一、课程导论：传统降噪的局限性

做音频降噪这些年，我最早接触的就是谱减法和维纳滤波。说实话，刚入行那会儿觉得这些方法挺神奇的——把带噪信号变换到频域，减去噪声的估计值，再变回来，干净信号就出来了。听起来很完美，对吧？

但实际项目里，我很快就被现实教育了。

音乐噪声（Musical Noise）：这是最让人头疼的问题。谱减法减过头了，残留的噪声会变成一种“吱吱吱”的伪影，听起来像背景里有人在弹钢琴。我在做车载语音增强时，客户一听就说“这声音不对劲”，后来花了整整两周调参数才勉强压下去。
相位问题：谱减法只处理幅度谱，相位直接用带噪信号的。你想想看，相位信息其实承载了声音的很多细节，这么一搞，语音的“质感”就丢了。我做过对比测试，同样的信噪比，用谱减法处理后的语音，人耳识别率下降了约 8%。
噪声估计不准：谱减法需要提前知道噪声的统计特性。但现实中的噪声哪会乖乖听话？非平稳噪声一来，比如突然的关门声、键盘敲击声，算法直接就懵了。

维纳滤波理论上比谱减法优雅——它是最小均方误差意义上的最优解。但我在实际部署时发现，它有两个致命问题：

需要先验知识：维纳滤波要求知道信号和噪声的功率谱密度。可真实场景里，这些信息我们根本拿不到。我试过用语音活动检测（VAD）来估计，但 VAD 本身就不靠谱，尤其是在低信噪比环境下。
线性假设的局限：维纳滤波假设信号和噪声是线性叠加的。但真实世界的噪声往往是非线性的——比如风噪、混响，这些用线性模型根本搞不定。

一句话总结传统方法的困境：谱减法和维纳滤波都建立在“噪声是平稳的、加性的”这个理想假设上。但现实中的噪声，说白了，根本不按套路出牌。

大概在 2015 年左右，我开始关注深度学习在音频领域的应用。说实话，一开始我是持怀疑态度的——神经网络能比精心设计的信号处理算法更好？

直到我亲自跑了一个简单的 DNN 降噪模型，结果让我很震惊。在同样的测试集上，传统方法在 -5dB 信噪比下基本就废了，而深度学习模型还能保持可懂度。这背后的原因其实很简单：

从“手工特征”到“端到端学习”：传统方法需要人工设计特征（比如 MFCC、滤波器组），而深度学习可以直接从原始波形或频谱中学习最优表示。说白了，让数据自己说话。
非线性建模能力：神经网络可以拟合任意复杂的非线性映射。风噪、混响、多说话人重叠——这些传统方法搞不定的场景，深度学习反而能处理。
上下文感知：RNN、Transformer 这类模型能捕捉长时依赖。我记得有个项目里，用 LSTM 做降噪，模型居然能“记住”几秒前的噪声模式，提前调整滤波策略——这在传统方法里想都不敢想。

我的个人经验：深度学习降噪并不是要完全取代传统方法。实际上，很多工业级方案是“混合架构”——用传统方法做前端处理（比如降采样、分帧），再用深度学习做核心降噪。我建议你从一开始就建立这个认知：工具没有好坏，只有合不合适。

这门课的目标很明确：让你从零到一掌握深度学习降噪的核心技术。不是那种“调个包就跑”的浅尝辄止，而是真正理解原理、能动手实现、能解决实际问题的能力。

避坑指南：我曾经犯过一个错误——一上来就追求最先进的模型（比如 Conv-TasNet、DPRNN），结果基础没打牢，调参调了两个月都没出效果。我的建议是：先跑通一个简单的全连接网络，理解整个 pipeline，再逐步升级模型。慢就是快。

下面这张图总结了本章的核心逻辑。你可以把它当作整个课程的“导航图”——每次学完新章节，都可以回来看看自己走到了哪一步。

好了，这就是第一章的全部内容。从传统方法的痛点出发，我们看到了深度学习带来的可能性，也明确了整个课程的学习路径。接下来，我会带你一步步搭建第一个降噪模型——别担心，我会把每个细节都讲清楚。