

##引言

做音频处理时，有几个操作几乎每次都会用到：降噪、动态压缩、格式导出。大多数教程只讲操作步骤——"点这个按钮、调那个参数"——但很少解释这些参数背后的信号处理逻辑。本文以Audacity为工具载体，梳理这三个高频操作的技术原理，以及参数取值的原因。
![屏幕截图 2026-07-22 110012.png](https://developer.qcloudimg.com/http-save/yehe-11953936/91584e9a8906f19d401148fd06327846.png)

##一、降噪：频谱减法的基础原理

Audacity的降噪效果器基于**频谱减法（Spectral Subtraction）**，这是实时性要求不高的场景下最常用的单通道降噪算法。

###1.1算法流程

分为两个阶段：

**噪声采样阶段**：用户选中一段"纯噪声"片段（通常取录音开头未说话时的1-2秒），算法对这段信号做短时傅里叶变换（STFT），得到噪声的功率谱密度估计 `|N(ω)|²`。

**降噪应用阶段**：对整段音频逐帧做STFT，每帧的幅度谱减去噪声功率谱，得到"干净"信号的幅度谱估计：

```
|Ŝ(ω)|² = max(|Y(ω)|² - α·|N(ω)|², β·|Y(ω)|²)
```

其中：
- `α`（过减因子）：对应Audacity的"降噪(dB)"参数。数值越大，减去的噪声越多，但也更容易削掉弱语音成分。
- `β`（频谱地板）：对应"灵敏度"参数，设定一个下限，防止某帧能量被减到零（零能量帧在逆变换后会产生刺耳的人工痕迹，即"音乐噪声"）。

###1.2参数取值原理

**降噪12-18dB**：这个范围对应的α约为4-8倍。为什么不是更高的值？因为语音的弱辅音（如/s/、/f/、/θ/）在高频段的能量可能仅比背景噪声高6-10dB。α设置过高时，这些辅音会被误判为噪声一同减去，导致语音"闷"——听起来像隔了一层布。

**灵敏度6**：控制β的值。灵敏度越低（数字越大），β越小，降噪更激进但残留"音乐噪声"越多；灵敏度越高，β越大，降噪更保守但语音保留更完整。6是一个平衡点。

**频段平滑3**：对相邻频段的减法结果做平滑处理。频域上的突变（某一帧某个频段能量骤降但相邻频段不变）在人耳中感知为不自然的"流水声"，平滑操作可以减少这种人工痕迹。

###1.3频谱减法的局限性

这个算法的核心假设是**噪声是稳态的**——即噪声的频谱特征在整个录音过程中不变。这对于空调噪音、电脑风扇、白噪音是成立的，但对于以下场景不适用：
- 突发瞬态噪音（桌椅碰撞、键盘敲击）：频谱特征变化太快，采样阶段的噪声模型无法描述。
- 非稳态环境噪音（咖啡馆中时有时无的对话声、街道车流声）：需要一个自适应更新的噪声模型，频谱减法做不到这一点。

对于瞬态噪音，更实际的做法是直接在波形上切掉——选中噪音片段后静音（Audacity中Ctrl+L），因为人耳对2-5ms的声音中断不敏感。

##二、动态压缩：缩小音量差距的信号处理逻辑

###2.1为什么需要压缩

假设录制了一段对话，提问者距离麦克风15cm、声音洪亮，受访者距离50cm、说话轻柔。两者的峰值可能差12-15dB。直接标准化到-1dB时，洪亮部分达到-1dB，轻柔部分仅-13dB左右——播放时音量差异明显。

标准化的局限在于它是**线性操作**——对整个信号做统一的增益放大。压缩器是非线性的——高于阈值的部分被衰减（压缩），低于阈值的部分不变，从而缩小了大小声之间的差距。

###2.2参数选择的技术依据

**阈值-18dB**：对话录音的RMS电平通常在-20dB到-12dB之间。阈值设在-18dB意味着：正常说话时压缩器不启动（信号低于阈值），大声说话或突发笑声时启动压缩。如果阈值设得太低（如-30dB），压缩器一直处于工作状态，整体动态被过度压缩，听起来"平的"——没有抑扬顿挫。

**压缩比3:1**：对于对话/播客类内容，3:1是标准起点。含义是：高于阈值的部分，每3dB输入只产生1dB输出。2:1过于保守（效果不明显），4:1开始有"挤压感"。

**起音时间10ms**：压缩器检测到信号超过阈值后，多久开始工作。10ms对语音是合适的——辅音的起始瞬态（如/p/、/t/、/k/的爆破）通常持续10-30ms，过短的起音时间会削掉这些辅音的能量。如果做的是音乐（尤其是打击乐），起音时间可能需要更长（20-30ms）来保留鼓点的冲击感。

