MATLAB语音降噪实战：频谱减法全流程源码解析

简介：面向语音信号处理学习者的MATLAB语音降噪实验配套源码包，聚焦谱减法、维纳滤波、自适应滤波器（LMS）与小波分解等经典方法，适合高校学生、科研人员及人工智能方向开发者用于课程实验、算法对比或实际项目预研。压缩包共35个文件，以26个.m源码文件为主，附4个.wav语音样本和5张.jpeg示意图，整体大小约409KB；内容按5.1自适应滤波器、5.2谱减法、5.3维纳滤波、5.4小波分解等章节组织，每章均包含可运行的主程序、功能函数与测试音频。已有210人学习浏览，便于在理解理论后对照代码逐步复现各类降噪流程。通过运行示例，可观察不同算法对含噪语音的处理效果，并借助SNR计算与VAD等评估手段量化降噪性能，从而掌握从分帧加窗、噪声估计、谱修正到效果验证的完整链路，为后续语音识别、语音增强及复杂场景下的信号处理打下基础。

1. 语音降噪不只是调参：这套 MATLAB 源码把全流程摆在了桌面上

做语音识别、语音信号处理或者音频相关项目的人，迟早会遇到同一个尴尬局面：算法论文看了不少，一到自己手里，录音一加载就出现各种奇怪问题——底噪去不掉、说话声发闷、甚至降完噪反而更糊。这套 MATLAB 语音降噪实验源码包的实用之处在于，它不是给你一堆抽象公式，而是直接给了可运行的频谱减法实现，配合分帧、加窗、FFT、逆变换的完整链路。你拿到手能立刻跑通一段带噪语音，看到降噪前后的波形对比、语谱图变化，再回头调参数看效果，整个过程比对着公式空想要踏实得多。适合刚接触语音信号处理的本科生、转做音频算法的开发者，也适合需要快速验证降噪思路的技术人员。语音降噪实验的关键不只是降噪本身，而是你能否控制住每一步的中间结果。

2. MATLAB 为什么适合做语音降噪实验：选型理由与处理链路

2.1 从语音识别到降噪，MATLAB 的优势在哪

很多人在做语音识别或语音信号处理时纠结要不要用 Python。Python 生态确实丰富，但在这类实验教学场景里，MATLAB 有一个无可替代的优点：从读音频文件到画频谱图，几乎所有操作都是内置函数，不需要处理复杂的依赖关系。所谓“零环境折腾”，对新手来说意味着把更多时间留给算法本身。

另一个层面的优势是矩阵思维。语音信号本质上是一个一维数组，分帧之后变成二维矩阵，傅里叶变换在 MATLAB 里就是一行fft。这种“数组进来、矩阵出去”的思维方式，特别适合教学演示用。你可以在命令行里随时查看中间变量的尺寸和值，这比在 Python 里反复调试包版本、检查数据类型要顺手得多。

从工程角度看，MATLAB 的音频工具箱和信号处理工具箱提供了audioread、audiowrite、hann、spectrogram等实用函数，刚好覆盖语音降噪实验所需的全部环节。即使你没有额外工具箱，只用基础函数也能完成整个流程。而且这套源码包的代码风格比较规整，注释充分，适合作为你后续写自己算法的模板。

2.2 一条完整的语音降噪处理链路：分帧、加窗、FFT、ISTFT

语音信号是非平稳的，但在一段极短的时间内可以近似看作平稳。这就是分帧的理论基础。典型做法是把语音切成 20～30 毫秒的帧，帧与帧之间留 10 毫秒左右的重叠，避免帧边界处信息丢失。

加窗的目的是减少频谱泄漏。直接对一帧信号做 FFT，相当于隐式地加了一个矩形窗，矩形窗的旁瓣很高，会在频谱上产生虚假的频率成分。汉宁窗（Hann）是语音增强里最常用的窗函数，主瓣宽度和旁瓣衰减之间比较平衡。

