做语音信号处理的人迟早会碰到这样的问题音是录下来了背景里却全是“沙沙”的底噪传统的滤波器一上去要么削掉音色要么残留刺耳的高频毛刺。我刚开始搭语音前端的时候被这个问题卡了很久后来把常用的降噪手段过了一遍真正觉得“用顺手”的还是小波分解法。与其说它是一种滤波不如说它是一次“分层审查”——把含噪语音按频率尺度和时间位置同时切开找出那些主要是噪声的小波系数做阈值处理后再重构回去。这篇文章把我在 MATLAB 上完整跑通的小波分解语音降噪例程、参数选型逻辑和踩过的坑一次性写清楚适合信号处理方向的学生、语音前端刚入门的工程师以及任何需要在短代码内快速验证降噪效果的开发者。之前我总觉得降噪嘛就是滤个波或者用谱减法把噪声谱估出来减掉。后来做了一段带强弱变化的语音才发现语音信号根本就不是平稳的清音浊音交替变化局部频谱特征差异很大。小波分解能在一个分解框架里同时保留“哪个时刻、哪个频段”的信息而且实现起来不需要太多数据得到的结果也比普通带通滤波器干净得多。1. 为什么语音降噪绕不开小波分解1.1 传统滤波器在语音降噪上的三个尴尬先说说我最早用过的几种方法后面你就能理解为什么小波分解这条路值得走。第一种是低通或带通滤波器。语音能量大部分集中在低频区域噪声如果在中高频我们用低通把高频切掉确实能去掉一部分底噪。但问题是宽带噪声遍布整个频带而语音里的清音、摩擦音比如“s”“sh”这类音恰恰也在高频。一刀切的结果往往是噪声少了齿音、舌尖音这些细节也没了听起来像隔着一层布在说话。第二种是频谱减法。核心思路是先估计噪声频谱再从带噪语音的频谱中减掉它。这个方法在没有参考信号的情况下非常依赖噪声估计算法而且减完之后容易出现音乐噪声——那些忽高忽低、断断续续的伪频点听着比原噪声还难受。尤其是平稳性较差的环境噪声估计一更新整段低频就跟着抖。第三种是自适应滤波比如 LMS、NLMS 这类。效果好但多数场景需要一个额外的参考麦克风去采噪声通道很多实验环境不具备这个条件测试数据往往只有一路含噪语音。而且自适应滤波在语音段和非语音段之间切换时收敛速度、步长这些参数又够折腾一阵。小波分解和上面几种的底层逻辑不一样。谱减法是从频域“把噪声幅度减掉”自适应滤波是从时域“迭代逼近期望信号”而小波分解是把语音在时间和频率两个维度上切成不同的子带然后针对每个子带内的系数做“保留”或“收缩”。这样既不会一刀切掉高频细节也不用额外参考信号天然适合非平稳的语音场景。1.2 小波分解降噪的本质把噪声“挑”出来再扔掉小波分解的数学过程我尽量用大白话讲。信号每次经过一对滤波器一个低通、一个高通再下采样得到两个部分一个是“近似系数”相当于信号的低频轮廓一个是“细节系数”相当于信号的高频变化。对近似系数继续重复这个操作一层一层拆下去就形成了多分辨率的分解结构这也是 MALLAT 算法最经典的形式。拿 5 层小波分解来说最后你会得到第 1 层细节系数对应原始信号最高频的一带第 2 层细节系数次高频第 3、4、5 层细节系数频率逐层递减第 5 层近似系数最低频的主体轮廓。语音信号本身的能量高度集中在低频部分所以大部分“有用的东西”都在近似系数里。而白噪声、环境底噪这些能量相对平均地分布在各层的细节系数中。也就是说每一层细节系数里都混着真信号的高频细节和噪声但我们能够通过统计噪声的水平设定一个阈值绝对值小于阈值的系数很大程度上是噪声置零或收缩绝对值大于阈值的系数基本是声音的瞬态或特定高频特征保留下来。整个过程就像摘菜叶上的虫害点不是整棵菜不要而是把坏叶挑出来处理。这里的阈值处理不碰近似系数近似系数里是语音的主体能量动了它整段声音就变闷变空了。这也是这个方法相对柔和的关键所在。1.3 小波降噪的适用场景与边界它不是万能的用之前先确认场景是否合适。场景效果说明高斯白噪声叠加语音很好噪声在各层细节系数分布均匀阈值规律性强稳态环境底噪好空调声、风扇声、麦克风底噪这类相对平稳噪声突发性强噪声中等门声、钥匙声、拍桌子声小波对瞬态其实有天然优势但要配合端点检测做分段阈值调整多说话人重叠语音一般阈值处理容易误伤重叠部分的语音细节强混响环境一般混响本质是语音自身的反射叠加不完全是噪声小波降噪帮不上大忙实时性也要注意。