語音信號作為人類信息交互的核心載體，在實際采集與傳輸過程中常受到環境噪聲干擾，導致可懂度下降、聽覺舒適性降低。噪聲抑制旨在從帶噪語音中提取純凈語音，而聲品質分析則聚焦于人耳對語音主觀感知質量的量化評價。本文系統闡述了噪聲抑制的主流技術(傳統方法與深度學習方法)、聲品質的關鍵評價指標及分析方法，并探討了兩者的關聯機制，為語音通信、智能交互等場景中的語音質量優化提供理論與技術參考。
 

　　1. 引言
 

　　語音信號在真實場景(如車載通話、會議錄音、智能語音助手交互)中不可避免地混入背景噪聲(如交通噪聲、人聲嘈雜、電子干擾)，這些噪聲不僅掩蓋語音細節(如輔音的高頻成分)，還可能引入非線性失真(如嘯叫、混響)，嚴重影響語音的可懂度(Intelligibility)與聽感質量(Quality)。噪聲抑制(Noise Suppression)通過信號處理技術分離語音與噪聲，而聲品質分析(Speech Quality Assessment)則從人耳感知角度量化語音的“好聽程度”。兩者相輔相成：噪聲抑制是提升聲品質的手段，聲品質分析則為抑制算法的效果評估提供依據。
 

　　2. 語音信號的噪聲抑制技術
 

　　2.1 噪聲特性與抑制目標
 

　　環境噪聲可分為穩態噪聲(如空調嗡嗡聲、白噪聲，頻譜特性穩定)與非穩態噪聲(如突發的人聲、車輛鳴笛，頻譜隨時間變化)。噪聲抑制的核心目標是：在盡可能保留語音原始特征(如頻譜包絡、諧波結構)的前提下，降低噪聲能量，同時避免引入“音樂噪聲”(Musical Noise，由傳統方法頻譜處理導致的類似口哨聲的偽影)。
 

　　2.2 傳統噪聲抑制方法
 

　　傳統方法基于信號處理的統計特性，主要包括以下三類：
 

　　(1)譜減法(Spectral Subtraction)
 

　　原理：假設噪聲為加性且統計平穩，通過估計噪聲頻譜(通常利用語音靜音段預計算)，從帶噪語音頻譜中直接減去噪聲頻譜。公式表示為：
 

　　∣S^(f,t)∣2=max(∣Y(f,t)∣2−α⋅∣N^(f,t)∣2,β⋅∣N^(f,t)∣2)
 

　　其中 Y(f,t)為帶噪語音頻譜，N^(f,t)為估計的噪聲頻譜，S^(f,t)為抑制后的語音頻譜，α為過減因子(通常取1~2)，β為殘余噪聲下限系數(避免負值)。
 

　　優缺點：計算簡單、實時性好，但對非平穩噪聲(噪聲頻譜快速變化)效果差，易殘留音樂噪聲。
 

　　(2)維納濾波(Wiener Filtering)
 

　　原理：基于最小均方誤差準則，通過估計語音與噪聲的功率譜密度(PSD)，構造線性濾波器，使輸出語音與純凈語音的均方誤差最小。濾波器頻率響應為：
 

　　H(f)=PS?(f)+PN?(f)PS?(f)?
 

　　其中 PS?(f)和 PN?(f)分別為語音與噪聲的功率譜。
 

　　優缺點：比譜減法更適應非平穩噪聲，但依賴準確的噪聲功率譜估計，且在低信噪比(SNR<5 dB)時語音失真明顯。
 

　　(3)子空間分解法(如K-SVD、MUSIC)
 

　　原理：將帶噪語音信號投影到語音子空間與噪聲子空間，通過保留語音子空間的分量實現抑制。例如，基于奇異值分解(SVD)將信號協方差矩陣分解為信號主導和噪聲主導的奇異值，保留大奇異值對應的分量。
 

　　優缺點：對穩態噪聲效果較好，但計算復雜度高，實時性受限。
 

　　2.3 深度學習驅動的噪聲抑制方法
 

　　近年來，深度神經網絡(DNN)憑借強大的非線性建模能力，成為噪聲抑制的主流技術，主要分為以下兩類：
 

　　(1)時頻域方法(如DCCRN、SEGAN)
 

　　核心思路：將帶噪語音轉換到時頻域(如短時傅里葉變換STFT的幅度譜或復數譜)，通過神經網絡預測干凈語音的時頻分量，再逆變換回時域。
 

　　典型模型：深度復數卷積遞歸網絡(DCCRN)直接處理STFT的復數譜(包含幅度與相位信息)，通過編碼器-解碼器結構與門控循環單元(GRU)捕捉時頻依賴關系；生成對抗網絡(SEGAN)利用生成器生成干凈語音譜，判別器區分生成譜與真實譜，提升譜的真實性。
 

　　優勢：能自適應復雜噪聲(如非穩態噪聲、混響)，抑制效果好且音樂噪聲少；
 

　　挑戰：依賴大量帶噪-純凈語音配對數據訓練，計算資源需求高。
 

　　(2)端到端時域方法(如Demucs、Wave-U-Net)
 

