小波分解语音降噪实战：MATLAB例程与参数调优指南

做语音信号处理的人，迟早会碰到这样的问题：音是录下来了，背景里却全是“沙沙”的底噪，传统的滤波器一上去，要么削掉音色，要么残留刺耳的高频毛刺。我刚开始搭语音前端的时候，被这个问题卡了很久，后来把常用的降噪手段过了一遍，真正觉得“用顺手”的还是小波分解法。与其说它是一种滤波，不如说它是一次“分层审查”——把含噪语音按频率尺度和时间位置同时切开，找出那些主要是噪声的小波系数，做阈值处理后再重构回去。这篇文章把我在 MATLAB 上完整跑通的小波分解语音降噪例程、参数选型逻辑和踩过的坑一次性写清楚，适合信号处理方向的学生、语音前端刚入门的工程师，以及任何需要在短代码内快速验证降噪效果的开发者。

之前我总觉得降噪嘛，就是滤个波或者用谱减法把噪声谱估出来减掉。后来做了一段带强弱变化的语音才发现，语音信号根本就不是平稳的，清音浊音交替变化，局部频谱特征差异很大。小波分解能在一个分解框架里同时保留“哪个时刻、哪个频段”的信息，而且实现起来不需要太多数据，得到的结果也比普通带通滤波器干净得多。

1. 为什么语音降噪绕不开小波分解

1.1 传统滤波器在语音降噪上的三个尴尬

先说说我最早用过的几种方法，后面你就能理解为什么小波分解这条路值得走。

第一种是低通或带通滤波器。语音能量大部分集中在低频区域，噪声如果在中高频，我们用低通把高频切掉确实能去掉一部分底噪。但问题是，宽带噪声遍布整个频带，而语音里的清音、摩擦音（比如“s”“sh”这类音）恰恰也在高频。一刀切的结果往往是：噪声少了，齿音、舌尖音这些细节也没了，听起来像隔着一层布在说话。

第二种是频谱减法。核心思路是先估计噪声频谱，再从带噪语音的频谱中减掉它。这个方法在没有参考信号的情况下非常依赖噪声估计算法，而且减完之后容易出现音乐噪声——那些忽高忽低、断断续续的伪频点，听着比原噪声还难受。尤其是平稳性较差的环境，噪声估计一更新，整段低频就跟着抖。

第三种是自适应滤波，比如 LMS、NLMS 这类。效果好，但多数场景需要一个额外的参考麦克风去采噪声通道，很多实验环境不具备这个条件，测试数据往往只有一路含噪语音。而且自适应滤波在语音段和非语音段之间切换时，收敛速度、步长这些参数又够折腾一阵。

小波分解和上面几种的底层逻辑不一样。谱减法是从频域“把噪声幅度减掉”，自适应滤波是从时域“迭代逼近期望信号”，而小波分解是把语音在时间和频率两个维度上切成不同的子带，然后针对每个子带内的系数做“保留”或“收缩”。这样既不会一刀切掉高频细节，也不用额外参考信号，天然适合非平稳的语音场景。

1.2 小波分解降噪的本质：把噪声“挑”出来再扔掉

小波分解的数学过程我尽量用大白话讲。信号每次经过一对滤波器，一个低通、一个高通，再下采样，得到两个部分：一个是“近似系数”，相当于信号的低频轮廓；一个是“细节系数”，相当于信号的高频变化。对近似系数继续重复这个操作，一层一层拆下去，就形成了多分辨率的分解结构，这也是 MALLAT 算法最经典的形式。

拿 5 层小波分解来说，最后你会得到：

• 第 1 层细节系数：对应原始信号最高频的一带；
• 第 2 层细节系数：次高频；
• 第 3、4、5 层细节系数：频率逐层递减；
• 第 5 层近似系数：最低频的主体轮廓。

