回答

这个问题可以分解为两个主要部分：1. 噪音抑制 (Noise Reduction) 和 2. 人声增强 (Voice Enhancement)。

我们将从简单到复杂，介绍几种不同的方法和对应的库。

核心库

在开始之前，请确保安装了必要的 Python 库：

# noisereduce 是一个专门用于降噪的库
pip install noisereduce

# librosa 和 soundfile 用于音频的读取和处理
pip install librosa soundfile

# pydub 用于简单的音频操作，如音量调整
pip install pydub

# scipy 提供了强大的信号处理工具，如滤波器
pip install scipy numpy

方法一：使用 noisereduce 库（最简单、最直接）

noisereduce 是一个基于谱减法 (Spectral Subtraction) 的降噪库，它非常易于使用，效果也很不错，特别适合处理有稳定背景噪音（如风扇声、空调声）的音频。

工作原理：

你提供一段纯噪音的音频片段（例如，说话前几秒的静音部分）。

库会分析这段噪音的频谱特征（“噪音轮廓”）。

然后，它会从整个音频的频谱中减去这个噪音轮廓，从而达到降噪的目的。

代码示例：

import soundfile as sf
import noisereduce as nr
import numpy as np

# 1. 读取音频文件
# soundfile.read 会返回音频数据（numpy array）和采样率
audio_data, sample_rate = sf.read("your_audio_with_noise.wav")

# 假设音频的前2秒是纯噪音
# 注意：如果你的音频数据是多声道的，需要先处理成单声道
if audio_data.ndim > 1:
    audio_data = np.mean(audio_data, axis=1) # 转为单声道

noise_len_seconds = 2
noise_clip = audio_data[:int(noise_len_seconds * sample_rate)]

# 2. 执行降噪
# prop_decrease 控制降噪的强度，值在 0 到 1 之间
reduced_noise_audio = nr.reduce_noise(y=audio_data, sr=sample_rate, y_noise=noise_clip, prop_decrease=1.0)

# 3. 保存处理后的音频
sf.write("audio_reduced_noise.wav", reduced_noise_audio, sample_rate)

print("降噪完成！文件已保存为 audio_reduced_noise.wav")

优点：

简单易用：几行代码就能搞定。

效果显著：对于稳态噪音效果很好。

缺点：

需要纯噪音片段：如果找不到纯噪音片段，效果会打折扣。

可能产生伪影：降噪强度过高时，可能会引入一些“音乐伪影”（musical artifacts），听起来有点像水流声。

方法二：结合传统信号处理技术（更灵活、更可控）

如果你想有更多的控制权，或者处理的噪音类型更复杂，可以结合使用滤波器和音量标准化等技术。

人声主要集中在 85Hz - 1100Hz 范围内。而很多背景噪音（如电流声、空调的嗡嗡声）是低频的。我们可以使用一个高通滤波器（High-pass Filter）来滤除这些低于人声基频的噪音。

from scipy.signal import butter, lfilter

def high_pass_filter(data, cutoff, fs, order=5):
    """
    设计并应用一个高通滤波器。
    :param data: 音频数据 (numpy array)
    :param cutoff: 截止频率 (Hz)
    :param fs: 采样率 (Hz)
    :param order: 滤波器阶数
    :return: 滤波后的数据
    """
    nyq = 0.5 * fs
    normal_cutoff = cutoff / nyq
    b, a = butter(order, normal_cutoff, btype='high', analog=False)
    y = lfilter(b, a, data)
    return y

# 假设 audio_data 和 sample_rate 已经加载
# 为人声设置一个合理的截止频率，比如 80Hz
filtered_audio = high_pass_filter(audio_data, cutoff=80, fs=sample_rate)

降噪后，我们可能需要对人声本身进行增强，使其更清晰、更突出。

a) 音量标准化 (Normalization)将音频的峰值调整到一个标准水平（如 -1 dBFS），可以防止削波并确保音量一致。

import numpy as np

def normalize(data, target_dbfs=-1.0):
    """将音频标准化到目标分贝水平"""
    peak = np.max(np.abs(data))
    if peak == 0:
        return data

    # 计算需要的增益
    ratio = 10**(target_dbfs / 20.0)

    # 应用增益
    normalized_data = data / peak * ratio
    return normalized_data

# 标准化上面滤波后的音频
normalized_audio = normalize(filtered_audio)

b) 动态范围压缩 (Dynamic Range Compression)压缩器可以减小音频中最大声和最小声的差距。这能让人声中较轻柔的部分变得更清晰，而不会让大声的部分变得刺耳。pydub 库可以很方便地实现这个功能。

from pydub import AudioSegment
from pydub.effects import compress_dynamic_range
import io

# 需要先将 numpy array 转换为 pydub 的 AudioSegment 对象
# 注意：需要知道原始音频的位深度 (sample_width)
# 假设是16-bit PCM
audio_segment = AudioSegment(
    normalized_audio.tobytes(),
    frame_rate=sample_rate,
    sample_width=normalized_audio.dtype.itemsize, # 假设是 float32，则为 4
    channels=1
)

# 应用动态范围压缩
compressed_audio_segment = compress_dynamic_range(audio_segment)

# 如果需要，可以再转换回 numpy array 进行后续处理
# compressed_audio_data = np.array(compressed_audio_segment.get_array_of_samples())
# ...

# 或者直接导出
compressed_audio_segment.export("audio_enhanced.wav", format="wav")

方法三：使用深度学习模型（效果最好、最前沿）

对于非稳态、复杂的背景噪音（如街道声、其他人说话的声音），传统方法效果有限。这时，深度学习模型就派上用场了。这些模型通过在大量数据上训练，学会了区分人声和各种噪音。

推荐模型：Facebook's DemucsDemucs 最初是为音乐源分离（将鼓、贝斯、人声等分离）而设计的，但它在分离人声和背景噪音方面表现极其出色。

如何使用：

安装 demucs:

pip install -U demucs

注意：可能需要 PyTorch，如果安装时遇到问题，请先根据你的 CUDA 版本（或CPU）安装 PyTorch。 pip install torch torchvision torchaudio

使用命令行工具（最简单）:demucs 提供了一个非常方便的命令行工具。

# --two-stems=vocals 会将音频分离成 "人声" 和 "其他"
python -m demucs --two-stems=vocals "your_audio_with_noise.wav"

执行后，会在一个名为 separated/htdemucs 的目录下找到两个文件：

vocals.wav (纯净的人声)

no_vocals.wav (背景噪音)

优点:

效果顶尖：能够处理极其复杂的噪音场景，分离出的人声非常干净。

无需噪音样本：模型是预训练好的，不需要你提供纯噪音片段。

缺点:

计算密集：处理速度比传统方法慢，可能需要 GPU 来加速。

环境配置：依赖 PyTorch，环境配置可能比普通库复杂一些。

总结与建议

快速入门/处理稳态噪音：

首选 noisereduce。它简单、快速，效果立竿见影。

需要精细控制/学习原理：

使用 scipy.signal 进行滤波（如高通滤波），再结合 pydub 或自定义的标准化、压缩函数进行人声增强。这是一个很好的学习信号处理的实践。

追求最佳效果/处理复杂噪音：

毫无疑问，选择 demucs 这样的深度学习模型。它代表了目前最先进的水平，能给你带来惊喜。

完整流程建议：一个通用的高质量处理流程可以是：

使用 demucs 分离出纯净人声。

对分离出的人声 vocals.wav 文件，使用 pydub 或其他工具进行音量标准化和动态范围压缩，使其听感更好。