简介：面向语音信号处理与自适应滤波学习者的Matlab源码资源，提供一套双通道语音增强实现方案，基于归一化最小均方（NLMS）自适应算法，可有效抑制环境噪声并保持语音可懂度，适用于车载通信、会议拾音等嘈杂场景的前端语音增强。整个压缩包共5个文件，仅182KB，其中2个.m文件分别承担算法主程序与数据读取功能，2个.dat文件提供带噪语音输入数据，1个.wav文件为测试音频，结构紧凑、便于直接运行复现。算法通过双通道归一化自适应处理实现约10dB的噪声抵消，兼顾降噪效果与语音质量。算法主体、数据读取与测试音频相互独立，便于二次开发与算法对比。已有22人学习下载，适合需要快速上手双通道语音增强与NLMS算法的学生或工程师作为参考实现，借助附带的测试数据与音频样本，可直观对比处理前后的信噪比改善，理解自适应滤波在真实语音场景中的工程落地方式。
1. 双通道语音增强：用麦克风间距换回来的空间增益
做过单通道降噪的人基本都有这个体会：谱减法去多少，残留的音乐噪声就有多少；维纳滤波平滑系数调大，语音立刻发闷。真正让语音从底噪里“立”起来的动作，往往是从一路麦克风换成两路。双通道语音增强算法的核心不是把降噪调得更狠，而是利用声源到两个麦克风的相位差做空间滤波——目标方向的语音被保留，其他方向的噪声被压制。这个思路在 Matlab 语音处理里实现成本很低：audioread 读一个双列 wav，stft 分帧，估计噪声协方差矩阵，MVDR 权重一乘，overlap-add 回来。适合正在做助听器、会议拾音、智能音箱前端，或者在 Matlab 里验证麦克风阵列算法的人。
2. 语音增强算法选型：DSB、MVDR 与 GSC 的数学模型和边界
2.1 双通道增强的出发点：相位差才是优势
单通道语音增强在频域里处理的只有幅度谱，双通道多出来的是一个关键维度：相位差。假设远场平面波模型，目标声源方向为 θ，麦克风间距为 d，则两路接收信号可以写成：
x₁[n] = s[n - τ₁] + n₁[n]
x₂[n] = s[n - τ₂] + n₂[n]
时延差 τ = d·cosθ/c，c 是声速。将这个模型变换到 STFT 域，每个频点上的双通道观测向量可以写成 X(f,l) = a(f,θ)·S(f,l) + N(f,l)，其中 a 称为导向矢量：
a(f,θ) = [1; exp(-j·2π·f·τ)]
这个导向矢量就是双通道语音增强的核心对象。语音从目标方向来，其相位差是确定的；噪声从其他方向来，相位差不同。在扩散噪声场里，两路噪声在低频高度相关、高频相关性快速下降，这意味着单纯做两路相减并不能很好去噪，必须把相位差信息放进协方差矩阵里处理。协方差矩阵描述的是两路信号在每个频点上的统计关系，MVDR 这类算法本质上是“在保证目标方向无失真的前提下，最小化协方差矩阵所描述的噪声功率”。
2.2 DSB、MVDR、GSC：约束条件与鲁棒性对比
常见做法有三条路线，从简单到复杂依次是：延时求和波束形成（Delay-and-Sum Beamforming, DSB）、最小方差无失真响应（MVDR）和广义旁瓣消除（GSC）。
DSB 只做一件事：把两路信号按 τ 对齐后平均。它的权重是固定值 a/N，不需要估计噪声协方差矩阵，实现最简单，但波束宽度宽，抑制能力有限。MVDR 求解的是一个带约束的最优化问题：在 wᴴa = 1 的约束下最小化输出噪声功率 wᴴRₙₙw，解为：
w_MVDR = Rₙₙ⁻¹a / (aᴴRₙₙ⁻¹a)
它能自适应地在噪声方向形成零陷，理论上抑制效果远好于 DSB，但代价是对转向误差和协方差矩阵估计误差非常敏感。GSC 是把 MVDR 重构成一个固定波束、一个阻塞矩阵和一个自适应噪声对消器，方便在线逐帧更新权重，适用于噪声场随时间变化的场景。
具体怎么选，可以看下面这个对比：
| 方法 | 约束条件 | 需要估计的量 | 对误差的敏感度 | 适用阶段 |
|---|---|---|---|---|
| DSB | 固定权重，无失真 | 仅时延 τ | 低 | 粗波束、打底、阵列标定 |
| MVDR | wᴴa = 1，最小噪声功率 | Rₙₙ、a | 高 | 静态或缓变噪声场 |
| GSC | 等价于 MVDR | Rₙₙ 或在线更新 | 中 | 时变噪声、实时处理 |
我一般在 Matlab 里做验证时先用 DSB 跑通链路，再替换成 MVDR 看增益，最后才考虑 GSC。直接上 MVDR 一旦效果不对，很难判断是协方差矩阵的问题还是导向矢量的问题。