FFT 之后，每帧信号从时域变成频域，得到幅度谱和相位谱。频谱减法（Spectral Subtraction）的核心假设是：带噪语音的幅度谱约等于干净语音的幅度谱加上噪声的幅度谱。既然噪声幅度谱可以从静音段估计出来，那用带噪幅度谱减去噪声幅度谱，再结合原始相位，就能大致恢复出干净语音。这里很多人会疑惑——“相位怎么办？”实际上人耳对相位失真相对不敏感，直接用带噪语音的相位是一个被广泛接受的工程近似。

逆变换那一步也有细节。由于帧与帧之间有重叠，直接拼接会出现“台阶感”，所以要用重叠相加（OLA）或重叠保留（WOLA）的方式重建时域信号。源码包里用的是重叠相加，配合窗函数做到“等重叠加”，保证重建波形幅度不畸变。

2.3 实验脚本的目录结构与运行方式

压缩包解开之后，你会看到以下几个核心文件，这里先给出一份文件清单以便对号入座：

运行主脚本只需要在 MATLAB 里把当前目录切到源码包根目录，然后执行：

denoise_demo

脚本会自动读取audio/目录下的带噪样本，调用spectrum_subtraction完成降噪，并弹出三张图：带噪语音波形、降噪语音波形、二者语谱图对比。第一次跑通之后，你再回头逐段阅读代码，按需修改参数，就能看到效果变化。

3. 频谱减法原理与核心实现：从公式到可运行代码

3.1 频谱减法的数学基础：人耳对相位的容忍

频谱减法的数学表达并不复杂。设带噪语音为 (y(n))，干净语音为 (s(n))，加性噪声为 (d(n))，则有：

[ y(n) = s(n) + d(n) ]

对每一帧做 DFT 之后，频域表示近似为：

[ Y(k) = S(k) + D(k) ]

频谱减法的估计式通常写成：

[ |\hat{S}(k)| = \max(|Y(k)| - \alpha \cdot |\hat{D}(k)|, \ \beta \cdot |Y(k)|) ]

其中 (\alpha) 是过减因子，(\beta) 是谱下限系数。(|\hat{D}(k)|) 是噪声幅度谱的估计值。相位直接用带噪语音的相位 (\angle Y(k))，于是增强后的频谱为：

[ \hat{S}(k) = |\hat{S}(k)| \cdot e^{j \angle Y(k)} ]

为什么可以保留带噪相位？两个原因：一是人耳听觉对相位不敏感，二是准确估计相位非常困难，工程上普遍接受“幅度增强、相位保留”的策略。这个近似是理解整套代码的关键，也是后续调试时最先要记住的边界条件。

3.2 核心函数spectrum_subtraction.m逐段拆解

以源码包里的实现为例，核心函数的大致结构如下：

function [denoised, info] = spectrum_subtraction(x, fs, params) % 频谱减法定量语音降噪 % 输入: x - 带噪语音列向量; fs - 采样率; params - 参数字典 % 输出: denoised - 降噪后语音; info - 调试信息结构体 if nargin < 3 params = struct(); end % ---- 默认参数设置 ---- if ~isfield(params, 'framelen'), params.framelen = 25; end % 帧长 25ms if ~isfield(params, 'hoplen'), params.hoplen = 10; end % 帧移 10ms if ~isfield(params, 'alpha'), params.alpha = 3.0; end % 过减因子 if ~isfield(params, 'beta'), params.beta = 0.01; end % 谱下限系数 if ~isfield(params, 'noise_frames'), params.noise_frames = 10; end % 噪声估计帧数 % ---- 数据预处理 ---- x = x(:); % 强制转列向量 x = x / max(abs(x) + eps); % 归一化，防止后续幅度溢出 % ---- 帧参数换算 ---- nfft = 2 ^ nextpow2(round(fs * params.framelen / 1000)); hop = round(fs * params.hoplen / 1000); win = hann(nfft, 'periodic'); % 周期汉宁窗，匹配频谱分析 % ---- 分帧 ---- nframes = floor((length(x) - nfft) / hop) + 1; frames = zeros(nfft, nframes); for i = 1:nframes start_idx = (i - 1) * hop + 1; frames(:, i) = x(start_idx : start_idx + nfft - 1) .* win; end % ---- 频域变换与幅度谱 ---- spec = fft(frames, nfft, 1); mag = abs(spec); phase = angle(spec); % ---- 噪声幅度谱估计 ---- noise_mag = mean(mag(:, 1:params.noise_frames), 2);

