語(yǔ)音信號(hào)作為人類(lèi)信息交互的核心載體，在實(shí)際采集與傳輸過(guò)程中常受到環(huán)境噪聲干擾，導(dǎo)致可懂度下降、聽(tīng)覺(jué)舒適性降低。噪聲抑制旨在從帶噪語(yǔ)音中提取純凈語(yǔ)音，而聲品質(zhì)分析則聚焦于人耳對(duì)語(yǔ)音主觀感知質(zhì)量的量化評(píng)價(jià)。本文系統(tǒng)闡述了噪聲抑制的主流技術(shù)(傳統(tǒng)方法與深度學(xué)習(xí)方法)、聲品質(zhì)的關(guān)鍵評(píng)價(jià)指標(biāo)及分析方法，并探討了兩者的關(guān)聯(lián)機(jī)制，為語(yǔ)音通信、智能交互等場(chǎng)景中的語(yǔ)音質(zhì)量?jī)?yōu)化提供理論與技術(shù)參考。
 

　　1. 引言
 

　　語(yǔ)音信號(hào)在真實(shí)場(chǎng)景(如車(chē)載通話、會(huì)議錄音、智能語(yǔ)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(yǔ)音細(xì)節(jié)(如輔音的高頻成分)，還可能引入非線性失真(如嘯叫、混響)，嚴(yán)重影響語(yǔ)音的可懂度(Intelligibility)與聽(tīng)感質(zhì)量(Quality)。噪聲抑制(Noise Suppression)通過(guò)信號(hào)處理技術(shù)分離語(yǔ)音與噪聲，而聲品質(zhì)分析(Speech Quality Assessment)則從人耳感知角度量化語(yǔ)音的“好聽(tīng)程度”。兩者相輔相成：噪聲抑制是提升聲品質(zhì)的手段，聲品質(zhì)分析則為抑制算法的效果評(píng)估提供依據(jù)。
 

　　2. 語(yǔ)音信號(hào)的噪聲抑制技術(shù)
 

　　2.1 噪聲特性與抑制目標(biāo)
 

　　環(huán)境噪聲可分為穩(wěn)態(tài)噪聲(如空調(diào)嗡嗡聲、白噪聲，頻譜特性穩(wěn)定)與非穩(wěn)態(tài)噪聲(如突發(fā)的人聲、車(chē)輛鳴笛，頻譜隨時(shí)間變化)。噪聲抑制的核心目標(biāo)是：在盡可能保留語(yǔ)音原始特征(如頻譜包絡(luò)、諧波結(jié)構(gòu))的前提下，降低噪聲能量，同時(shí)避免引入“音樂(lè)噪聲”(Musical Noise，由傳統(tǒng)方法頻譜處理導(dǎo)致的類(lèi)似口哨聲的偽影)。
 

　　2.2 傳統(tǒng)噪聲抑制方法
 

　　傳統(tǒng)方法基于信號(hào)處理的統(tǒng)計(jì)特性，主要包括以下三類(lèi)：
 

　　(1)譜減法(Spectral Subtraction)
 

　　原理：假設(shè)噪聲為加性且統(tǒng)計(jì)平穩(wěn)，通過(guò)估計(jì)噪聲頻譜(通常利用語(yǔ)音靜音段預(yù)計(jì)算)，從帶噪語(yǔ)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(yǔ)音頻譜，N^(f,t)為估計(jì)的噪聲頻譜，S^(f,t)為抑制后的語(yǔ)音頻譜，α為過(guò)減因子(通常取1~2)，β為殘余噪聲下限系數(shù)(避免負(fù)值)。
 

　　優(yōu)缺點(diǎn)：計(jì)算簡(jiǎn)單、實(shí)時(shí)性好，但對(duì)非平穩(wěn)噪聲(噪聲頻譜快速變化)效果差，易殘留音樂(lè)噪聲。
 

　　(2)維納濾波(Wiener Filtering)
 

　　原理：基于最小均方誤差準(zhǔn)則，通過(guò)估計(jì)語(yǔ)音與噪聲的功率譜密度(PSD)，構(gòu)造線性濾波器，使輸出語(yǔ)音與純凈語(yǔ)音的均方誤差最小。濾波器頻率響應(yīng)為：
 

　　H(f)=PS?(f)+PN?(f)PS?(f)?
 