2.3 协方差矩阵估计与对角加载
MVDR 里的 Rₙₙ 是噪声协方差矩阵，实际中用一个纯噪声段来估计。常见做法是取信号最开始的一段，假设前几十帧没有语音，逐频点计算：
Rₙₙ(f) = (1/L) · Σ x(f,l)·xᴴ(f,l)
这段估计最大的坑是：快拍数太少，或者两路麦克风增益不一致，Rₙₙ 会病态，求逆后权重出现很大的数值抖动。缓解手段是对角加载，把协方差矩阵对角线加上一个相对量：
R̃ₙₙ = Rₙₙ + β·tr(Rₙₙ)/M·I
其中 M 是通道数，β 取 1e-4 到 1e-2 之间。β 太小，矩阵求逆不稳定；β 太大，MVDR 退化为 DSB。另外要注意，导向矢量里的 τ 由麦克风间距 d 和目标方向 θ 决定，麦克风间距标定不准、θ 估偏，都会让 MVDR 的零陷打在错误的方向上——这就是双通道语音增强效果不升反降的最常见原因。
3. Matlab 语音处理实现：从双通道 wav 到增强信号的最小脚本
3.1 先对齐再处理：检查两路信号的时间偏差
拿到双通道录音的第一步不是直接上算法，而是确认两路信号是否对齐。很多采集设备两个 ADC 之间存在几十个采样点的延迟，这会直接破坏相位差模型。我习惯先用互相关粗对齐：
%% 读取双通道音频并做互相关粗对齐 [x, fs] = audioread('dual_mic.wav'); % 双列波形，列1/列2对应MIC1/MIC2 x1 = x(:,1); x2 = x(:,2); [c, lags] = xcorr(x1, x2, 200, 'normalized'); [~, idx] = max(abs(c)); delay = lags(idx); % delay > 0 说明 x2 领先 if delay > 0 x1 = x1(delay+1:end); x2 = x2(1:end-delay); elseif delay < 0 x2 = x2(-delay+1:end); x1 = x1(1:end-(-delay)); end互相关峰值对应的 lags 就是两路信号的时间偏差采样点数。做这个对齐不是因为麦克风阵列设计里有这个环节，而是实际录音几乎一定会有采集不同步的问题。注意如果 xcorr 的峰值出现在延迟 0 附近，说明两路本身就是对齐的，不需要裁剪。裁剪后再算一遍幅值均值，如果两路整体增益差超过 2dB，建议先做一次幅度归一化再进 STFT，否则协方差矩阵会被麦克风灵敏度差污染。
3.2 噪声协方差矩阵与 MVDR 权重的逐频点实现
MVDR 的权重严格来说要对每个频点单独计算，因为导向矢量和协方差矩阵都随频率变化。我习惯写成逐频点循环，不用批量矩阵运算，双通道的维度只有 2×2，循环速度完全够，而且便于加中间调试：
%% STFT 参数 N = 512; % 帧长 32ms @ 16kHz ov = 256; % 50% 重叠 win = hann(N, 'periodic'); X1 = stft(x1, fs, 'Window', win, 'OverlapLength', ov); X2 = stft(x2, fs, 'Window', win, 'OverlapLength', ov); [F, ~] = size(X1); f = (0:F-1) * fs / N; % 单边频率轴 %% 几何参数与导向矢量 d = 0.02; % 麦克风间距 20mm theta = 0; % 目标方向，0 为正前方 c = 343; tau = d * cosd(theta) / c; %% MVDR 逐频点处理 n_noise_frames = 30; % 假设前 30 帧为纯噪声 beta = 1e-3; % 对角加载相对系数 Y = zeros(F, size(X1, 2)); for k = 1:F xk = [X1(k, :); X2(k, :)]; % 2 x T Rk = (xk(:, 1:n_noise_frames) * xk(:, 1:n_noise_frames)') / n_noise_frames; Rk = Rk + beta * trace(Rk) / 2 * eye(2); % 对角加载 ak = [1; exp(-1j * 2 * pi * f(k) * tau)]; % 导向矢量 wk = (Rk \ ak) / (ak' * (Rk \ ak)); % MVDR 权重 Y(k, :) = wk' * xk; end这段代码的逻辑是：每个频点上取两路 STFT 系数组成 2×T 的矩阵 xk，用前 30 帧估计该频点的噪声协方差矩阵 Rk，然后解 MVDR 的线性方程。注意Rk \ ak用的是左除，比直接inv(Rk) * ak数值稳定。beta参数在这里是按矩阵迹的相对值加载，不是固定加一个常数，这样对不同频点的功率差异不敏感。导向矢量 ak 的相位项里用的是频率轴 f(k)，一定要和 stft 输出的频率轴对应上，否则高频段的相位会完全错掉。
