短时傅里叶变换与谱减法降噪
语音增强的经典范式
一、引言
真实环境中的语音几乎总是伴随着噪声——街道的车流声、室内的空调声、键盘敲击声,乃至远端通话中的环境杂音。语音增强(Speech Enhancement)的目标,就是从带噪语音中尽可能恢复出干净的语音信号,它既是提升语音识别鲁棒性的前置手段,也是提升通话与交互体验的关键环节。
在众多语音增强方法中,谱减法(Spectral Subtraction) 是最经典、最直观的范式之一,由 Boll 于 1979 年提出。它的核心思想朴素而优雅:噪声通常在频谱上相对平稳,只要估计出噪声的功率谱,就能从带噪语音的幅度谱中"减去"噪声,再结合原始相位重建语音。而这一切的基础,是对信号做短时傅里叶变换(STFT),把时域波形变换到频域处理。
二、公式表达
谱减法的核心操作是在频域对幅度谱做减法。设带噪语音的 STFT 为 Y(f),估计的噪声谱为 N(f),则降噪后的复谱 Ŵ(f) 为:
X̂(f) = max( |Y(f)| - α |N(f)|,\ β ) · e^j ∠ Y(f)
各符号含义如下表所示。
符号 | 含义说明 |
|---|---|
Y(f) | 带噪语音在频点 f 处的短时傅里叶变换(STFT)系数 |
N(f) | 估计的噪声谱(在频点 f 处的幅度) |
|Y(f)| | 带噪语音的幅度谱 |
|N(f)| | 噪声的幅度谱(由静音段估计) |
α | 过减因子(Oversubtraction Factor),控制减去噪声的程度 |
β | 谱下限(Spectral Floor),防止幅度减为负值 |
∠Y(f) | 带噪语音的相位角 |
Ŵ(f) | 降噪后的复频谱(保持原相位) |
三、公式的推导与原理解析
(一)短时傅里叶变换:从时域到频域
语音是非平稳信号,但短时(约 20–40 ms)内可视为平稳。STFT 对分帧加窗后的每一帧做傅里叶变换,得到随时间变化的频谱 Y(f)。加窗(常用汉明窗)可减少频谱泄漏;帧间通常保留一定重叠,以保证信号连续性。STFT 是语音增强、特征提取等几乎所有频域处理的入口。
(二)谱减法的基本假设
谱减法建立在两个假设之上:其一,噪声是加性的,即带噪语音 y(t) = s(t) + n(t),其中 s 为干净语音、n 为噪声;其二,噪声是平稳或缓变的,因此其功率谱可以在"非语音段"(纯噪声段)估计出来。基于加性假设,干净语音的幅度谱近似等于带噪语音幅度谱减去噪声幅度谱:|Ŝ(f)| ≈ |Y(f)| - |N(f)|。
(三)过减因子与谱下限的引入
直接相减可能导致某些频点的幅度变为负值,且噪声估计往往存在误差,简单相减会产生"音乐噪声"(Musical Noise,听感上像随机起伏的乐音)。为此引入两个调节参数:过减因子 α(通常 1 < α < 3)用于更激进地减去噪声;谱下限 β 用于把可能为负或过小的幅度钳制在一个非负下限,抑制音乐噪声。
(四)相位保持与逆变换
谱减法只修正幅度谱,保留带噪语音的相位 ∠Y(f)(因为在低信噪比下,相位难以准确估计,保留原相位是合理的近似)。最后对修正后的复谱做逆短时傅里叶变换(ISTFT),并经过重叠相加(Overlap-Add)恢复时域信号。
四、实际应用场景
(一)语音识别的前端降噪
谱减法(及其变体)常作为 ASR 的前端预处理,在噪声环境下提升识别准确率,是传统语音识别系统鲁棒性的重要保障。
(二)通话与助听器
在手机通话、助听器、对讲机等设备中,谱减法用于实时抑制背景噪声,改善语音可懂度。
(三)语音智能体的噪声鲁棒性
SynaVoice 等语音智能体面向复杂声学环境(如嘈杂的客服现场、开放空间),需在前端对麦克风信号做降噪。谱减法作为轻量、低延迟的经典方案,与更先进的深度降噪模型(如 LMPAN 等)互补,共同构成智能体的"声音净化"能力。
五、示例说明
假设一段带噪语音,其中混入了稳定的空调低频噪声。系统首先在开头的一段静音区估计噪声幅度谱 |N(f)|:发现噪声主要集中在低频段(如 200 Hz 以下),且幅度相对稳定。随后对每个语音帧:
计算幅度谱 |Y(f)|,在低频段减去 α·|N(f)|(取 α = 1.5),将空调噪声大幅压低;
对高频段(语音能量集中的区域),噪声贡献小,几乎不做减法,保留语音细节;
对所有频点做谱下限钳制(β = 0.02 量级),避免音乐噪声。
重建后,空调的"嗡嗡"声明显减弱,语音内容更加清晰,送入识别器后识别准确率显著提升。
六、小结
短时傅里叶变换与谱减法,构成了语音增强最经典、最易理解的范式。它用"频域幅度相减 + 相位保持"这一简洁思路,奠定了语音降噪的技术根基。尽管深度学习时代的降噪模型日益强大,谱减法的思想——在频域估计并抑制噪声——依然贯穿于几乎所有现代语音增强方案之中。

图 1 谱减法降噪示意:从带噪谱中减去估计噪声谱