MATLAB语音信号处理与去噪全流程：从模型到指标评估

做语音信号处理的人，几乎都绕不过MATLAB。这个项目标题里的“语音信号处理与去噪全流程”，听起来不算多新奇，但真正把一个流程从读文件到指标量化走通，里面藏着大量文档里不会写的细节。我最早做这个方向是在帮某高校实验室搭一个语音交互系统的前处理模块，后来又在几个模拟项目里反复打磨这套链路，踩过的坑足够写满一页纸。今天就把这套“基于MATLAB的语音信号处理与去噪全流程实现”完整拆开讲一遍，从最底层的语音信号模型，到具体的滤波算法实现，再到最后怎么用信噪比、PESQ这些指标验证效果，全部以实际操作口径来说。

这篇文章适合几类人看：刚入手语音方向、需要交课程设计或项目报告的在校生；工作中要处理音频数据、想快速搭建一套可复用去噪链路的工程师；还有单纯想把MATLAB信号处理工具箱用熟练的开发者。我会尽量把每一步的“为什么这么做”讲清楚，而不是只丢一段能跑通的代码。

1. 拿到这个项目时，先想清楚几件事

1.1 这个流程到底解决什么问题

语音信号处理听起来宽泛，落到这个项目题目里，核心就三件事：读入语音、加噪或采集含噪语音、通过某种算法把噪声抑制掉。很多初学者一开始就把注意力放在“哪个去噪算法效果最好”上面，结果调了小半个月，换了一堆方法，最后生成的语音还是又糊又怪，连自己都听不下去。我个人的经验是，先别急着调算法，第一步应该把整个流程的边界画清楚：输入是什么格式的语音，噪声是已知的还是未知的，要求实时处理还是离线处理，评价标准是人耳主观听感还是客观数值指标。

比如说，如果项目里只是要求“完成语音增强，提高信噪比”，那么谱减法基本够用；如果要求“保留语音自然度，不引入音乐噪声”，那就要认真考虑维纳滤波或小波阈值法；再如果场景是“麦克风阵列采集、噪声实时变化”，那自适应滤波会更合适。项目标题强调的是“全流程实现”，所以要在一条链路上把读文件、预处理、去噪、评估全部串起来，而不是只做一个孤立的滤波Demo。

1.2 为什么用MATLAB而不是Python或C++

我在多个项目里对比过MATLAB和Python做语音处理的体验，结论很明确：如果目标是验证算法、跑流程、做可视化分析，MATLAB仍然是效率最高的选择。语音信号处理本质上是对数组做运算，MATLAB的矩阵操作和内置函数让很多算法能在几行之内完成。比如读取一个wav文件，audioread()一句就拿到数据和采样率；想画频谱图，spectrogram()直接输出语谱图，这在Python里需要组合多个库才能做得同样顺手。

更重要的是，MATLAB的DSP System Toolbox和Signal Processing Toolbox把大量经典算法封装得非常好，滤波器设计、谱估计、小波变换、自相关计算这些操作都有可靠的开箱实现。对一个“全流程实现”类项目来说，先用MATLAB把算法逻辑验证通，再把关键模块移植到C或嵌入式平台，是最稳妥的工作路径。我也不建议用MATLAB做大数据量的批处理，它的循环效率不高，但语音文件通常只有几秒到几十秒，几个文件逐个处理完全不是问题。

2. 方案设计：从语音模型到去噪链路

2.1 语音信号的数学模型

语音信号处理的理论起点，是一个极其简洁的叠加模型：观测信号 = 纯净语音 + 噪声。用数学表达就是 y(t) = s(t) + n(t)。这个模型默认噪声是加性噪声，和语音信号彼此独立。现实中很多场景确实符合这个假设，比如环境底噪、电路热噪声、空调声，它们和说话声是叠加关系。但也有例外，比如混响就不是加性噪声，它和语音之间是卷积关系；再比如音箱回声，本质上是语音延迟后的再叠加。做全流程设计之前，必须先把噪声模型定下来，否则后面所有算法都会建立在错误的基础上。

语音信号本身还有几个重要特性。短时平稳性：语音在10到30毫秒的时间尺度内可以看作平稳信号，所以处理时都要分帧，帧长通常取20到25毫秒，帧移取10毫秒。周期性：浊音段有明显的基频周期，谱上表现为一系列谐波，这正是维纳滤波和谱减法能够利用的结构特征。非平稳性：清音段和浊音段差异很大，噪声在某些频段会完全遮蔽语音，所以去噪不能做粗暴的全局滤波，必须依据语音的时频分布来做动态处理。