语音信号本身的能量高度集中在低频部分，所以大部分“有用的东西”都在近似系数里。而白噪声、环境底噪这些，能量相对平均地分布在各层的细节系数中。也就是说，每一层细节系数里都混着真信号的高频细节和噪声，但我们能够通过统计噪声的水平，设定一个阈值：绝对值小于阈值的系数，很大程度上是噪声，置零或收缩；绝对值大于阈值的系数，基本是声音的瞬态或特定高频特征，保留下来。

整个过程就像摘菜叶上的虫害点，不是整棵菜不要，而是把坏叶挑出来处理。这里的阈值处理不碰近似系数，近似系数里是语音的主体能量，动了它整段声音就变闷变空了。这也是这个方法相对柔和的关键所在。

1.3 小波降噪的适用场景与边界

它不是万能的，用之前先确认场景是否合适。

实时性也要注意。小波分解本身复杂度不算高，但多层分解加阈值计算、重构，再加上延迟处理，真要在嵌入式设备上跑，还是要做一些裁剪和缓冲优化。离线分析、离线降噪、课堂实验、后端后处理这种场景，直接用现成代码就非常舒服。

2. 方案设计：基函数、分解层数与阈值决策

2.1 小波基函数怎么选：3 个关键参数

写 MATLAB 例程之前，第一个要拍板的是用哪一族小波基。很多人一开始不管三七二十一用db1（其实就是 Haar），跑出来降噪效果粗糙，就以为小波降噪不行。实际上，基函数的选择直接决定了分解后的稀疏程度，也就是“语音能量能否集中到少数大系数上”。

选基函数主要看三点：正交性、紧支撑性、消失矩。

• 正交性：正交小波可以保证分解与重构的能量保持，不易引入冗余。语音处理常用的是 Daubechies（db 族）和 Symlets（sym 族）。
• 紧支撑性：支撑长度意味着小波基在时域上覆盖多长的区间。支撑太短，频域分得不够细，噪声和语音难以分离；支撑过长，瞬态定位又变差。
• 消失矩：它决定了小波对平滑信号的“敏感度”，消失矩越高，对平滑区域的响应越弱，意味着光滑语音信号会被压成更小的系数，噪声和信号在系数分布上的区分度更高。

我在实际项目中习惯从db6开始试，然后再看sym6、sym8。这几组在语音场景下的表现普遍不错。再往高走，比如db10、db20，消失矩更高，但支撑区间也变长，某些瞬态细节反而会被抹得太平。

注意：小波基不是越高级越好。你用db10跑出来的 SNR 可能比db6高零点几个 dB，但听感上瞬态细节的损失往往更明显。测指标和听效果要同时看。

2.2 分解层数：从采样率反推频带

分解层数决定你把语音分到多细的频率刻度。层数太少，噪声和语音混在同一个子带里，阈值不好使；层数太多，计算量上去了，同时最低频的细节系数里也可能藏着不少语音的基频谐波，处理过度就会伤音质。

一个比较土但很有效的办法：直接按采样率算每一层对应的频带范围。采样率 fs，第 k 层细节系数的频带范围是：

• 下边界：fs / (2^(k+1))
• 上边界：fs / (2^k)

以 fs = 16000 Hz 为例：

从这个表就能看出为什么一般不推荐 3 层以内：cD1 和 cD2 还是会把大量语音细节和噪声混在一起。我建议常规语音降噪至少选 4 到 5 层，采样率更高的录音（比如 48 kHz）可以选 6 层。层数再往上，提升有限，但系数规模变大，处理时间线性上升。

2.3 阈值规则与软硬阈值的选择

阈值处理是整个算法的心脏。MATLAB 里thselect提供四种常见阈值规则：

其中通用阈值的公式是：

thr = sigma * sqrt(2 * log(N))

这里 sigma 是噪声标准差，N 是信号长度。这个公式的出发点是在信号足够长、噪声满足高斯分布时，理论上能把噪声系数几乎清零。但语音信号长度通常不短，这个阈值算出来往往偏大，容易把语音高频细节也压掉。所以实际做语音时，我更常用rigrsure或heursure，它们在听感上更“软”。

