语音增强是什么？把嘈杂的录音变清楚

语音增强（Speech Enhancement）是把受噪声、混响等干扰的语音变得更清晰的技术。地铁里打电话的背景噪音、会议室里的回声、多人同时说话的串音，都会让语音听不清、识别不准。语音增强要做的，就是在去掉这些干扰的同时，尽量完整地保留原本说话人的声音，让人听得更清楚，也让语音识别系统识别得更准确。

它包含哪些任务

噪声抑制：去掉风声、键盘声、空调声、街道噪音等背景噪声。去混响：消除在大房间里说话产生的回声和混响。语音分离：把多个人同时说话的混合声音分开成各自独立的声音，也就是著名的“鸡尾酒会问题”。目标说话人提取：给定某个人的声音样本，只把这个人的声音从混合音频里提取出来。语音修复：补全因网络丢包或录音损坏而缺失的语音片段。

技术演进

语音增强的研究可以追溯到上世纪 70 年代，早期方法主要基于信号处理和统计模型，比如谱减法、维纳滤波：估计出噪声的频谱，再从带噪语音里减掉。这类方法对平稳的噪声效果不错，但面对突然出现的、非平稳的噪声（比如突然的关门声、旁人说话）就力不从心，处理不好还会产生刺耳的“音乐噪声”。

深度学习带来了明显的提升：神经网络从大量“带噪语音和干净语音”的配对数据中学习，能处理各种复杂的噪声，甚至分离同时说话的多个人。如今的方法有的在频谱上估计掩码，有的直接在波形上处理，还有基于生成模型的方法，能把严重受损的语音“重建”出来。很多模型已经足够轻量，能在手机和耳机上实时运行。

应用

视频会议和在线课堂的降噪；手机通话和蓝牙耳机的通话降噪；助听器帮助听障人士在嘈杂环境中听清对话；语音助手和语音识别的前端处理，在识别前先把声音“洗干净”；录音和播客的后期修复；车载语音交互。