技术博客

诸如频谱减法、维纳滤波、自适应滤波和NMF等传统的音频降噪算法，都是基于信号和噪声的数学模型的。深度学习的出现则带来了一种不同的

频谱减法、维纳滤波、自适应滤波和非负矩阵分解（NMF）等传统的音频降噪方法已在数字音频系统中得到广泛应用。然而，现实世界中的声学环境正变得越来越

降噪并不总是简单地从音频信号中减去噪声谱那么简单。在许多实际环境中，麦克风拾取的信号是语音、背景噪声的混合，,

传统的音频降噪方法通常在时域或频域中对信号进行分析。但现实中的音频要复杂得多。语音中包含快速变化的瞬态信号、谐波、停顿、辅音、,

背景噪声很少是恒定的。麦克风可能会遇到不断变化的风扇噪声、车辆噪声、机械噪声、键盘声、振动或其他干扰。当噪声特性随时间变化时，固定的

维纳滤波是音频降噪和语音增强领域最重要的经典技术之一。与简单的频域噪声抑制方法不同，维纳滤波试图估计

频谱减法是数字音频降噪和语音增强中常用的经典技术之一。其基本原理很简单：估计噪声频谱，然后将其从

音频信号同时包含时域和频域信息。理解这些信息是如何表示的，是现代音频工程的基础，从MEMS麦克风系统和语音增强到噪声处理

清晰的音频不仅仅取决于使用灵敏度更高的麦克风。在实际应用中，采集到的信号通常包含背景噪声、电噪声、混响、干扰以及不需要的声音。

当智能设备需要听清几米外的人声时，仅靠提高麦克风增益是不够的。系统需要确定目标语音来自哪个方向