然后是软阈值和硬阈值的选择。

• 硬阈值：系数绝对值大于阈值则保留原值，小于等于阈值则置零。优点：细节能量保留完整；缺点：在阈值点附近会产生不连续，重构后容易出现伪振铃，听感上像带了一点金属感。
• 软阈值：系数绝对值大于阈值时，向零方向收缩一个阈值量。优点：连续性更好，重构后信号平滑；缺点：会让系数的整体幅度略偏小，听感上高频细节稍微变柔。

我在语音降噪里绝大多数情况选软阈值。尤其当你后续还要再接一个均衡器或者编码器时，硬阈值带来的不连续伪迹会被后续模块放大。只有离线处理、对瞬态细节要求非常高的时候，我才会考虑硬阈值。

3. MATLAB 例程实现与关键细节拆解

3.1 完整可运行的降噪例程

下面是我在 MATLAB 上直接跑通过的例程。输入可以是一段你自己录的带噪 wav 文件，也可以用程序合成一段模拟语音。为了方便你直接复现，我在代码里做了兼容：如果当前目录下有speech.wav就读文件，否则自动生成一段仿真语音信号。

clear; clc; close all; %% ===== 1. 语音数据准备 ===== fs = 16000; if exist('speech.wav', 'file') [x, fs] = audioread('speech.wav'); x = x(:, 1); % 取单声道 else t = (0:2*fs-1)' / fs; % 生成 2 秒仿真语音 x = 0.6 * sin(2*pi*120*t) .* exp(-((t-0.6).^2)/0.05) + ... 0.4 * sin(2*pi*180*(t-1.0)) .* exp(-((t-1.0).^2)/0.08) + ... 0.3 * randn(size(t)) .* (t>1.5); end x = x / max(abs(x)); % 归一化到 [-1, 1] N = length(x); %% ===== 2. 叠加高斯白噪声模拟带噪语音 ===== rng(42); noise = 0.08 * randn(N, 1); y = x + noise; %% ===== 3. 小波分解 ===== wname = 'db6'; level = 5; [C, L] = wavedec(y, level, wname); %% ===== 4. 噪声标准差估计与阈值计算 ===== cD1 = detcoef(C, L, 1); sigma = median(abs(cD1)) / 0.6745; % MAD 估计噪声标准差 thr = sigma * sqrt(2 * log(N)); % 通用阈值 fprintf('估计噪声标准差: %.4f\n', sigma); fprintf('阈值 thr: %.4f\n', thr); %% ===== 5. 对前 level 层细节系数做软阈值处理 ===== [C_den, L_den] = wthcoef('d', C, L, 1:level, 's', thr); %% ===== 6. 小波重构 ===== x_den = waverec(C_den, L_den, wname); x_den = x_den / max(abs(x_den)); %% ===== 7. 信噪比评估 ===== SNR_in = 10 * log10(sum(x.^2) / sum((y - x).^2)); SNR_out = 10 * log10(sum(x.^2) / sum((x_den - x).^2)); fprintf('降噪前 SNR = %.2f dB\n', SNR_in); fprintf('降噪后 SNR = %.2f dB\n', SNR_out); %% ===== 8. 画图对比 ===== t_axis = (0:N-1) / fs; figure('Color', 'w', 'Position', [100 100 900 700]); subplot(3, 1, 1); plot(t_axis, x); xlabel('时间/s'); ylabel('幅值'); title('原始语音'); grid on; subplot(3, 1, 2); plot(t_axis, y); xlabel('时间/s'); ylabel('幅值'); title('带噪语音'); grid on; subplot(3, 1, 3); plot(t_axis, x_den); xlabel('时间/s'); ylabel('幅值'); title('小波降噪后语音'); grid on; %% ===== 9. 语谱图对比（可选）===== figure('Color', 'w', 'Position', [100 100 900 500]); subplot(1, 2, 1); spectrogram(y, 256, 128, 256, fs, 'yaxis'); title('降噪前语谱图'); subplot(1, 2, 2); spectrogram(x_den, 256, 128, 256, fs, 'yaxis'); title('降噪后语谱图');