　　核心思路：直接在時域處理原始波形信號，通過編碼器-解碼器結構(如U-Net)分離語音與噪聲。例如，Demucs利用多層卷積與殘差連接，將輸入信號分解為語音、噪聲等多個源信號。
 

　　優勢：無需頻域變換，保留完整的時域信息(如瞬態脈沖)，適合處理突發噪聲；
 

　　挑戰：模型復雜度更高，對訓練數據的多樣性要求更嚴格。
 

　　3. 語音信號的聲品質分析
 

　　聲品質分析旨在量化語音的主觀聽感質量，通常從客觀指標與主觀評價兩方面展開。
 

　　3.1 客觀評價指標
 

　　(1)基于語音清晰度的指標
 

　　語音可懂度（STOI, Short-Time Objective Intelligibility）：通過計算帶噪語音與純凈語音在短時幀上的相關性，反映語音信息的保留程度(取值0~1，越接近1可懂度越高)，對噪聲引起的頻譜掩蔽敏感。
 

　　PESQ（Perceptual Evaluation of Speech Quality）：基于人耳聽覺感知模型，將帶噪語音與純凈語音映射到感知域，計算失真得分(范圍1~5，接近5表示質量高)，綜合反映噪聲導致的失真與頻譜畸變。
 

　　POLQA（Perceptual Objective Listening Quality Analysis）：PESQ的升級版，支持寬帶/超寬帶語音(>7 kHz)，對噪聲、延遲、丟包等復合失真的評價更準確。
 

　　(2)基于噪聲特性的指標
 

　　信噪比（SNR, Signal-to-Noise Ratio）：純凈語音與噪聲的能量比(dB)，直接反映噪聲強度(公式：SNR=10log10?(∑(y(t)−s(t))2∑s2(t)?))，但無法衡量人耳對噪聲的敏感差異(如低頻噪聲可能比高頻噪聲更易察覺)。
 

　　噪聲掩蔽比（NMR, Noise Masking Ratio）：評估噪聲對語音關鍵頻段(如300~3400 Hz的語音頻帶)的掩蔽程度，與語音可懂度強相關。
 

　　3.2 主觀評價方法
 

　　通過人工聽音實驗(如MOS, Mean Opinion Score)讓受試者對語音質量打分(通常1~5分，1為“極差”，5為“佳”)，但主觀評價成本高、一致性依賴受試者經驗，常作為客觀指標的校準基準。
 

　　3.3 聲品質與噪聲抑制的關聯
 

　　噪聲抑制的目標是通過降低噪聲能量(提升SNR)、保留語音諧波結構(維持PESQ高分)，最終改善主觀聽感。例如，深度學習抑制算法因能精準保留語音諧波(如輔音的高頻噪聲)，通常在PESQ和STOI上顯著優于傳統方法；而傳統譜減法若參數設置不當(如過減因子過大)，雖可能提升SNR，但會引入語音失真(PESQ下降)。
 

　　4. 典型應用場景與挑戰
 

　　4.1 典型場景
 

　　車載語音交互：需抑制發動機噪聲(低頻轟鳴)、風噪(寬帶噪聲)及乘客對話(非穩態干擾)，對實時性與魯棒性要求高；
 

　　遠程會議系統：需處理多人混響(房間反射導致的拖尾效應)與背景人聲(同頻段干擾)，重點提升語音可懂度；
 

　　助聽器與人工耳蝸：針對老年性耳聾用戶，需在極低SNR(如-5 dB)下抑制環境噪聲，同時避免過度壓縮導致語音自然度下降。
 

　　4.2 當前挑戰
 

　　非穩態噪聲抑制：突發噪聲(如玻璃破碎聲)的頻譜變化快，傳統方法難以跟蹤，深度學習模型需更大規模的動態噪聲數據；
 

　　計算復雜度與實時性平衡：深度學習模型(如DCCRN)的參數量大，在移動端(如手機、耳機)部署時需輕量化設計(如知識蒸餾、量化壓縮)；
 

　　個性化適配：不同用戶對噪聲的敏感度差異大(如耳鳴患者對高頻噪聲更敏感)，需結合用戶反饋的自適應抑制策略。
 

　　5. 結論與展望
 

　　噪聲抑制與聲品質分析是提升語音信號可用性的關鍵技術。傳統方法在穩態噪聲場景下仍具實用價值，而深度學習方法通過數據驅動的自適應能力，已成為復雜噪聲環境的主流解決方案。未來發展趨勢包括：
 

　　多模態融合：結合視覺(唇動信息)、麥克風陣列(空間定位)等多傳感器數據，進一步提升抑制魯棒性；
 

　　輕量化與邊緣計算：通過模型剪枝、神經架構搜索(NAS)設計低功耗抑制算法，適配物聯網設備；
 

　　主觀感知優化：引入心理聲學模型(如響度、粗糙度感知)，使抑制后的語音不僅“清晰”而且“自然”。
 

　　通過跨學科技術的融合，語音信號的噪聲抑制與聲品質分析將為智能人機交互、醫療輔助等領域提供更可靠的技術支撐。