**释放时间100ms**：信号回落到阈值以下后，压缩器多久停止工作。过短（<50ms）会导致压缩器在音节之间反复开关，产生泵动效应（pumping）；过长（>200ms）会导致一个大声单词后的几个轻声单词也被持续压缩。100ms对中文语音的语速是合适的。

###2.3操作顺序的工程原因

正确顺序：**先压缩，再标准化**。如果反向操作，标准化先把峰值拉到-1dB，压缩器再对高于-18dB的部分做3:1压缩——这意味着峰值被压低，最终整体响度反而偏低，需要二次标准化。两步并作一步，先压缩后标准化，一次到位。

##三、MP3编码与比特率选择

###3.1为什么要单独配置FFmpeg

Audacity基于GPLv3开源协议发布，MP3编码涉及MPEG的专利（虽然在2017年已过期，但Audacity的设计决策早于专利过期时间）。为避免许可证合规风险，Audacity不内置MP3编码器，而是通过FFmpeg库间接支持。配置时需下载FFmpeg的shared版本并定位到其中的`avformat-*.dll`文件。

FFmpeg本身是LGPL/GPL双协议，动态链接时不要求调用方开源。Audacity通过运行时加载FFmpeg的dll来规避GPL传染——这是开源软件边界管理的一个经典案例。

###3.2比特率选择的工程权衡

MP3是有损压缩，核心原理是**感知编码（Perceptual Coding）**——利用人耳的听觉掩蔽效应，丢弃"理论上听不到"的频段信息来压缩数据。

三个常用比特率的实际表现：

- **128kbps CBR**：编码后的频谱在16kHz以上有明显衰减。对于纯语音内容勉强可用，但高频细节（齿音、空气感）有可感知损失。
- **192kbps CBR**：最常用的"透明"比特率。在ABX双盲测试中，大多数听众无法区分192kbps MP3和原始WAV。这是播客和有声书的事实标准。
- **320kbps CBR**：文件体积比192kbps大约66%，但在语音内容上的感知质量提升微乎其微。主要价值在于音乐存档场景（管弦乐的极高频泛音和瞬态丰富的打击乐）。

###3.3单声道还是立体声

对话类内容强制导出为单声道有两个理由：
1. **数据冗余**：如果原始录音是单麦克风→单声道，导出立体声只是把同一条波形复制到左右两个声道，文件大小翻倍但没有任何额外的信息量。
2. **定位错误**：如果单声道内容以立体声播放，声场定位在正中央（左右声道完全一致），实际上没有坏处。但如果不是完全一致（比如一个声道有略微不同的底噪），反而会造成错误的声场偏移。

##四、内录（系统音频录制）的技术路径

录制电脑内部播放的声音有两条技术路径：

**Stereo Mix（立体声混音）**：声卡驱动层面的一个虚拟录音设备，把正在播放的所有音频流混合后输出为一个录音信号。本质上是声卡驱动的功能，不是操作系统层面的。部分笔记本声卡（尤其是Realtek低端型号）出于版权保护考虑不提供此功能。

**WASAPI Loopback**：Windows Audio Session API的环回模式。Vista之后引入，是操作系统层面的音频捕获机制，不依赖声卡驱动。它捕获的是某个音频端点的输出流，而非声卡层面的混音。优点是所有Win10/Win11系统都支持，缺点是只能捕获一个音频设备（通常是默认播放设备）的输出。

选择建议：优先用WASAPI Loopback（兼容性好），如果对延迟敏感或需要捕获多设备混合输出，再用Stereo Mix。

---

本文涉及的信号处理概念在任何音频编辑软件中都适用——Audacity只是载体。理解了参数背后的原理，换到其他工具（Audition、Ocenaudio、Reaper）也只是操作界面的差异。文中所有操作以Audacity 3.x中文界面为准，安装包和FFmpeg配置指引可以从audacity.ijinshan.com获取，上文提到的shared版本选择、dll定位路径等在站内也有对应说明，无需去英文官网翻文档。

做音频处理时，有几个操作几乎每次都会用到：降噪、动态压缩、格式导出。大多数教程只讲操作步骤——"点这个按钮、调那个参数"——但很少解释这些参数背后的信号处理逻辑。本文以Audacity为工具载体，梳理这三个高频操作的技术原理，以及参数取值的原因。

音频处理中降噪、压缩和格式选择的技术原理——以Audacity为例

音视频

编程语言

开发工具

Audacity音频处理核心技术解析：降噪采用频谱减法，动态压缩优化音量平衡，MP3编码详解比特率选择。掌握参数原理，提升语音处理质量，适用于播客、有声书等场景。

数据冗余

代码解释

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

音频处理中降噪、压缩和格式选择的技术原理——以Audacity为例-腾讯云开发者社区-腾讯云

音频处理中降噪、压缩和格式选择的技术原理——以Audacity为例

音频处理中降噪、压缩和格式选择的技术原理——以Audacity为例

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