代码结构就是四步：分解、细节系数阈值处理、重构、评估。wthcoef是这里最关键的接口，它的'd'表示对细节系数操作，1:level表示哪些层，'s'表示软阈值，最后一个参数是阈值大小。重构时waverec会自动把处理后的系数合成语音。跑完这个例程，你会看到一个很直观的现象：带噪语音波形里的那些细小毛刺，在降噪后明显平滑，但整体的音包络还在。

3.2 核心函数参数拆解

很多文章只甩代码不讲函数参数，这里我把例程里几个关键调用的含义和注意事项说清楚。

wavedec(y, level, wname)的返回值是[C, L]。C是一个行向量，里面按顺序放着第level层的近似系数、第level层到第 1 层的细节系数。L则记录了每个部分占多长。千万不要自己手动去拆C，除非你对系数排列已经非常熟悉，否则很容易索引错位。正确做法是用detcoef、appcoef提取系数，用wthcoef统一做阈值操作。

detcoef(C, L, 1)提取第 1 层细节系数，也就是分解后的最高频部分。我们在用它估计噪声标准差时，假设这一层里噪声占主导，同时语音高频信号只是少数“尖峰”。这个假设在多数非强噪场景下是成立的。

wthcoef('d', C, L, 1:level, 's', thr)的参数含义是：

• 'd'：操作对象是细节系数；
• 1:level：指定处理第 1 层到第 level 层的细节系数；
• 's'：使用软阈值；
• thr：阈值。

它返回一组新的[C_den, L_den]，直接交给waverec。

3.3 除了 SNR，还有什么评估维度

SNR 是衡量降噪效果最直接的指标，但它有个问题：如果算法把语音细节也压没了，SNR 指标反而不差，因为误差小了，但可懂度和听感变差了。所以我的习惯是至少看三个东西：

• SNR 提升幅度：一般提升 5~10 dB 就算有效果。
• 波形对比：降噪后的波形背景是否更干净，语音段的快速变化是否保留。
• 语谱图对比：高频共振峰和清音乱区是否还在，底噪区域是否变暗。

如果条件允许，建议加一个PESQ或者STOI指标来分析。PESQ 分数范围在-0.5到4.5之间，语音通信常用；STOI 更偏向可懂度，范围在0到1之间。这两个指标比单一的 SNR 更接近人耳的主观感受。

3.4 我的运行效果参考值

用fs = 16000、db6、level = 5、软阈值时，我常用的那批测试音频，输入 SNR 在 8~12 dB 左右时，降噪后一般能到 17~20 dB。语谱图上高频噪点明显变稀疏，元音的共振峰横条纹更清晰。听感上，底噪变小，但摩擦音的舌尖感会弱一点点，这在软阈值下是正常现象，如果想补救，可以在降噪后做一个 4~8 kHz 频段的轻微高频补偿。

4. 常见问题与参数调优实录

4.1 噪声标准差估计的“sigma”陷阱

我第一次自己写阈值代码的时候踩过一个很典型的坑：直接用整段带噪信号估计方差，然后代入通用阈值公式，结果阈值大得离谱，降完的语音变成“闷罐”。后来才明白，噪声标准差的稳健估计要用最细节的那层系数，也就是cD1，而且要用中位数绝对偏差（MAD）方式：

sigma = median(abs(cD1)) / 0.6745

分子是cD1绝对值的中位数。0.6745 是标准正态分布 75% 分位数对应的常数，这样估计出的 sigma 的高斯白噪声一致性非常好。用普通标准差函数std(cD1)替代是不行的，因为cD1里其实还有语音的高频细节，这些大系数会让std偏大，进而导致阈值偏大。

如果你发现自己阈值算出来之后，连清音的摩擦噪声都被压得没了，先检查这一行。

4.2 硬阈值带出来的“类音乐噪声”