这段代码里最值得注意的是两处：一是hann(nfft, 'periodic')里的periodic选项，它生成的窗函数首尾都为 0，更适合频谱分析和帧重建；二是nextpow2的使用，把帧长补到 2 的整数次幂，FFT 计算更快，也方便后续与窗函数长度对齐。归一化那一步虽然简单，但能避免后续谱减时数值溢出，属于实测里很容易踩的细节坑。

继续看谱减和重建部分：

% ---- 频谱减法核心 ---- mag_enhanced = max(mag - params.alpha * noise_mag, params.beta * mag); % ---- 结合带噪相位，逆变换回时域 ---- spec_enhanced = mag_enhanced .* exp(1i * phase); frames_enhanced = real(ifft(spec_enhanced, nfft, 1)); % ---- 重叠相加重建 ---- denoised = zeros(length(x), 1); win_sum = zeros(length(x), 1); for i = 1:nframes start_idx = (i - 1) * hop + 1; denoised(start_idx : start_idx + nfft - 1) = ... denoised(start_idx : start_idx + nfft - 1) + frames_enhanced(:, i); win_sum(start_idx : start_idx + nfft - 1) = ... win_sum(start_idx : start_idx + nfft - 1) + win; end % 等重叠相加：除以窗函数叠加和，消除调制伪影 denoised = denoised ./ max(win_sum, eps); % ---- 输出调试信息 ---- info.nframes = nframes; info.nfft = nfft; info.hop = hop; info.noise_mag = noise_mag; end

这里过减因子 (\alpha) 乘的是整个噪声幅度谱估计，而不是逐频点变化，属于经典频谱减法的标准做法。(\beta) 的作用是给谱减结果一个下限，防止某些频点被减去过多导致音乐噪声。重建部分最关键的是最后一步win_sum归一化——因为窗函数叠加后幅度不为 1，直接重叠相加会产生明显的周期性起伏，俗称“过车声”。这是最容易被人忽略但影响很大的一步。

3.3 主程序怎么调用：文件读取、参数传递与结果输出

核心函数写好后，主程序的作用就是拼接整个实验流程。denoise_demo.m的典型结构如下：

%% 1. 读取带噪语音 [x, fs] = audioread('audio/noisy_sample.wav'); if size(x, 2) > 1 x = mean(x, 2); % 双声道转单声道 end %% 2. 设置降噪参数 params = struct(); params.framelen = 25; % 帧长 25ms params.hoplen = 10; % 帧移 10ms params.alpha = 3.0; % 过减因子 params.beta = 0.01; % 谱下限 %% 3. 执行降噪 [denoised, info] = spectrum_subtraction(x, fs, params); %% 4. 保存结果 audiowrite('audio/denoised_output.wav', denoised, fs); %% 5. 画图对比 t = (0:length(x)-1) / fs; figure; subplot(2,1,1); plot(t, x); title('带噪语音波形'); subplot(2,1,2); plot(t, denoised); title('降噪后语音波形');

audioread读进来如果是双声道，直接取均值混成单声道是一种常见做法，因为语音降噪实验通常假设单声道输入。参数结构体params的设计让后续批量实验变得很方便——你可以循环修改alpha和beta跑多组实验，不用改函数内部代码。

运行之后第一件事是听降噪前后的音频，再对照波形图看幅度变化。如果降噪后听起来有“水声”或“嘶嘶声”，十有八九是过减因子设太大需要回调。这段听感判断虽然没有量化指标，但在参数调试阶段是最快的反馈方式。