　　其中 PS?(f)和 PN?(f)分別為語(yǔ)音與噪聲的功率譜。
 

　　優(yōu)缺點(diǎn)：比譜減法更適應(yīng)非平穩(wěn)噪聲，但依賴準(zhǔn)確的噪聲功率譜估計(jì)，且在低信噪比(SNR<5 dB)時(shí)語(yǔ)音失真明顯。
 

　　(3)子空間分解法(如K-SVD、MUSIC)
 

　　原理：將帶噪語(yǔ)音信號(hào)投影到語(yǔ)音子空間與噪聲子空間，通過(guò)保留語(yǔ)音子空間的分量實(shí)現(xiàn)抑制。例如，基于奇異值分解(SVD)將信號(hào)協(xié)方差矩陣分解為信號(hào)主導(dǎo)和噪聲主導(dǎo)的奇異值，保留大奇異值對(duì)應(yīng)的分量。
 

　　優(yōu)缺點(diǎn)：對(duì)穩(wěn)態(tài)噪聲效果較好，但計(jì)算復(fù)雜度高，實(shí)時(shí)性受限。
 

　　2.3 深度學(xué)習(xí)驅(qū)動(dòng)的噪聲抑制方法
 

　　近年來(lái)，深度神經(jīng)網(wǎng)絡(luò)(DNN)憑借強(qiáng)大的非線性建模能力，成為噪聲抑制的主流技術(shù)，主要分為以下兩類(lèi)：
 

　　(1)時(shí)頻域方法(如DCCRN、SEGAN)
 

　　核心思路：將帶噪語(yǔ)音轉(zhuǎn)換到時(shí)頻域(如短時(shí)傅里葉變換STFT的幅度譜或復(fù)數(shù)譜)，通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)干凈語(yǔ)音的時(shí)頻分量，再逆變換回時(shí)域。
 

　　典型模型：深度復(fù)數(shù)卷積遞歸網(wǎng)絡(luò)(DCCRN)直接處理STFT的復(fù)數(shù)譜(包含幅度與相位信息)，通過(guò)編碼器-解碼器結(jié)構(gòu)與門(mén)控循環(huán)單元(GRU)捕捉時(shí)頻依賴關(guān)系；生成對(duì)抗網(wǎng)絡(luò)(SEGAN)利用生成器生成干凈語(yǔ)音譜，判別器區(qū)分生成譜與真實(shí)譜，提升譜的真實(shí)性。
 

　　優(yōu)勢(shì)：能自適應(yīng)復(fù)雜噪聲(如非穩(wěn)態(tài)噪聲、混響)，抑制效果好且音樂(lè)噪聲少；
 

　　挑戰(zhàn)：依賴大量帶噪-純凈語(yǔ)音配對(duì)數(shù)據(jù)訓(xùn)練，計(jì)算資源需求高。
 

　　(2)端到端時(shí)域方法(如Demucs、Wave-U-Net)
 

　　核心思路：直接在時(shí)域處理原始波形信號(hào)，通過(guò)編碼器-解碼器結(jié)構(gòu)(如U-Net)分離語(yǔ)音與噪聲。例如，Demucs利用多層卷積與殘差連接，將輸入信號(hào)分解為語(yǔ)音、噪聲等多個(gè)源信號(hào)。
 

　　優(yōu)勢(shì)：無(wú)需頻域變換，保留完整的時(shí)域信息(如瞬態(tài)脈沖)，適合處理突發(fā)噪聲；
 

　　挑戰(zhàn)：模型復(fù)雜度更高，對(duì)訓(xùn)練數(shù)據(jù)的多樣性要求更嚴(yán)格。
 

　　3. 語(yǔ)音信號(hào)的聲品質(zhì)分析
 

　　聲品質(zhì)分析旨在量化語(yǔ)音的主觀聽(tīng)感質(zhì)量，通常從客觀指標(biāo)與主觀評(píng)價(jià)兩方面展開(kāi)。
 

　　3.1 客觀評(píng)價(jià)指標(biāo)
 

　　(1)基于語(yǔ)音清晰度的指標(biāo)
 

　　語(yǔ)音可懂度（STOI, Short-Time Objective Intelligibility）：通過(guò)計(jì)算帶噪語(yǔ)音與純凈語(yǔ)音在短時(shí)幀上的相關(guān)性，反映語(yǔ)音信息的保留程度(取值0~1，越接近1可懂度越高)，對(duì)噪聲引起的頻譜掩蔽敏感。
 

　　PESQ（Perceptual Evaluation of Speech Quality）：基于人耳聽(tīng)覺(jué)感知模型，將帶噪語(yǔ)音與純凈語(yǔ)音映射到感知域，計(jì)算失真得分(范圍1~5，接近5表示質(zhì)量高)，綜合反映噪聲導(dǎo)致的失真與頻譜畸變。
 

　　POLQA（Perceptual Objective Listening Quality Analysis）：PESQ的升級(jí)版，支持寬帶/超寬帶語(yǔ)音(>7 kHz)，對(duì)噪聲、延遲、丟包等復(fù)合失真的評(píng)價(jià)更準(zhǔn)確。
 

