底噪住在频域里

风扇的嗡嗡、空调的白嘶、电脑电源的高频啸叫——这些底噪在波形图上和人声搅在一起,肉眼无从下手;但换到频域看,它们各有各的「住址」:电源啸叫蹲在固定频点,空调嘶声铺在中高频,隆隆声趴在低频。谱减法的思路由此而来:先采样一小段「只有噪声、没有人声」的音频,统计出每个频点上噪声平均有多强;再对整段音频逐帧做 FFT,把每个频点的幅度减去噪声在该频点的份额,剩下的就是干净人声。

人声与噪声频谱重叠的部分当然会被误伤——谱减法是「估计与权衡」而非「精确分离」,这个前提决定了它所有的工程细节。

radix-2 FFT:把 O(n²) 折成 O(n·log n)

逐帧变换的地基是 FFT。教科书上的 DFT 是每算一个频点都要遍历全部 n 个采样,n² 复数乘法;radix-2 FFT 利用「旋转因子的对称与周期性」把序列对半拆分递归处理,n 为 2 的幂时复杂度降到 n·log₂n——1024 点从百万级乘法降到一万级,浏览器里实时处理几分钟音频才成为可能。

具体实现走「迭代位反转 + 逐层蝶形」两步:先把输入序列按二进制位反转重排(0,4,2,6,1,5,3,7 的顺序),再自底向上每层做蝶形合并——每对蝶脚一次复数乘加,旋转因子 w 从 1 出发逐次乘单位根递推,连三角函数都省了。逆变换同理(共轭对称回代)。这套两百余行的纯函数不碰 DOM,正是工具能在 node 里做单测的原因——随机信号 roundtrip(FFT→IFFT 还原原信号)是这类实现的硬指标。

短时分析:加窗、分帧、平均

音频是非平稳信号,全长一锅 FFT 毫无意义。正确姿势是短时分析:每帧取 1024 个采样,乘 Hann 窗(两端归零防帧边泄漏),帧与帧重叠 50% 步进 512 逐帧推进。噪声统计阶段,对开头 1 秒的「纯噪声段」逐帧 FFT,把每个频点的幅度累加后除以帧数——得到平均噪声幅度谱:一维数组,第 k 项就是频点 k 上噪声的平均强度。

为什么取开头?录音惯例是先录一秒环境音再开口——这一秒就是免费赠送的噪声指纹。若开头不是纯噪声(开口太快、导入的素材已裁过),统计就被人声污染,减出来的频谱连人声一起削。

减法与那道 5% 的地板

主处理阶段对整段音频逐帧 FFT,每个频点做减法:

1
newMag = max( mag − strength × noiseMag[k],  0.05 × mag,  1e-8 )

第一眼看似简单的减法,藏着一个经典的伪影陷阱。若直接 mag − strength×noiseMag 并把负数钳到零,减出来的频点会随机地「全有或全无」——相邻频点时而保留、时而清零,听感像淅淅沥沥的水滴声或远处的教堂钟乐,业内称「音乐噪声」(musical noise)。成因不难理解:噪声是随机的,其瞬时幅度在均值附近起伏,减去均值后一半频点剩正值、一半变负清零,帧与帧之间哪些频点幸存又随机变化——人耳对这种时频域的随机斑点极其敏感。

防线就是那道 5% 频谱地板:任何频点最多减到只剩原幅度的 5%,不再清零。残留一点底噪,远好于随机斑点噪声——降噪的调参哲学从来是「减到听不见噪声即可,别追求归零」。

相位在减法里被完整保留:减法只作用于幅度,原帧的相位谱原样保留,按 newMag/mag 的比例缩放实部虚部即可。相位承载着声音的「形状」信息,重建相位既难又贵,保留原始相位正是谱减法便宜且够用的原因——代价是残余的相位失真在人耳听来即是那点「闷」。

合成:又一趟 WOLA

改完频谱要合回时域:逐帧 IFFT,乘同一个 Hann 窗,重叠累加;同时累计窗的平方和,最后逐点除以窗权和归一化。这与音频变速里的 WOLA 是同一套合成骨架——窗平方归一化保证增益严格为 1,任意帧对齐处的重叠窗恰好互补。谱减之后还可以接一道软噪声门(低于阈值的段落再压一档),把残余底噪收得更干净;处理在单声道混合信号上完成(兼顾速度),结果再重排回所有声道——对语音素材几乎无损,纯音乐素材则建议只开滤波部分。

🔧 录音降噪 把整条链装在浏览器里:先录或导入,先听音量表确认底噪量级,谱减强度从 0.5 起调,A/B 对比试听、波形前后叠看,满意再导出 WAV。它的下游邻居:降噪完用 🔧 口播静音切除 剪掉气口(那套 RMS 扫描线在静音检测拆解里讲过),再用 🔧 音频混音 铺配乐——录音到成片的整条流水线,连同节拍器、调音器,都收在音频创作工具箱专题里,全程本地,素材不出浏览器。