小波分解本身复杂度不算高但多层分解加阈值计算、重构再加上延迟处理真要在嵌入式设备上跑还是要做一些裁剪和缓冲优化。离线分析、离线降噪、课堂实验、后端后处理这种场景直接用现成代码就非常舒服。2. 方案设计基函数、分解层数与阈值决策2.1 小波基函数怎么选3 个关键参数写 MATLAB 例程之前第一个要拍板的是用哪一族小波基。很多人一开始不管三七二十一用db1其实就是 Haar跑出来降噪效果粗糙就以为小波降噪不行。实际上基函数的选择直接决定了分解后的稀疏程度也就是“语音能量能否集中到少数大系数上”。选基函数主要看三点正交性、紧支撑性、消失矩。正交性正交小波可以保证分解与重构的能量保持不易引入冗余。语音处理常用的是 Daubechiesdb 族和 Symletssym 族。紧支撑性支撑长度意味着小波基在时域上覆盖多长的区间。支撑太短频域分得不够细噪声和语音难以分离支撑过长瞬态定位又变差。消失矩它决定了小波对平滑信号的“敏感度”消失矩越高对平滑区域的响应越弱意味着光滑语音信号会被压成更小的系数噪声和信号在系数分布上的区分度更高。我在实际项目中习惯从db6开始试然后再看sym6、sym8。这几组在语音场景下的表现普遍不错。再往高走比如db10、db20消失矩更高但支撑区间也变长某些瞬态细节反而会被抹得太平。基函数消失矩滤波器长度优缺点db1Haar12最简单频域局部性差降噪粗糙db428计算快保留瞬态较好但分频精度稍弱db6312语音降噪起点选择平衡性好sym6312近似对称相位畸变小听感更自然sym8416更精细的分频但计算量略增注意小波基不是越高级越好。你用db10跑出来的 SNR 可能比db6高零点几个 dB但听感上瞬态细节的损失往往更明显。测指标和听效果要同时看。2.2 分解层数从采样率反推频带分解层数决定你把语音分到多细的频率刻度。层数太少噪声和语音混在同一个子带里阈值不好使层数太多计算量上去了同时最低频的细节系数里也可能藏着不少语音的基频谐波处理过度就会伤音质。一个比较土但很有效的办法直接按采样率算每一层对应的频带范围。采样率 fs第 k 层细节系数的频带范围是下边界fs / (2^(k1))上边界fs / (2^k)以 fs 16000 Hz 为例分解层细节系数频带对应语音内容1 层cD14000 ~ 8000 Hz高频齿音、部分摩擦音、宽带噪声残留2 层cD22000 ~ 4000 Hz部分共振峰、清音过渡段3 层cD31000 ~ 2000 Hz中频共振峰、辅音过渡4 层cD4500 ~ 1000 Hz低频共振峰、浊音边界5 层cD5250 ~ 500 Hz浊音基频部分5 层近似cA50 ~ 250 Hz语音主体低频能量从这个表就能看出为什么一般不推荐 3 层以内cD1 和 cD2 还是会把大量语音细节和噪声混在一起。我建议常规语音降噪至少选 4 到 5 层采样率更高的录音比如 48 kHz可以选 6 层。层数再往上提升有限但系数规模变大处理时间线性上升。2.3 阈值规则与软硬阈值的选择阈值处理是整个算法的心脏。MATLAB 里thselect提供四种常见阈值规则规则关键词特点通用阈值sqtwolog固定公式噪声抑制强但容易过度收缩无偏风险估计rigrsure基于 Stein 无偏风险估计自适应强对弱信号更友好启发式阈值heursure综合 sqtwolog 和 rigrsure根据信噪比自动择高极大极小准则minimaxi保守处理最大均方误差最小化保留细节多其中通用阈值的公式是thr sigma * sqrt(2 * log(N))这里 sigma 是噪声标准差N 是信号长度。这个公式的出发点是在信号足够长、噪声满足高斯分布时理论上能把噪声系数几乎清零。但语音信号长度通常不短这个阈值算出来往往偏大容易把语音高频细节也压掉。