2.2 噪声来源与分类

做去噪之前，识别手里噪声是什么类型，往往决定了一半的成败。按统计特性分，噪声大致有稳定型、时变型和突发型三类。稳定型噪声的频谱基本不变，比如风扇声、电脑运行声，这类噪声最容易被谱减法和维纳滤波处理。时变型噪声的频谱特征随时间变化，比如咖啡馆里的人声嘈杂背景、马路上不时开过的车声，这类噪声对自适应滤波比较友好。突发型噪声如门响、键盘敲击声、拍手声，持续时间短且能量大，常规滤波方法很难干净去除，通常要配合端点检测或后处理。

把噪声类型说清楚不是因为要背概念，而是它直接对应参数选择。我做过一个例子：用一个固定频谱的白噪声做加噪测试，谱减法能把信噪比提升10dB以上，效果非常漂亮；但换成真实场景录音的街道噪声，同样的参数做出来语音段反而出现明显失真，因为街道噪声里有大量中低频成分，谱减法对它的过减会伤到语音本身。所以方案设计阶段，一定要明确项目里用的是模拟噪声还是真实噪声，这决定了你的去噪链路是不是“看起来成功”。

2.3 滤波与去噪方案选型对比

语音去噪的方法可以粗略归成几类：谱减法类、滤波类、变换域类、自适应类。谱减法原理简单——估计噪声谱，从观测谱中减去，但容易产生“音乐噪声”；维纳滤波是最小均方误差意义下的最优线性滤波器，需要知道信号和噪声的统计量，实际中常用噪声估计替换；小波阈值去噪把语音变换到小波域，通过阈值处理小波系数，适合非平稳信号；自适应滤波如LMS和NLMS，能在噪声统计特性变化时持续调整滤波器系数，适合实时变化的噪声。

下表是我在项目选型时常用的对照依据：

对一套完整的“语音信号处理与去噪全流程”来说，我推荐的做法是至少实现谱减法和维纳滤波，再选一种自己感兴趣的方法作为对比，三种方法放在同一个评估框架里跑，最后用客观指标和主观试听一起评判。这也贴合项目标题中“全流程”的含义——不是用一种方法处理完就交差，而是能对比、能评估、能说明为什么最终选择某种方案。

3. 全流程实现：从wav读取到指标验证

3.1 语音读取与预处理

整个流程的第一步是读取语音文件并做基础检查。MATLAB里用audioread读取wav文件，返回音频数据和采样率。这里有个很多人忽略的细节：文件可能是双声道，而语音处理通常只需要单声道，要先用mean把双声道合成单声道；采样率可能不是预期的16kHz，需要做重采样。语音处理领域约定俗成的标准采样率是16kHz，因为语音主要能量集中在300Hz到3.4kHz，16kHz已经是奈奎斯特频率的两倍多。如果原始文件是48kHz，直接分析不仅慢，而且高频段基本都是无用的噪声或静音，先降采样能大幅减少后续计算量。

预处理流程我一般这样组织：

• 读取文件并转单声道
• 检查采样率，若高于16kHz则降采样
• 去除首尾静音段，避免静音帧干扰噪声估计
• 做幅度归一化，把信号缩放到约[-1, 1]区间
• 分帧加窗，帧长256点或512点，帧移128点，窗函数默认汉明窗

[x, fs] = audioread('speech.wav'); if size(x, 2) > 1 x = mean(x, 2); end if fs ~= 16000 x = resample(x, 16000, fs); fs = 16000; end x = x / max(abs(x));

这里的分帧加窗是后续所有频域处理的基础。语音信号在时域上不是平稳的，但在一帧内可以近似看作平稳，所以要做短时傅里叶变换。帧长一般取20到30ms，16kHz采样率下相当于320到480点，但为了FFT计算方便常用512点，也就是32ms。太短的帧频率分辨率差，太长的帧又破坏平稳性假设，这是一个需要权衡的参数。

3.2 加噪与信噪比控制

在工程验证场景里，我们往往需要主动控制噪声强度来测试不同算法的表现。比如算法宣称能把15dB噪声降到多少，你得能精确造出15dB的含噪语音。加噪的实现并不难，难在把信噪比控制准确。