4. 把带噪语音跑通全流程：分帧参数、窗函数与噪声估计的匹配

4.1 帧长、帧移与窗函数怎么搭配

分帧参数的选择直接影响降噪效果，也直接影响算法的实时性。实验中常见的坑是把帧长设得过长——比如 50 毫秒——这时语音在一帧内已经不平稳了，频谱减出来的结果会显得“浑浊”。反过来，帧长太短比如 10 毫秒，频率分辨率不足，噪声减不干净。

下面这张表是几组常用参数组合，可以直接套用：

窗函数的选择上，源码默认汉宁窗。汉明窗（Hamming）的旁瓣更低，但主瓣稍宽；在噪声估计和谱减场景里，汉宁窗因为主瓣窄、频率分辨能力好，通常比汉明窗更合适。你可以在实验里把自己实现里的hann换成hamming跑一遍，比较语谱图的差别，这个练习比看十篇博客都直观。

4.2 噪声估计的两种方式：前导静音段与自适应估计

源码包里estimate_noise.m提供了两种噪声估计方式。第一种是最经典的前导静音段估计法——假设语音文件开头有一段只有噪声没有说话声，取前若干帧的平均幅度谱作为噪声估计。这种方式简单可靠，但有个明显前提：录音头部的确存在静音段。

第二种是自适应噪声估计，常见做法是最小值统计法（Minimum Statistics）：对当前帧附近若干帧的幅度谱取最小值，作为该时刻的噪声估计。这个方法不需要静音段先验，对非平稳噪声更鲁棒，但计算量大，参数更敏感。

调用两种估计方式的接口设计如下：

%% 方式1：固定前导静音段估计 noise_mag1 = estimate_noise(mag, 'fixed', 'noise_frames', 10); %% 方式2：自适应最小值统计估计 noise_mag2 = estimate_noise(mag, 'adaptive', 'smooth_factor', 0.7, 'min_frames', 5);

实际使用中，如果你处理的是教学录音或者朗读语料，前导静音段估计法已经够用。如果测试语音是从电影或电话录音里截取的，没有干净的静音段，那就必须走自适应路线，否则谱减之后的残余噪声会非常明显。这种选型上的取舍，在真实项目里比你调任何参数都重要。

4.3 完整运行示例：标准带噪样本的处理前后对比

源码包的audio/目录下预置了干净语音和合成带噪语音。你可以用一条命令把整个实验跑完：

% 读取干净语音 [clean, fs] = audioread('audio/clean_speech.wav'); % 合成带噪语音：叠加高斯白噪声，信噪比 10dB noise = 0.05 * randn(size(clean)); noisy = clean + noise; % 执行降噪 [denoised, ~] = spectrum_subtraction(noisy, fs, params); % 播放对比 sound(clean, fs); pause(2); sound(noisy, fs); pause(2); sound(denoised, fs);

用randn生成的高斯白噪声与语音叠加，是验证降噪算法最标准的方式，因为白噪声频谱平坦，噪声估计比较稳定，谱减效果容易观察。等这一段跑通之后，再换成实际录音里的环境噪声（风扇声、键盘声），你会立刻发现效果变差——这不是算法不行，而是噪声的平稳性变了。用一个非平稳噪声测试时，你会发现前导静音段估计法基本失效，必须换自适应策略。这种“从合成到真实”的测试路径，是语音增强实验里最有价值的步骤。

5. 常见问题与避坑记录：频谱减法在真实语音上的五个坑

5.1 底噪不减反增，问题出在噪声估计段

现象：处理一段安静环境下录的语音，降噪后背景底噪不仅没小，反而出现了持续的“隆隆”声。

原因：噪声估计帧选取得太少，或者估计帧里混进了语音起始的爆破音。当噪声幅度谱估计值偏大时，谱减会过度削减某些频段，而其余频段保留了原始底噪，形成频谱上的“空洞”，听感上反而觉得噪声变大。我曾经用从第 5 帧开始估计噪声，结果那几帧恰好有唇齿音，整个处理效果直接崩了。