所以实际做语音时我更常用rigrsure或heursure它们在听感上更“软”。然后是软阈值和硬阈值的选择。硬阈值系数绝对值大于阈值则保留原值小于等于阈值则置零。优点细节能量保留完整缺点在阈值点附近会产生不连续重构后容易出现伪振铃听感上像带了一点金属感。软阈值系数绝对值大于阈值时向零方向收缩一个阈值量。优点连续性更好重构后信号平滑缺点会让系数的整体幅度略偏小听感上高频细节稍微变柔。我在语音降噪里绝大多数情况选软阈值。尤其当你后续还要再接一个均衡器或者编码器时硬阈值带来的不连续伪迹会被后续模块放大。只有离线处理、对瞬态细节要求非常高的时候我才会考虑硬阈值。3. MATLAB 例程实现与关键细节拆解3.1 完整可运行的降噪例程下面是我在 MATLAB 上直接跑通过的例程。输入可以是一段你自己录的带噪 wav 文件也可以用程序合成一段模拟语音。为了方便你直接复现我在代码里做了兼容如果当前目录下有speech.wav就读文件否则自动生成一段仿真语音信号。clear; clc; close all; %% 1. 语音数据准备 fs 16000; if exist(speech.wav, file) [x, fs] audioread(speech.wav); x x(:, 1); % 取单声道 else t (0:2*fs-1) / fs; % 生成 2 秒仿真语音 x 0.6 * sin(2*pi*120*t) .* exp(-((t-0.6).^2)/0.05) ... 0.4 * sin(2*pi*180*(t-1.0)) .* exp(-((t-1.0).^2)/0.08) ... 0.3 * randn(size(t)) .* (t1.5); end x x / max(abs(x)); % 归一化到 [-1, 1] N length(x); %% 2. 叠加高斯白噪声模拟带噪语音 rng(42); noise 0.08 * randn(N, 1); y x noise; %% 3. 小波分解 wname db6; level 5; [C, L] wavedec(y, level, wname); %% 4. 噪声标准差估计与阈值计算 cD1 detcoef(C, L, 1); sigma median(abs(cD1)) / 0.6745; % MAD 估计噪声标准差 thr sigma * sqrt(2 * log(N)); % 通用阈值 fprintf(估计噪声标准差: %.4f\n, sigma); fprintf(阈值 thr: %.4f\n, thr); %% 5. 对前 level 层细节系数做软阈值处理 [C_den, L_den] wthcoef(d, C, L, 1:level, s, thr); %% 6. 小波重构 x_den waverec(C_den, L_den, wname); x_den x_den / max(abs(x_den)); %% 7. 信噪比评估 SNR_in 10 * log10(sum(x.^2) / sum((y - x).^2)); SNR_out 10 * log10(sum(x.^2) / sum((x_den - x).^2)); fprintf(降噪前 SNR %.2f dB\n, SNR_in); fprintf(降噪后 SNR %.2f dB\n, SNR_out); %% 8. 画图对比 t_axis (0:N-1) / fs; figure(Color, w, Position, [100 100 900 700]); subplot(3, 1, 1); plot(t_axis, x); xlabel(时间/s); ylabel(幅值); title(原始语音); grid on; subplot(3, 1, 2); plot(t_axis, y); xlabel(时间/s); ylabel(幅值); title(带噪语音); grid on; subplot(3, 1, 3); plot(t_axis, x_den); xlabel(时间/s); ylabel(幅值); title(小波降噪后语音); grid on; %% 9. 