某次实验里我换成了硬阈值，SNR 看着更高，但听感奇差，出现了类似频谱减法的音乐噪声。原因刚才讲过：硬阈值在阈值点附近不连续，重构时会在小波基支撑范围内产生振荡性伪迹。

如果你非要保留硬阈值的高细节度，有一个折中方案：把硬阈值判断后保留下来的系数，稍微做软收缩或者乘一个 0.8~0.95 的缩放因子。这样既保留了细节，又缓和了不连续性。我在离线后处理里用过这个方式，SNR 只低了大概 0.3 dB，但听感自然很多。

4.3 分解层数过多导致语音发“闷”

调参过程中最容易遇到的一个现象是：降噪后的语音不吵了，但音色明显变闷。这大概率是分解层数过高或者对低频细节系数也下了狠手。

再看一遍分频表：第 5 层细节系数通常对应 250~500 Hz，这里头有不少浊音的基频能量。如果你对cD4、cD5也用了很大的阈值，相当于把语音的“骨架”跟着削了。

我的做法：对cD1到cD3用正常阈值，对cD4、cD5把阈值乘上 0.5~0.7，或者干脆不对cD5做处理。这样降噪后的语音既有干净的背景，又不至于闷。你可以用wthcoef分别处理不同层，给它不同的阈值：

[C_den, L_den] = wthcoef('d', C, L, 1:3, 's', thr); [C_den, L_den] = wthcoef('d', C_den, L_den, 4, 's', 0.6 * thr);

4.4 边界效应与分段过渡

小波分解的滤波器在信号端点处不可避免会引入边界效应。整段处理时，端点只影响开头和结尾几十个采样点，不大起眼。但如果你把长语音切成很多短段分别降噪再拼回去，段边界处会出现明显的“咔哒”或“鼓包”。

处理方案有两种：

一是用 MATLAB 内部默认的边界延拓方式，绝大多数情况够用。二是做分段处理时加重叠和交叉淡化：每段之间重叠 10%~20%，降噪后先做淡入淡出再加和。我的实现习惯是重叠 50 毫秒左右，用汉宁窗做交叉淡化，听起来完全无痕。

4.5 参数调优速查表

5. 后续方向：从小波分解到小波包

如果你已经能在 MATLAB 里跑通上面的例程，下一步可以试试小波包分解。小波包和普通小波分解的区别在于：普通小波只对近似系数继续分解，细节系数不再展开；而小波包对近似和细节都会继续分解，相当于把整个频带分得更细，尤其是中高频区域也能做更精细的阈值调控。

语音里的非平稳噪声，有时在某一个子带里特别集中，普通小波分解对这个子带控制得不够细。小波包则可以把对应频段的叶子系数单独拿出来处理。MATLAB 里对应函数是wpdec、wprcoef和wpthcoef，你可以把第 3.1 节的例程改成小波包版本对比一下效果。

还有一条路是把小波降噪和谱减法结合：先用小波降噪去除宽带白噪声，再用谱减法处理残留的窄带噪声，能做到红白噪声混合场景下的更好效果。我后来在某个音频后处理项目里就是两层叠加，换来的是大约 1~2 dB 的额外提升和更干净的听感。

我个人的体会是：小波降噪这套流程，最难的部分不是代码，而是“理解你动的是哪些系数”。每次调参数前，先在脑海里过一遍：这一层细节系数现在对应的频段是什么，语音在这个频段有多少成分，噪声又有多少成分。想清楚了再动手改阈值，基本不会跑偏。

最后再分享一个小技巧：离线处理时，不要上来就用全局阈值。先用第 1 层细节系数算出 sigma，画出cD1系数的直方图，看看它是不是近似钟形分布。如果分布明显多出一个拖尾的大系数群，说明这一层里语音细节占比不低，阈值可以适当放宽。这个习惯帮我避开了很多“指标好看但听感劣化”的情况，建议你也试试。