什麼是音訊降噪？清晰的解釋
音訊降噪是在減少不需要的聲音的同時，保留你想保留的聲音（通常是語音、音樂或其他有意音訊）的過程。它是音訊後期製作中最廣泛使用的工具之一，近年來基於AI的方法使其變得更加易於存取。
“噪音”是什麼？
在音訊工程中，噪音是指任何非有意錄製的聲音：
- 寬頻噪音：分佈在整個頻率範圍的嘶嘶聲、靜電聲和磁帶噪音
- 音調噪音：通常位於50 Hz或60 Hz及其諧波的電氣干擾嗡嗡聲
- 脈衝噪音：來自黑膠唱片、損壞的錄音或電氣故障的咔嗒聲、爆裂聲和噼啪聲
- 環境噪音：空調、交通、風、雨、人群噪音
- 自雜訊：麥克風和錄音設備的固有噪音底
不同類型的噪音需要不同的減少技術。
傳統降噪方法
在AI成為主導之前，降噪依賴於訊號處理演算法：
光譜減法
這種方法在錄音的”靜音”部分估計噪音頻譜，並從整個訊號中減去估計的噪音。它對穩態噪音工作得相當好，但經常引入一種特有的”音樂噪音”偽影——一種飄忽的水下質感，許多聽眾覺得不愉快。
噪音門控
噪音門在訊號低於設定閾值時完全靜音。這適用於間歇性噪音之間的拍攝，但會留下與期望訊號同時發生的任何噪音。
自適應濾波
自適應濾波器即時持續估計和去除噪音。它們需要參考訊號（單獨一個僅捕獲噪音的麥克風），更常用於現場音響應用。
基於AI的降噪如何工作
現代AI降噪，如在 Noise Remover 等工具中使用的，採取根本不同的方法。與其估計和減去噪音，不如它學習直接識別語音。
深度神經網路在數千小時的音訊上進行訓練——既有乾淨的語音，也有與各種類型噪音混合的語音。隨著時間的推移，模型學會預測乾淨的語音聽起來如何，即使被埋在噪音下。在推論時，它通過這一學到的模型執行你的音訊，並輸出清理後的版本。
這種方法有幾個優勢：
- 它處理非穩態噪音：隨時間變化的噪音，如間歇性交通，不再是問題。
- 它保留自然度：與其減去估計的噪音（可能引入偽影），模型重建語音。
- 它同時處理各種噪音類型，無需使用者配置。
主要限制是計算成本。執行大型神經網路需要大量的處理能力，這就是為什麼即時AI去噪最初只在強大的伺服器上可用。最佳化的模型設計和現代瀏覽器技術現在使其在Web瀏覽器中直接執行變得可行。
降噪與噪音消除
這些術語經常被混淆：
| 術語 | 含義 |
|---|---|
| 降噪 | 在後期處理錄製的音訊以減少噪音 |
| 噪音消除 | 硬體系統（如ANC耳機）生成反相声波以即時消除噪音 |
噪音消除是耳機和某些麥克風中使用的硬體技術。降噪是套用於錄音的軟體過程。它們解決不同的問題。
何時應該使用降噪？
降噪在以下情況最有效：
- 語音或音樂明顯大於噪音底
- 噪音足夠一致以進行表徵（嘶嘶聲、嗡嗡聲、風扇噪音）
- 你想清理無法重新錄製的錄音
在以下情況效果較差：
- 噪音大於期望訊號
- 噪音與訊號共享頻率（如語音中的人群噪音）
- 原始錄音以非常低的增益進行
適當的處理水平
更多的降噪並不總是更好。激進的處理可以：
- 去除使聲音聽起來自然的高頻”空氣感”
- 在子音上產生金屬或機器人偽影
- 通過過度平滑瞬態來降低清晰度
目標是聽起來仍然像人的乾淨錄音，而不是完美無菌但毫無生氣的錄音。從適度設定開始，只在必要時增加。
準備好聽聽差異了嗎？在你自己的錄音上試試 Noise Remover。