　　(2)基于噪聲特性的指標(biāo)
 

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

　　噪聲掩蔽比（NMR, Noise Masking Ratio）：評(píng)估噪聲對(duì)語(yǔ)音關(guān)鍵頻段(如300~3400 Hz的語(yǔ)音頻帶)的掩蔽程度，與語(yǔ)音可懂度強(qiáng)相關(guān)。
 

　　3.2 主觀評(píng)價(jià)方法
 

　　通過(guò)人工聽(tīng)音實(shí)驗(yàn)(如MOS, Mean Opinion Score)讓受試者對(duì)語(yǔ)音質(zhì)量打分(通常1~5分，1為“極差”，5為“佳”)，但主觀評(píng)價(jià)成本高、一致性依賴受試者經(jīng)驗(yàn)，常作為客觀指標(biāo)的校準(zhǔn)基準(zhǔn)。
 

　　3.3 聲品質(zhì)與噪聲抑制的關(guān)聯(lián)
 

　　噪聲抑制的目標(biāo)是通過(guò)降低噪聲能量(提升SNR)、保留語(yǔ)音諧波結(jié)構(gòu)(維持PESQ高分)，最終改善主觀聽(tīng)感。例如，深度學(xué)習(xí)抑制算法因能精準(zhǔn)保留語(yǔ)音諧波(如輔音的高頻噪聲)，通常在PESQ和STOI上顯著優(yōu)于傳統(tǒng)方法；而傳統(tǒng)譜減法若參數(shù)設(shè)置不當(dāng)(如過(guò)減因子過(guò)大)，雖可能提升SNR，但會(huì)引入語(yǔ)音失真(PESQ下降)。
 

　　4. 典型應(yīng)用場(chǎng)景與挑戰(zhàn)
 

　　4.1 典型場(chǎng)景
 

　　車(chē)載語(yǔ)音交互：需抑制發(fā)動(dòng)機(jī)噪聲(低頻轟鳴)、風(fēng)噪(寬帶噪聲)及乘客對(duì)話(非穩(wěn)態(tài)干擾)，對(duì)實(shí)時(shí)性與魯棒性要求高；
 

　　遠(yuǎn)程會(huì)議系統(tǒng)：需處理多人混響(房間反射導(dǎo)致的拖尾效應(yīng))與背景人聲(同頻段干擾)，重點(diǎn)提升語(yǔ)音可懂度；
 

　　助聽(tīng)器與人工耳蝸：針對(duì)老年性耳聾用戶，需在極低SNR(如-5 dB)下抑制環(huán)境噪聲，同時(shí)避免過(guò)度壓縮導(dǎo)致語(yǔ)音自然度下降。
 

　　4.2 當(dāng)前挑戰(zhàn)
 

　　非穩(wěn)態(tài)噪聲抑制：突發(fā)噪聲(如玻璃破碎聲)的頻譜變化快，傳統(tǒng)方法難以跟蹤，深度學(xué)習(xí)模型需更大規(guī)模的動(dòng)態(tài)噪聲數(shù)據(jù)；
 

　　計(jì)算復(fù)雜度與實(shí)時(shí)性平衡：深度學(xué)習(xí)模型(如DCCRN)的參數(shù)量大，在移動(dòng)端(如手機(jī)、耳機(jī))部署時(shí)需輕量化設(shè)計(jì)(如知識(shí)蒸餾、量化壓縮)；
 

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

　　5. 結(jié)論與展望
 

　　噪聲抑制與聲品質(zhì)分析是提升語(yǔ)音信號(hào)可用性的關(guān)鍵技術(shù)。傳統(tǒng)方法在穩(wěn)態(tài)噪聲場(chǎng)景下仍具實(shí)用價(jià)值，而深度學(xué)習(xí)方法通過(guò)數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)能力，已成為復(fù)雜噪聲環(huán)境的主流解決方案。未來(lái)發(fā)展趨勢(shì)包括：
 

　　多模態(tài)融合：結(jié)合視覺(jué)(唇動(dòng)信息)、麥克風(fēng)陣列(空間定位)等多傳感器數(shù)據(jù)，進(jìn)一步提升抑制魯棒性；
 

　　輕量化與邊緣計(jì)算：通過(guò)模型剪枝、神經(jīng)架構(gòu)搜索(NAS)設(shè)計(jì)低功耗抑制算法，適配物聯(lián)網(wǎng)設(shè)備；
 

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

　　通過(guò)跨學(xué)科技術(shù)的融合，語(yǔ)音信號(hào)的噪聲抑制與聲品質(zhì)分析將為智能人機(jī)交互、醫(yī)療輔助等領(lǐng)域提供更可靠的技術(shù)支撐。