概述
They clean audio by estimating the noise spectrum and mathematically subtracting or attenuating it, and they still underpin many modern systems.
深入探讨
Both methods operate on short-time Fourier transform representations. Spectral subtraction estimates a noise spectrum, often from speech-free frames, then subtracts an estimate from noisy magnitudes; negative results are floored, and imperfect estimates can leave isolated peaks heard as musical noise. Wiener filtering applies frequency-dependent gains derived from a statistical signal-and-noise model. Under the assumed model and chosen squared-error objective, its linear estimate minimizes mean-squared error; the quality depends on the accuracy of the signal and noise statistics. Both methods can struggle when the noise changes rapidly.
现实世界的实施
Audacity 等音频编辑器中的降噪预设（频谱噪声消除）
旧式电话和 VoIP 系统中的语音清理
低功耗嵌入式芯片上语音识别前的前端去噪
提高早期助听器和听写系统的清晰度
谱减法和维纳滤波的未来
这些方法并没有消失；而是正在消失。他们正在被吸收。深度网络现在学习维纳滤波分析得出的掩码，而基于信噪比的增益思想直接启发了神经语音增强中使用的时频掩码。预计将继续用作受限硬件上的轻量级前端、稳定学习模型的先验以及研究人员对新系统进行基准测试的可解释基线。
付诸实践
为什么这很重要
- 交通与覆盖范围. 它通过转录、旁白和语音界面提高了可访问性。
- 成本与预算. 媒体团队可以用更少的预算更快地交付精美的音频。
- 速度与规模. 面向客户的系统可以处理更大规模的语音交互。
留意
- 如果未征得同意，语音滥用和冒充风险就会增加。
- 由于口音、方言或嘈杂的环境，准确性可能会下降。
- 如果没有明确的标签，合成音频可能会被误认为是真实的语音。
后续步骤
- 获得语音捕获、克隆和重用的明确同意。
- 测试不同扬声器和背景条件下的质量。
- 定义人员必须审查或批准输出的时间。
- 标记合成音频并保留来源记录以供问责。
不断探索
常见问题
What is Spectral Subtraction and Wiener Filtering?
谱减法和维纳滤波是经典的、预深度学习的降噪主力。它们通过估计噪声频谱并以数学方式减去或衰减它来净化音频，并且它们仍然支撑着许多现代系统。
光谱减法通常会带来哪些恼人的伪像？
不完美的减法会留下孤立的频谱峰值，听起来像随机的颤音，称为音乐噪声。
谱减法和维纳滤波主要在哪个域中运行？
两者在处理之前都通过短时傅立叶变换将音频变换到频域。
Under a specified statistical signal-and-noise model, what criterion does the classical Wiener estimator minimize?
The Wiener solution is minimum mean-square error for the assumed second-order statistics and linear estimator class.
谱减法通常如何估计噪声谱？
它测量停顿或非语音间隙期间的平均噪声功率，然后从每帧中减去该估计值。
In the common power-spectrum Wiener gain G=Ps/(Ps+Pn), what do Ps and Pn denote?
This gain uses estimated signal and noise powers; its form follows under the usual additive, uncorrelated model.