如果你用的 Matlab 版本没有 stft 函数，可以退回 spectrogram 取复数谱：
[~, ~, ~, X1] = spectrogram(x1, win, ov, N, fs);重建时比较麻烦，需要自己写 overlap-add，一般我还是推荐直接用 stft/istft 这一对函数。
3.3 后置维纳滤波：把残余噪声再压一档
MVDR 波束输出之后，非目标方向的噪声已经被压掉一部分，但仍有残余。常见做法是再接一个单通道后置滤波，把波束输出当作“带噪语音”，噪声功率从前面估计的噪声帧里取：
%% 后置维纳滤波 P_beam = abs(Y).^2; P_noise = mean(abs(Y(:, 1:n_noise_frames)).^2, 2); % 逐频点噪声功率 G = max((P_beam - P_noise) ./ P_beam, 0.05); % 限幅下限 0.05 Y_post = G .* Y; %% 重建时域信号 x_enh = istft(Y_post, fs, 'Window', win, 'OverlapLength', ov); x_enh = x_enh(1:length(x1));这里的 G 是每帧每个频点的增益，用波束输出的瞬时功率减去噪声功率再除以瞬时功率，本质是谱减法的一种变体。下限 0.05 是为了防止增益掉到 0 导致语音断裂，这在 SNR 极低的时候尤其重要。P_noise 用的是前面那 30 帧的均值功率，如果前 30 帧判定有语音，最好重新选一段纯噪声段，或者做一个简单 VAD 再选帧。
4. 双通道噪声协方差估计与增强效果调参验证
4.1 麦克风间距、帧长、重叠率与窗函数怎么配
双通道语音增强里，麦克风间距 d 不是随便选的。间距决定最高有效频率：当 d > c/(2f) 时，相位差会超过 π，产生空间混叠，波束会在不该出现的方向出现栅瓣。假设目标信号带宽到 8kHz，d 最大约 21mm；如果只需要处理到 4kHz 的语音带宽，d 可以放宽到 40mm。MEMS 麦克风阵列产品里常见的 15-20mm 就是在这个约束下取的。
帧长的选择要平衡频率分辨率和时变跟踪能力。16kHz 采样下，512 点帧长是 32ms，能分辨约 31Hz 的频率间隔，对语音谐波结构足够；如果混响比较重，可以考虑 1024 点，但时间分辨率变差，快速语音的瞬态会被抹平。重叠率我一般用 50%，后处理要求平滑就用 75%。窗函数用周期 Hann，重建时加性窗在 50% 重叠下能保证恒定的重叠相加增益。
| 参数 | 推荐取值 | 调大/调小的影响 |
|---|---|---|
| 麦克风间距 d | 15-20mm | 越大低频波束越窄，超过 c/(2fmax) 出现栅瓣 |
| 帧长 N | 512 @ 16kHz | 取大低频分辨率好，但瞬态变糊 |
| 重叠率 | 50%-75% | 75% 重建更平滑，计算量翻倍 |
| 对角加载 β | 1e-4 ~ 1e-2 | 太小矩阵病态，太大退化为 DSB |
| 噪声帧数 | 30-50 帧 | 太少协方差抖动，太多语音混入 |
4.2 噪声协方差估计窗口与 VAD 门限
噪声协方差矩阵的估计质量决定 MVDR 上限。前 30 帧只是最偷懒的做法，如果录音开头 0.5 秒以内有语音触发，这段估计就废了。我一般会加一个基于能量的 VAD：计算每帧对数能量，取前 10 帧能量中位数作为底噪，门限设在底噪 + 6dB 左右，低于门限的帧进协方差估计。这里的关键是门限不要设得太低，语音尾音的低能量帧一旦混入噪声集，Rₙₙ 会包含目标方向分量，MVDR 会反过来抑制目标语音。
