍核心概念、工具链和数学基础。别担心，我不会堆公式，我会告诉你哪些是真正有用的。

1.1 降噪与3A算法：它们到底是什么？

先说说降噪。降噪的本质，就是从带噪信号里把干净的语音“捞”出来。我早期做对讲机项目时，遇到过一种情况：算法在实验室里跑得好好的，一上车，风噪一吹，语音全糊了。后来才明白，降噪不是简单的“切掉噪声频段”，而是要根据噪声类型动态调整策略。

3A算法，指的是 AGC（自动增益控制）、AEC（声学回声消除）、ANR（主动降噪/噪声抑制）。这三兄弟在通话链路里是串在一起的。

• AGC：保证音量稳定。说话声音大时压一压，小时抬一抬。
• AEC：消除扬声器声音再次被麦克风采集产生的回声。
• ANR：就是我们常说的降噪，抑制环境噪声。

为什么要把它们放在一起讲？因为在实际调试中，它们会互相干扰。比如AGC增益拉得太高，会把噪声也放大；AEC没调好，降噪模块可能会把回声当成噪声给消了，结果语音也跟着失真。这就是联动的意义。

1.2 调试环境搭建：Python + MATLAB

工欲善其事，必先利其器。我个人习惯用两套工具：Python 做快速原型验证，MATLAB 做精细化仿真和滤波器设计。

1.2.1 Python 环境

你需要安装以下库：

• numpy：矩阵运算，音频数据处理的基础。
• scipy：信号处理工具箱，滤波器设计、FFT都靠它。
• sounddevice 或 pyaudio：实时音频流采集与播放。
• matplotlib：画频谱图、波形图，调试时看效果。

安装命令很简单：

pip install numpy scipy matplotlib sounddevice

1.2.2 MATLAB 环境

MATLAB 的优势在于 Audio Toolbox 和 DSP System Toolbox。我建议你至少安装 2020b 以上版本，因为对 AEC 和 AGC 的仿真支持更完善。

这里有一个简单的音频读取与播放代码，用来验证环境是否正常：

% MATLAB 代码
[y, fs] = audioread('test_audio.wav');
sound(y, fs);
disp(['采样率: ', num2str(fs), ' Hz']);

1.3 必备数学基础：信号与系统 + 概率论

我知道很多人一听到数学就头疼。但做音频算法，真正高频使用的数学工具其实就几样。我帮你梳理一下。

1.3.1 信号与系统：核心概念

举个例子，傅里叶变换。你不需要记住公式，但要知道：时域上的卷积，等于频域上的相乘。这个性质在降噪和AEC里反复出现。

1.3.2 概率论：噪声建模与统计

降噪算法里，很多决策都是基于统计的。比如维纳滤波，它假设噪声是平稳的、服从高斯分布。但实际中，噪声往往是非平稳的（比如突然的关门声）。

• 均值与方差：用来估计噪声能量。
• 概率密度函数：判断信号是语音还是噪声。
• 最大似然估计：很多降噪算法（如MMSE）的数学基础。

1.4 本章知识体系总览

下面这张图，是我自己梳理的本章知识结构。你可以把它当作一张地图，随时回来对照。

1.5 本章小结

这一章，我们做了三件事：

1. 理清了概念：降噪和3A算法是什么，为什么需要联动。
2. 搭好了环境：Python 和 MATLAB 的安装与验证。
3. 复习了数学：信号与系统、概率论的核心知识点。

嗯，到这里，地基就算打好了。从下一章开始，我们会正式进入降噪算法的核心——谱减法与维纳滤波。到时候，我会带着你一行一行写代码，一点一点调参数。