底噪变小，人声却可能失去一些细节。本文从单通道频域降噪出发，解释频谱加权、噪声估计与时间平滑怎样影响弱语音和字头，并给出兼顾安静程度与声音完整性的对比方法。
整理一段带着持续沙沙声的讲话录音，把降噪强度往上调，背景安静了，句尾轻声却好像少了一截，声音也显得薄了。为什么同一个操作，既能减轻底噪，又可能带走想保留的细节？
再听一段车内免提录音，停顿里的杂声降下去了，有些字的开头却变得含混，背景还偶尔冒出细碎的音调。这些变化可能发生在降噪的不同环节，单听背景是否安静，很难判断人声保留得怎样。
人声和噪声进入同一条处理路径
这里讨论单通道降噪，也就是只根据一路混合录音来处理声音。人声和背景噪声进入麦克风后，成为同一路信号。算法拿到的是两者相加的结果，没有一条独立、干净的人声可供直接提取。
困难在于，两者可能占据相同的频率范围。摩擦音是气流通过口腔狭窄部位形成的语音，例如部分带有嘶声的发音，它们本来就有类似噪声的特点。只凭某段声音是否像噪声来判断，可能连语音也一起压低。
这里所说的“削薄”，指弱细节减少后可能出现的听感，不能直接理解成低频一定被削掉。讨论范围也限于录音中的这类处理，耳机通过发出声音抵消环境声的主动降噪，需要另外分析。
拆成短片段，再决定各处压低多少
频域处理，是把声音转换为不同频率成分来分析。算法先将录音切成相互重叠的短片段，称为帧，再计算每帧的频谱，也就是各个频率位置上声音的强弱分布。
接下来要估计噪声。一种方法从只有背景声的片段取得噪声频谱；另一种方法持续观察多个片段，利用各频率位置上的较低能量估计背景。前一种方法难以及时跟踪讲话期间的噪声变化，后一种也需要观察时间。
有了估计，算法便可进行频谱加权，也就是对不同频率分别设定保留比例。判断依据之一是信噪比，即目标声音与噪声的强弱关系。加权后的频谱再结合输入信号的相位信息，转换回声音片段并重叠拼接，形成输出。
压得更深，弱语音也可能变少
谱减法是一类根据噪声估计，从混合频谱中扣除相应分量的方法。这里减去的是估计值。即使背景整体比较稳定，某一帧、某个频率位置上的噪声仍可能高于或低于平均水平。
如果部分随机噪声峰被保留下来，输出可能出现短促、频率跳动的细碎音调，称为音乐噪声。这是处理后形成的人工杂音，并不意味着录音里原本有音乐。它与持续沙沙声的听感不同，也可能格外引人注意。
为了压住这些残留，可以采用过减，也就是扣除比平均噪声估计更多的分量。代价是信噪比较低的微弱成分受到更强衰减，其中也可能包含语音细节。对采用这种规则的处理，强度提高到一定程度，就可能同时减少杂音与声音的完整性。
让判断更平稳，也可能影响字头
另一条路径是时间平滑，即综合当前与先前片段的信息，让信噪比估计少一些突然起伏。偶然冒出的噪声峰，就较难立刻被当作值得保留的信号，音乐噪声也有机会减轻。
但突然出现的语音同样需要及时放行。爆破音是口腔气流短暂受阻后释放形成的声音，它的起始变化很快。当判断较依赖前一帧时，这段起始成分可能受到抑制。直接平均相邻帧的频谱，也可能把短促变化在时间上抹开。
有些处理还会参考听觉掩蔽，即较强声音让附近较弱声音不易被听见的现象，调整降噪判断。频率方向的平滑可用来近似部分掩蔽特性，但这种近似未必包含声压级依赖等全部因素，不能保证任何音量下都听不到失真。
对比时，把背景与人声分开听
实际观察可以从同一段录音开始，保留原始版本，再制作不同降噪强度的版本。选择既有讲话又有停顿的片段，固定播放设备和音量，并尽量让各版本的人声听起来同样响，减少整体响度差异对判断的干扰。
第一遍只听停顿，注意持续底噪有没有降低，是否多出细碎音调。第二遍专听讲话，比较字头是否完整、句尾轻声能否跟上、短促发音是否清楚。把“背景更安静”和“人声更完整”分别记录，才容易发现两者是否同时改善。
如果继续加大强度只换来少量安静，却让语音细节明显减少，可以退回较温和的设置，再听完整句子是否仍自然、易懂。这种对比只能帮助选择当前录音的设置，无法仅凭听感确定内部算法。噪声变化速度、输入信噪比与参数不同，取舍也会改变。