解决：把noise_frames调大到 15～20 帧，并且检查用于估计的帧里有没有明显的语音能量。更稳妥的做法是先画出前几帧的波形或语谱图确认静音段，再设置参数。另一个办法是把噪声估计从固定前导段改为滑动平均：

% 用前20帧的平均幅度谱做噪声估计 noise_mag = mean(mag(:, 1:20), 2);

5.2 降噪后出现音乐噪声，过减因子设大了

现象：降噪后的语音听起来有一种“水声”或“金属声”，像背景里有人在弹电子琴。这就是典型的音乐噪声（Musical Noise）。

原因：频谱减法本质上是非线性处理。过减因子 (\alpha) 太大时，某些频点的幅度被减到接近零，而这些频点在相邻帧之间随机出现和消失，形成听感上刺耳的孤立频点。这几乎是频谱减法最著名的副作用，所有做语音增强的人迟早会遇到。

解决：把 (\alpha) 从 3.0 回调到 1.5～2.5 之间，同时把 (\beta) 从 0.01 稍微提高到 0.05～0.1，给每个频点一个下限，避免幅度被减到零。音乐噪声无法完全消除，只能抑制到可接受范围。这是频谱减法这类方法的边界，理解这点比追求完美降噪更有价值。实测经验是：(\alpha) 在 2.0 附近、(\beta) 在 0.05 附近，对大多数语料都算是个相对安全的折中点。

5.3 重建语音有断点，分帧参数与 ISTFT 不匹配

现象：降噪后的语音波形看起来正常，但听感上声音发“卡”，尤其是辅音部分有丢失感，像音频文件被截断了一样。

原因：帧移长度与窗函数长度、叠加方式之间不匹配。常见错误是分帧时frame_step设置为 10ms，但逆变换重建时窗函数叠加后没有做归一化，导致每帧边界处出现幅度调制。另一个常见原因是帧长不是 FFT 点数的整数倍，导致ifft结果无法完美对齐。

解决：严格按下面对齐逻辑来。帧长nfft必须是窗函数长度，帧移hop要小于帧长，重叠相加后用win_sum归一化。这段代码我在实际项目中用过很多次，可以照抄：

nfft = 512; % 帧长对应的 FFT 点数 hop = nfft / 4; % 75% 重叠 win = hann(nfft, 'periodic'); % 重叠相加后要除以窗叠加和 denoised = denoised ./ max(win_sum, eps);

5.4 保存文件失真，音频格式与数据类型没对齐

现象：audiowrite保存出来的 wav 文件播放时声音很小或带有爆音。

原因：audiowrite默认把浮点数据归一化到 [-1, 1]，如果降噪后的denoised数组里有超出这个范围的值，保存时会被截断，导致爆音。另外，如果原始音频是 16bit PCM 读进来的整数型，MATLAB 的audioread会把它转成 double 类型，但数值范围是 [-1, 1]；如果你自己合成噪声、叠加之后没有重新归一化，很容易超出范围。

解决：在保存之前强制做一次归一化，这是最保险的通用处理：

% 保存前归一化，防止截断 denoised = denoised / max(abs(denoised) + eps); audiowrite('audio/denoised_output.wav', denoised, fs);

如果你需要保存成 16bit PCM，可以用audiowrite(..., 'BitsPerSample', 16)指定位深，但前提是数据值范围在 [-1, 1] 内。

5.5 处理长语音时内存撑不住，批处理要换思路

现象：处理一段 10 分钟以上的长录音时，MATLAB 占用内存飙升，甚至出现“内存不足”的报错。

原因：spectrum_subtraction在函数内部一次性读入整段语音后分帧，而语谱图处理需要存储所有帧的复数频谱。以 16kHz 采样、512 点 FFT 为例，10 分钟录音约有 19000 帧，每帧 512 个复数点，算上各类中间变量，轻松超过 1GB 内存。一次性处理整段音频是这类实验里最容易忽略的资源问题。