估计窗口长度也有讲究。双通道协方差矩阵只有 2×2 需要估计 4 个元素，理论上 30 帧足够了，但实际录音里的非平稳噪声会让短期协方差抖动。我习惯在 100ms 到 500ms 之间选，根据噪声平稳程度折中。扩散场噪声比相干噪声更稳，窗口可以取长。
4.3 分段 SNR 与语谱图：验证增强没把语音损伤
双通道增强效果不能只靠耳朵听，两个客观指标必须算：分段 SNR 和语谱图对比。分段 SNR 比全局 SNR 更有参考性，因为它按帧计算，能看出语音帧被压了多少：
function segsnr = calc_segsnr(clean, enh, fs) N = 512; ov = 256; win = hann(N, 'periodic'); C = buffer(clean(1:length(enh)), N, ov, 'nodelay'); E = buffer(enh, N, ov, 'nodelay'); L = min(size(C, 2), size(E, 2)); segsnr = mean(10 * log10(sum(C(:, 1:L).^2, 1) ./ ... (sum((E(:, 1:L) - C(:, 1:L)).^2, 1) + eps))); endbuffer 函数会把信号切成长度为 N、重叠为 ov 的帧矩阵。这个指标把静音帧也平均进去，如果你的测试集静音比例大，分段 SNR 会虚高，建议只平均能量超过门限的帧。更严格的指标要上 PESQ 和 STOI，但 Matlab 不自带，需要额外工具箱或外部可执行文件，日常迭代用分段 SNR 加语谱图基本够。语谱图别用默认的色标，我习惯把动态范围压到 80dB 再看低频残余噪声的形状。
5. 从固定波束到自适应：GSC 实现细节与故障排查顺序
5.1 阻塞矩阵与 NLMS 自适应对消的稳定性
MVDR 是批处理，噪声场一变就得重新算。GSC 把问题拆成三条支路，固定波束 d 输出目标语音的粗估计，阻塞矩阵 B 把目标方向信号挡住只留下噪声参考，自适应滤波器再用 NLMS 从噪声参考里估计出固定波束输出中的残余噪声部分并减掉。双通道场景下，最简单的阻塞矩阵就是两个对齐后的信号相减：
%% GSC 简化版：阻塞矩阵 + NLMS mu = 0.01; % 步长，过大发散，过小不收敛 w = zeros(32, 1); blocked = x1_aligned - x2_aligned; % 延时对齐后相减，目标语音被对消 ref = (x1_aligned + x2_aligned) / 2; e = zeros(size(ref)); for n = 32:length(ref) u = blocked(n:-1:n-31); % 取 32 阶参考输入 e(n) = ref(n) - w' * u; w = w + mu * e(n) * u / (u' * u + 1e-6); % 归一化 NLMS end阻塞矩阵相减的前提是两路幅度增益一致，如果双麦克风灵敏度差 1dB，目标语音会在 blocked 里泄漏，自适应滤波会把这些泄漏成分也当成噪声消掉，结果就是目标语音被反相抵消。这里mu是关键，0.01 是双通道采样率 16kHz 下的经验起点；回声大的环境降到 0.005。归一化分母里的 1e-6 是防止静音段 u 全为零时步长爆炸。
5.2 增强效果变差的四个排查顺序
双通道增强效果不对的时候，不要先调后置滤波参数，按这个顺序排查：
第一看两路极性。麦克风接反是最隐蔽的错误，输出的语音像泡在水里且语谱图高频全部消失。把 x1 取反再跑一遍，如果分段 SNR 明显回升，就是极性接反。
第二看噪声协方差估计段里有没有语音。把前 30 帧的波形画出来听一遍，只要有一帧含语音，MVDR 就会压制目标方向。把估计窗口换到录音尾部，或者加强 VAD 门限。
第三扫目标角度 theta。转向误差超过几度时，MVDR 的输出会比 DSB 还差。把 theta 从 -45 度扫描到 45 度，对每个角度计算分段 SNR，画一条曲线看峰值位置。如果峰值不在你设定的角度附近，说明你的阵列几何参数标定有问题。
第四看对角加载的 cond 数。计算 cond(Rk)，如果某个频点的条件数超过 1e10，那个频点的 MVDR 权重基本是噪声。把 beta 逐步往上加，观察条件数能否掉到 1e4 以下，这是判断矩阵是否病态的最直接方式。
这四个方向排除完，还有问题再回头检查窗函数和帧长，而不是盲目堆参数。
本文还有配套的精品资源，点击获取