语谱图对比可选 figure(Color, w, Position, [100 100 900 500]); subplot(1, 2, 1); spectrogram(y, 256, 128, 256, fs, yaxis); title(降噪前语谱图); subplot(1, 2, 2); spectrogram(x_den, 256, 128, 256, fs, yaxis); title(降噪后语谱图);代码结构就是四步分解、细节系数阈值处理、重构、评估。wthcoef是这里最关键的接口它的d表示对细节系数操作1:level表示哪些层s表示软阈值最后一个参数是阈值大小。重构时waverec会自动把处理后的系数合成语音。跑完这个例程你会看到一个很直观的现象带噪语音波形里的那些细小毛刺在降噪后明显平滑但整体的音包络还在。3.2 核心函数参数拆解很多文章只甩代码不讲函数参数这里我把例程里几个关键调用的含义和注意事项说清楚。wavedec(y, level, wname)的返回值是[C, L]。C是一个行向量里面按顺序放着第level层的近似系数、第level层到第 1 层的细节系数。L则记录了每个部分占多长。千万不要自己手动去拆C除非你对系数排列已经非常熟悉否则很容易索引错位。正确做法是用detcoef、appcoef提取系数用wthcoef统一做阈值操作。detcoef(C, L, 1)提取第 1 层细节系数也就是分解后的最高频部分。我们在用它估计噪声标准差时假设这一层里噪声占主导同时语音高频信号只是少数“尖峰”。这个假设在多数非强噪场景下是成立的。wthcoef(d, C, L, 1:level, s, thr)的参数含义是d操作对象是细节系数1:level指定处理第 1 层到第 level 层的细节系数s使用软阈值thr阈值。它返回一组新的[C_den, L_den]直接交给waverec。3.3 除了 SNR还有什么评估维度SNR 是衡量降噪效果最直接的指标但它有个问题如果算法把语音细节也压没了SNR 指标反而不差因为误差小了但可懂度和听感变差了。所以我的习惯是至少看三个东西SNR 提升幅度一般提升 5~10 dB 就算有效果。波形对比降噪后的波形背景是否更干净语音段的快速变化是否保留。语谱图对比高频共振峰和清音乱区是否还在底噪区域是否变暗。如果条件允许建议加一个PESQ或者STOI指标来分析。PESQ 分数范围在-0.5到4.5之间语音通信常用STOI 更偏向可懂度范围在0到1之间。这两个指标比单一的 SNR 更接近人耳的主观感受。3.4 我的运行效果参考值用fs 16000、db6、level 5、软阈值时我常用的那批测试音频输入 SNR 在 8~12 dB 左右时降噪后一般能到 17~20 dB。语谱图上高频噪点明显变稀疏元音的共振峰横条纹更清晰。听感上底噪变小但摩擦音的舌尖感会弱一点点这在软阈值下是正常现象如果想补救可以在降噪后做一个 4~8 kHz 频段的轻微高频补偿。4. 常见问题与参数调优实录4.1 噪声标准差估计的“sigma”陷阱我第一次自己写阈值代码的时候踩过一个很典型的坑直接用整段带噪信号估计方差然后代入通用阈值公式结果阈值大得离谱降完的语音变成“闷罐”。后来才明白噪声标准差的稳健估计要用最细节的那层系数也就是cD1而且要用中位数绝对偏差MAD方式sigma median(abs(cD1)) / 0.6745分子是cD1绝对值的中位数。0.6745 是标准正态分布 75% 分位数对应的常数这样估计出的 sigma 的高斯白噪声一致性非常好。用普通标准差函数std(cD1)替代是不行的因为cD1里其实还有语音的高频细节这些大系数会让std偏大进而导致阈值偏大。