信噪比的定义是信号功率与噪声功率之比取对数，单位dB。实际操作时可以先算出干净语音的功率，再根据目标信噪比反推噪声的增益系数。假设语音信号为s，目标信噪比为SNR_target，单位为dB，那么噪声缩放因子可以按下面方式计算：

signal_power = mean(s.^2); noise_power = mean(n.^2); desired_noise_power = signal_power / (10^(SNR_target/10)); n_scaled = n * sqrt(desired_noise_power / noise_power); y = s + n_scaled;

这段代码里的关键点是：要先在噪声段内取功率均值，再按功率比值的平方根缩放幅度。因为功率和幅度的平方成正比，所以缩放因子要开根号。我见过不少人在这个细节上出错，直接把功率比当作幅度比去乘噪声，算出来的实际信噪比和目标值差了很多分贝。验证时可以再用10*log10(mean(s.^2)/mean(n_scaled.^2))回算一下，应该和设定值基本一致。

3.3 四种去噪方法的MATLAB实现

3.3.1 谱减法

谱减法是最经典、最直观的频域去噪方法。它的思路是：在频域里，带噪语音的幅度谱减去估计出的噪声幅度谱，相位保留带噪语音的相位，再通过逆变换恢复时域信号。MATLAB里可以直接用spectrogram或手动做短时傅里叶变换来配合实现。

关键步骤包括：用前导静音段估计噪声谱；对每一帧做FFT；按频谱幅度做减法；对减完的幅度做半波整流，避免出现负值；通过过减因子和谱下限参数控制减法的激进程度。

[framed, ~] = frame_signal(y, frame_len, frame_shift, win); Y = fft(framed, nfft, 2); magY = abs(Y); phaseY = angle(Y); noise_frames = Y(:, 1:num_noise_frames); noise_mag = mean(abs(noise_frames), 2); alpha = 2.0; % 过减因子 magS = max(magY - alpha * noise_mag, beta * noise_mag); s_rec = ifft(magS .* exp(1j * phaseY), nfft, 2);

谱减法最大的坑是“音乐噪声”。减完之后，频谱上会出现一些随机分布的孤立尖峰，听起来像一阵阵的旋律性噪声。抑制音乐噪声的常用手段包括：增加过减因子alpha，把减法做得更激进；设置谱下限因子beta，不允许幅度低于噪声谱的某个比例；以及做相邻帧的平滑处理。我在实际项目中用过最有效的方法是“带噪语音幅度与噪声幅度之差，再乘以一个时频掩蔽系数”，这能显著减少孤立尖峰。参数alpha在1到3之间调节，beta在0.01到0.1之间，具体值要靠听感或客观指标来确定。

3.3.2 维纳滤波

维纳滤波的思路和谱减法完全不同。它不再试图从带噪语音中“减掉”噪声，而是设计一个滤波器，对不同频点施加不同的增益，噪声多的频段增益小，语音多的频段增益大。最优增益由信号和噪声的功率谱密度决定。

在工程实现里，我们通常用估计的先验信噪比来计算增益函数。增益函数的常见形式是G = ξ / (1 + ξ)，其中ξ是先验信噪比。这个值不能直接从观测信号算出，需要用“判决引导法”递推估计，简单说就是结合上一帧的估计结果和当前帧的后验信噪比做平滑更新。

for i = 2:n_frames post_snr = (magY(:, i).^2 ./ noise_psd) - 1; post_snr = max(post_snr, 0); xi = alpha * (G_prev.^2 .* post_snr_prev) + (1 - alpha) * post_snr; G = xi ./ (1 + xi); magS = G .* magY(:, i); G_prev = G; end

维纳滤波的音质通常比谱减法更自然，没有明显的音乐噪声，但在先验信噪比估计不准确时，会有语音段被过度抑制的倾向，听起来“闷闷的”。调优时最关键的参数是判决引导的平滑系数alpha，常见取值0.98到0.995。alpha太大会让滤波器响应迟钝，跟不上语音的快速变化；太小则估计噪声大，增益起伏明显，容易产生可听的失真。

3.3.3 小波阈值去噪

小波阈值去噪的核心思想是把信号分解到小波域，语音信号的能量集中在少数较大系数上，而噪声能量分散在大量小幅系数上。因此设定一个阈值，把低于阈值的系数置零或收缩，再用逆变换重构，就能达到去噪目的。

MATLAB的Wavelet Toolbox提供了现成的小波分解和重构函数。实现时主要选择小波基、分解层数和阈值规则。对于语音信号，我通常用db4或sym8小波，分解5层。阈值选择可以用固定阈值、启发式阈值或自适应阈值，常用的是软阈值——系数绝对值小于阈值时置零，大于阈值时向零收缩一个阈值量。

