3. 经典降噪算法（谱减法）：原理推导、Python实现、参数对效果的影响分析

谱减法，可以说是语音降噪领域里最经典、最直观的算法之一。我第一次接触它是在做车载免提通话项目的时候，那时候算力有限，复杂的深度学习模型根本跑不动，谱减法就成了我的救命稻草。说白了，它的核心思想就一句话：噪声是加性的，减掉就行了。

3.1 原理推导：从时域到频域的减法

我们先从数学模型说起。假设带噪语音信号 y(n) 由纯净语音 s(n) 和加性噪声 d(n) 组成：

y(n) = s(n) + d(n)

对两边做短时傅里叶变换（STFT），得到频域表示：

Y(ω) = S(ω) + D(ω)

这里有个关键假设——噪声是平稳的，或者至少在短时间内统计特性不变。我在实际项目中吃过亏，如果噪声突然变化（比如开关门声），谱减法就会失效，产生所谓的“音乐噪声”。

谱减法的核心公式其实很简单：

|Ŝ(ω)|² = |Y(ω)|² - α · |D̂(ω)|²

其中：

• |Ŝ(ω)|² 是估计的纯净语音功率谱
• |Y(ω)|² 是带噪语音功率谱
• |D̂(ω)|² 是估计的噪声功率谱（通常在无语音段更新）
• α 是过减因子，控制减噪力度

得到功率谱后，还需要结合相位信息恢复时域信号。通常我们保留带噪语音的相位，因为人耳对相位不敏感：

Ŝ(ω) = |Ŝ(ω)| · e^(j·∠Y(ω))

最后通过逆STFT（ISTFT）和重叠相加法，得到降噪后的时域信号。

3.2 算法流程图

下面这张图是我自己画的标准谱减法流程，你在里看到的版本可能更复杂，但核心骨架就是这些：

3.3 Python实现：从零手写谱减法

下面是我自己写的一个简化版实现。注意，这里没有用现成的库函数，目的是让你看清每一步在做什么。

import numpy as np
import soundfile as sf
from scipy.signal import stft, istft

def spectral_subtraction(y, sr=16000, n_fft=512, hop_length=128,
                         alpha=2.0, beta=0.01, noise_frames=10):
    """
    谱减法降噪
    y: 带噪语音信号 (numpy数组)
    sr: 采样率
    n_fft: FFT长度
    hop_length: 帧移
    alpha: 过减因子
    beta: 谱底噪系数
    noise_frames: 用于估计噪声的起始帧数
    """
    # 1. STFT
    f, t, Zxx = stft(y, fs=sr, nperseg=n_fft, noverlap=n_fft-hop_length)
    mag = np.abs(Zxx)          # 幅度谱
    phase = np.angle(Zxx)      # 相位谱
    power = mag ** 2           # 功率谱

    # 2. 噪声估计：取前 noise_frames 帧的平均
    noise_power = np.mean(power[:, :noise_frames], axis=1, keepdims=True)

    # 3. 谱减核心
    power_est = power - alpha * noise_power
    # 半波整流：防止负值
    power_est = np.maximum(power_est, beta * noise_power)

    # 4. 幅度重建 + 保留相位
    mag_est = np.sqrt(power_est)
    Zxx_est = mag_est * np.exp(1j * phase)

    # 5. ISTFT
    _, y_est = istft(Zxx_est, fs=sr, nperseg=n_fft, noverlap=n_fft-hop_length)
    return y_est

3.4 参数对效果的影响分析

谱减法有四个关键参数，调参的过程我当年摸索了整整两周。下面这张表是我总结的经验值：

参数	典型范围	调大效果	调小效果	我的建议
α（过减因子）	1.0 ~ 5.0	降噪强，但语音失真大，音乐噪声明显	语音保真好，但残留噪声多	先设2.0，根据噪声类型微调
β（谱底噪系数）	0.001 ~ 0.1	残留噪声更“平滑”，但可能引入背景嗡嗡声	音乐噪声更刺耳	0.01是个不错的起点
n_fft（FFT长度）	256 ~ 1024	频率分辨率高，但时间分辨率低	时间分辨率高，但低频细节丢失	16kHz采样用512，8kHz用256
hop_length（帧移）	n_fft/4 ~ n_fft/2	帧重叠少，计算快，但可能出现块效应	帧重叠多，效果好，但计算量大	n_fft/4 是性价比之选

3.5 音乐噪声的产生与抑制

谱减法最大的痛点就是音乐噪声。为什么会产生？

原因其实很简单：谱减后，某些频点的功率被减到接近零，但相邻帧之间这些频点的残留能量随机起伏，听起来就像一阵一阵的“音乐声”。

我常用的几种抑制方法：

• 过减因子α > 1：宁可多减一点，让残留更均匀
• 谱底噪系数β > 0：给每个频点一个“地板值”，避免完全归零
• 平滑处理：对功率谱做帧间平滑，减少随机起伏

3.6 实战经验：什么时候该用谱减法？

说实话，谱减法现在已经不是最先进的算法了。但在某些场景下，它依然是我的首选：

• 算力受限的嵌入式平台：比如Cortex-M4级别的MCU，跑谱减法只需要几十KB内存
• 平稳噪声环境：空调声、风扇声、白噪声——谱减法效果很好
• 快速原型验证：写一个谱减法只需要半小时，用来验证噪声特性非常方便

但如果你遇到的是非平稳噪声（比如键盘敲击声、街道环境声），我建议你直接跳过谱减法，去看后面章节的维纳滤波或子空间算法。