如果你发现自己阈值算出来之后连清音的摩擦噪声都被压得没了先检查这一行。4.2 硬阈值带出来的“类音乐噪声”某次实验里我换成了硬阈值SNR 看着更高但听感奇差出现了类似频谱减法的音乐噪声。原因刚才讲过硬阈值在阈值点附近不连续重构时会在小波基支撑范围内产生振荡性伪迹。如果你非要保留硬阈值的高细节度有一个折中方案把硬阈值判断后保留下来的系数稍微做软收缩或者乘一个 0.8~0.95 的缩放因子。这样既保留了细节又缓和了不连续性。我在离线后处理里用过这个方式SNR 只低了大概 0.3 dB但听感自然很多。4.3 分解层数过多导致语音发“闷”调参过程中最容易遇到的一个现象是降噪后的语音不吵了但音色明显变闷。这大概率是分解层数过高或者对低频细节系数也下了狠手。再看一遍分频表第 5 层细节系数通常对应 250~500 Hz这里头有不少浊音的基频能量。如果你对cD4、cD5也用了很大的阈值相当于把语音的“骨架”跟着削了。我的做法对cD1到cD3用正常阈值对cD4、cD5把阈值乘上 0.5~0.7或者干脆不对cD5做处理。这样降噪后的语音既有干净的背景又不至于闷。你可以用wthcoef分别处理不同层给它不同的阈值[C_den, L_den] wthcoef(d, C, L, 1:3, s, thr); [C_den, L_den] wthcoef(d, C_den, L_den, 4, s, 0.6 * thr);4.4 边界效应与分段过渡小波分解的滤波器在信号端点处不可避免会引入边界效应。整段处理时端点只影响开头和结尾几十个采样点不大起眼。但如果你把长语音切成很多短段分别降噪再拼回去段边界处会出现明显的“咔哒”或“鼓包”。处理方案有两种一是用 MATLAB 内部默认的边界延拓方式绝大多数情况够用。二是做分段处理时加重叠和交叉淡化每段之间重叠 10%~20%降噪后先做淡入淡出再加和。我的实现习惯是重叠 50 毫秒左右用汉宁窗做交叉淡化听起来完全无痕。4.5 参数调优速查表症状可能原因调整方向降噪后语音发闷阈值过大 / cD4 cD5 处理过度改用 heursure 阈值或降低低频层阈值背景噪声清了但声音变尖高频细节被过度保留噪声残留在 cD1适当提高 cD1 阈值出现音乐性伪差硬阈值导致的不连续换软阈值或用硬阈值系数缩放折中波形端点有尖刺边界效应换延拓方式或分段交叉淡化SNR 提升不明显分解层数太少 / 阈值太小增加层数重新检查 sigma 估计清音和齿音听感丢失cD1 cD2 被压得太多单独降低 cD1、cD2 的阈值系数5. 后续方向从小波分解到小波包如果你已经能在 MATLAB 里跑通上面的例程下一步可以试试小波包分解。小波包和普通小波分解的区别在于普通小波只对近似系数继续分解细节系数不再展开而小波包对近似和细节都会继续分解相当于把整个频带分得更细尤其是中高频区域也能做更精细的阈值调控。语音里的非平稳噪声有时在某一个子带里特别集中普通小波分解对这个子带控制得不够细。小波包则可以把对应频段的叶子系数单独拿出来处理。MATLAB 里对应函数是wpdec、wprcoef和wpthcoef你可以把第 3.1 节的例程改成小波包版本对比一下效果。还有一条路是把小波降噪和谱减法结合先用小波降噪去除宽带白噪声再用谱减法处理残留的窄带噪声能做到红白噪声混合场景下的更好效果。我后来在某个音频后处理项目里就是两层叠加换来的是大约 1~2 dB 的额外提升和更干净的听感。我个人的体会是小波降噪这套流程最难的部分不是代码而是“理解你动的是哪些系数”。每次调参数前先在脑海里过一遍这一层细节系数现在对应的频段是什么语音在这个频段有多少成分噪声又有多少成分。想清楚了再动手改阈值基本不会跑偏。最后再分享一个小技巧离线处理时不要上来就用全局阈值。先用第 1 层细节系数算出 sigma画出cD1系数的直方图看看它是不是近似钟形分布。如果分布明显多出一个拖尾的大系数群说明这一层里语音细节占比不低阈值可以适当放宽。这个习惯帮我避开了很多“指标好看但听感劣化”的情况建议你也试试。