[C, L] = wavedec(x, level, 'sym8'); thr = wthrmngr('dw2dDENOISE', 'sqtwolog', C, L); C_den = wthresh(C, 's', thr); x_rec = waverec(C_den, L, 'sym8');

小波去噪对瞬态噪声和突变信号效果很好，但语音里清音部分的很多细节也属于高频小系数，阈值选大了容易把这些细节一并抹掉，声音听起来有点“沙沙的”，像被压缩过。所以小波去噪的关键是在“去噪”和“保细节”之间折中，阈值取固定规则后往往还要根据试听微调。

3.3.4 自适应滤波

自适应滤波与前几种方法的本质区别在于，它不需要事先估计噪声特性，而是在处理过程中通过误差信号不断更新滤波器系数，使输出逐渐逼近干净语音。最经典的是LMS算法，NLMS则在LMS基础上对步长做了归一化，收敛性对输入信号功率不敏感，工程中更实用。

NLMS的更新公式为：w(n+1) = w(n) + μ * e(n) * x(n) / (||x(n)||² + δ)。这里x是参考输入，在我们语音去噪流程中，一般把带噪语音作为期望信号，把延迟后的带噪语音或参考噪声作为滤波输入。更标准的语音降噪场景是把参考麦克风采集的噪声作为输入，主麦克风信号作为期望信号，但那条链路需要双通道数据。单通道场景下，自适应滤波通常被改造成“预测器”形式，适合处理周期噪声或窄带干扰。

mu = 0.01; delta = 1e-6; w = zeros(filter_len, 1); for n = filter_len:N xn = delay_signal(n:-1:n-filter_len+1); d = y(n); e = d - w' * xn; w = w + mu * e * xn / (xn' * xn + delta); end

自适应滤波的收敛速度取决于步长μ和滤波器阶数。μ太大，滤波器发散，输出全是高频振荡；μ太小，收敛慢，噪声还没滤完语音已经说完了。实测下来NLMS的μ在0.01到0.1之间比较稳妥。滤波器阶数根据采样率来定，16kHz采样下取64到256阶，阶数过低无法建模足够长的噪声相关性，过高则计算量增大且容易引入额外失真。

3.4 效果评估：SNR、PESQ与语谱图

算法做出来不是凭耳朵说“好像干净了”就算完，项目报告和实际部署都需要量化指标。我一般同时看三个层面的结果：信噪比提升、语音质量评分、语谱图对比。

信噪比SNR是最直观的指标，但必须用干净语音作为参考才能计算。先算去噪前含噪语音的信噪比，再算去噪后输出语音的信噪比，两者的差值就是信噪比增益。要注意的是，在无参考的真实场景里无法计算SNR，所以这个指标只能用于算法验证阶段的人工加噪测试。

PESQ是ITU标准里用于评估语音质量的算法，分数范围从-0.5到4.5，分数越高音质越好。它比SNR更能反映人耳的主观感受，因为它综合考虑了听觉掩蔽效应和感知模型。实现PESQ需要用到音频质量评估工具，MATLAB中可以通过调用外部程序或使用系统工具箱里的评估函数来做。实际使用时PESQ得分要和SNR同时看：有些算法SNR提升很大但PESQ反而下降，说明算法虽然把噪声压低了，却把语音本身弄失真了，这种结果不能算成功。

语谱图是观察去噪效果最直观的工具。用spectrogram画出处理前后的语谱图并排对比，能清楚看到噪声频带的能量是否被压下去，语音的共振峰结构是否保留完整，有没有出现音乐噪声特有的“斑点状”结构。我在实际项目中不管系统如何评估，都会先看一眼语谱图再下结论，因为数值指标可能因为参考信号对齐问题而失真，图像信息不容易造假。

4. 实际踩过的坑与排查技巧

4.1 读进来的wav不是想要的格式

读取语音文件是最简单的一步，但也是最容易出现莫名问题的环节。遇到过三种典型情况：采样率不是16kHz，声道数不是单声道，数据格式是24bit或32bit浮点而非16bit PCM。如果不做任何检查就把数据送去分帧加窗，后面所有算法输出的频谱都会是错的。

解决方法是建立一套输入检查机制，在读取后就打印文件的基本属性：采样率、声道数、数据长度、数值范围。发现问题立即转换，而不是等算法输出不对了再回头排查。另外，MATLAB的audioread默认会把数据归一化到[-1, 1]区间，但如果原始文件是整数格式，读进来后必须清楚自己处理的是浮点归一化后的信号，后续加噪的功率计算都基于这个归一化尺度，不要再按原始整数范围去估算幅度。