解决：把长音频切片处理，每段处理 5~10 秒，处理完拼接回去。拼接时相邻片段各保留 1 秒重叠，用线性淡入淡出消除接缝。核心思路是：算法本身不费内存，费内存的是“一次性全装进来”。切片处理能把峰值内存降一个数量级，这也是工程实践和教学实验的一个重要分界线。

6. 验证降噪效果的三个硬指标：波形、语谱图与信噪比提升

6.1 用波形和语谱图做肉眼判断

波形和语谱图是验证降噪效果最直观的工具。波形能看出幅度变化和端点位置是否被破坏；语谱图能看出噪声频段是否被抑制、语音的共振峰结构是否保留。

画语谱图的代码们可以直接嵌进你的实验脚本：

figure; subplot(2,1,1); spectrogram(noisy, hann(256), 128, 512, fs, 'yaxis'); title('带噪语音语谱图'); subplot(2,1,2); spectrogram(denoised, hann(256), 128, 512, fs, 'yaxis'); title('降噪后语谱图');

判断要点就两个：一是低频段和高频段的底色是否变浅，二是语音频段的亮色条纹是否保持连续。如果底色变浅但亮条纹也断了，说明过减太狠，辅音被误伤。好的降噪结果是“噪声底色明显变浅，语音条纹基本不动”。

6.2 计算 segSNR：逐帧信噪比才是靠谱的对比

波形和语谱图是定性判断，量化对比要靠分段信噪比（segSNR）。这个指标是把语音切成若干短帧，逐帧计算信噪比再取平均，比全局信噪比更贴近人耳听感。源码包里的seg_snr.m可以直接调用：

snr_before = seg_snr(clean, noisy, fs); snr_after = seg_snr(clean, denoised, fs); fprintf('降噪前 segSNR: %.2f dB\n', snr_before); fprintf('降噪后 segSNR: %.2f dB\n', snr_after);

如果你没有干净语音做参考，还需要一个盲评估指标，常见做法是计算降噪前后的短时能量谱包络方差，方差越小说明残留噪声越平稳。但教学实验里，有干净语音就直接用 segSNR，不用绕弯路。一组值得记录的数据是：10dB 白噪声输入下，经典频谱减法通常能把 segSNR 提升 3~6dB；提升超过 8dB 时，音乐噪声往往已经非常明显。这个区间值可以作为你调试参数的标尺。

6.3 批处理与参数自动寻优脚本

当你需要系统性调参时，手动一次次改参数再听效果会把人逼疯。常见做法是写一个简单循环，让脚本自己跑多组参数组合，把所有结果记录到一张表格里：

results = table(); alpha_list = [1.0, 1.5, 2.0, 2.5, 3.0]; beta_list = [0.01, 0.03, 0.05, 0.1]; idx = 1; for a = alpha_list for b = beta_list params.alpha = a; params.beta = b; denoised = spectrum_subtraction(noisy, fs, params); snr = seg_snr(clean, denoised, fs); results(idx).alpha = a; results(idx).beta = b; results(idx).snr = snr; idx = idx + 1; end end % 按 snr 排序找出最优组合 results = struct2table(results); results = sortrows(results, 'snr', 'descend'); disp(results(1:5, :));

不过我得提醒一句：按照 segSNR 选出最优参数，并不一定等于听感最好。这个实验里有个很有趣的现象——某组参数让 segSNR 提升了 7dB，听感上却满是音乐噪声，反而不如提升 4dB 的一组参数舒服。从那以后，我每次做语音增强实验都强制走一遍“参数扫描 + 听感确认”的双重验证，数学指标只是方向标，耳朵才是最终裁判。这套源码包的价值不在于给你标准答案，而是让你有能力把每个环节拆开看、对比看，建立起自己的判断标准。希望帮到你。

本文还有配套的精品资源，点击获取