4.2 分帧加窗导致的重建失真

在分帧处理中，如果只把每一帧处理完再拼接回去，帧与帧之间会出现不连续点，在听感上表现为周期性“咔哒”声。这是因为加了汉明窗之后，每帧边缘的样本被压得很低，直接拼接无法还原原始波形。

正确的做法是使用重叠相加法重建。处理时设置帧移为帧长的一半，加窗后各帧之间本来就有50%重叠，逆变换后把重叠区域按窗口函数归一化叠加起来。MATLAB里可以手动实现重叠相加，也可以直接用istft相关函数。我最初踩过不归一的坑，重建信号幅度整体被放大，和原信号对比信噪比计算完全失效。后来在重建循环里对重叠区除以窗函数在该位置的平方和，波形幅度才和原信号对齐。

4.3 谱减法把语音细节也减掉了

谱减法实现起来简单，但调参时稍不留神就把语音里的辅音、齿音这些高频细节一并削掉。主要原因是对全频带使用了同一个过减因子alpha，而清音段和高频区的能量本来就比浊音段低，同样的减法尺度对清音就是“毁灭性打击”。

解决办法是采用频带依赖的过减因子，或者对高频段减小alpha。还有一种实用的做法是根据后验信噪比动态调节减法的强度：信噪比高的频段少减，信噪比低的频段多减。这种做法实现起来不复杂，但效果立竿见影，去噪后的语音在可懂度上提升一大截。

4.4 参数调优的先后顺序

一次完整的去噪流程，涉及的参数可能有十几个：帧长、窗函数、噪声估计帧数、过减因子、谱下限、判决引导系数、小波阈值规则、自适应步长等等。如果盲目地逐个乱调，几天都调不出满意结果。

我总结的调参顺序是：先固定帧长和窗函数，这两个参数对语音类信号有行业默认经验值，不必反复纠结；接着调噪声估计相关的参数，确保噪声估计准确，因为所有频域方法都依赖噪声估计；然后调主算法最核心的参数，比如谱减法的alpha、维纳滤波的平滑系数；最后才轮到底噪处理或者音乐噪声抑制这类后处理参数。每调一个参数，就做一次SNR和PESQ的计算，并把处理前后的语音导出试听，对比记录效果。这样迭代几天就能积累一套比较可靠的参数组合。

4.5 实时性不够时的优化方向

虽然MATLAB做全流程验证不需要太考虑实时性，但如果后续要把算法部署到实时系统，就要提前关注算法复杂度。谱减法和小波去噪的计算量主要集中在FFT和小波分解上，这两者的复杂度都可以接受。自适应滤波的逐样本更新在长语音上比较慢，所以工程上常把自适应滤波也改成频域分块处理。

MATLAB中可以用tic和toc计时，算出处理时长和语音时长的比值，也就是实时因子。如果实时因子小于1，说明处理速度跟得上播放速度，算法具备实时部署条件；如果远大于1，就要考虑降帧率、缩滤波器阶数、或改用更简单的算法。

5. 全流程可以这样扩展

语音去噪的路子不止文中这几条，全流程实现的最大价值在于把“语音读取—预处理—加噪—去噪—评估”这条链路标准化了。基于这套框架，后续可以比较容易地扩展出更多玩法：把谱减法替换成基于深度学习的语音增强模型，比如简单的全连接网络或循环网络；把单通道处理升级成多通道波束形成，配合麦克风阵列做空间滤波；还可以把离线处理改造成实时流式处理，对接录音设备做实时降噪，在MATLAB里用audioDeviceReader和dsp.AudioFileWriter配合就能实现。

我自己在做扩展时的一个体会是：先把基础链路里每个模块的输入输出和数据格式都统一成“帧矩阵”格式，即每一列是一帧加窗后信号，后面替换算法时只需要保证输入是同样的帧矩阵，输出是重建后的信号。这样架构清晰，也方便对比不同算法的优劣，避免了每次换算法都要重写一套处理流程的重复劳动。

如果你想拿这个项目练手，我给的建议是：从16kHz采样率、单人语音、平稳加性噪声这个最简单的组合入手，先实现谱减法并保证评估指标能跑通，再逐步替换成维纳滤波和小波方法，最后再挑战自适应滤波。每一步都保留处理前后的语音文件和指标记录，这样才能真正形成一套属于自己的、可复用的全流程方案。