03 噪声抑制与端侧 AI 降噪¶

1. 硬件解决什么问题：复杂多变环境非平稳噪声的智能剥离¶

传统的经典降噪算法（如谱减法 Spectral Subtraction、维纳滤波 Wiener Filter）基于一个核心假设：背景噪声是统计平稳的（Stationary Noise，如风扇嗡嗡声、汽车胎噪）。它们通过在静音段估计底噪功率谱，然后从带噪语音中减去该噪声估计。

然而在现实生活中，绝大多数严重破坏通话的噪声是非平稳的突发噪声（Non-stationary Noise）：如键盘敲击声、餐厅碗碟碰撞声、婴儿啼哭、犬吠或汽车鸣笛。经典算法无法跟踪这种毫秒级突发瞬态。

端侧轻量化深度学习降噪（AI-NS，如 RNNoise / 卷积循环网络 CRN）通过大量带噪人声与环境噪声数据集的离线监督训练，能够精准从复杂杂音中将人声谐波指纹剥离提纯。

2. 硬件微架构与组成：经典与 AI 混合降噪流水线¶

graph TD
    subgraph Feature_Extraction["前端特征工程 (DSP 定点流水线)"]
        IN_PCM["输入带噪音频 (16kHz PCM)"] --> STFT["短时傅里叶变换 (STFT / 20ms 窗)"]
        STFT --> BARK_SCALE["人耳听觉巴克频带能量 (Bark Bands / 22~32 频段)"]
        STFT --> PITCH_CORR["基频音高相关性 (Pitch Correlation)"]
    end

    subgraph Neural_Network_Core["轻量化神经网络推断 (DSP SIMD / 微型 NPU)"]
        BARK_SCALE --> GRU_LAYER1["门控循环单元层 1 (GRU: 48 神经元)"]
        PITCH_CORR --> GRU_LAYER1
        GRU_LAYER1 --> GRU_LAYER2["门控循环单元层 2 (GRU: 32 神经元)"]
        GRU_LAYER2 --> DENSE_OUT["全连接层 -> 输出理想频带增益掩码 (Ideal Ratio Mask, IRM)"]
    end

    subgraph Reconstruction["时域声学合成重建"]
        DENSE_OUT --> GAIN_MUL["谱增益相乘加权 G(k) * X(k)"]
        STFT --> GAIN_MUL
        GAIN_MUL --> ISTFT["逆快速傅里叶变换 (ISTFT)"]
        ISTFT --> CLEAN_PCM["纯净降噪人声输出"]
    end

3. 经典降噪与 AI 深度降噪核心指标对比¶

降噪技术路线	核心数学/模型机制	典型算法代表	稳态噪声抑制	突发非稳态噪声抑制	DSP 算力消耗
经典谱估计算法	谱减法 / 维纳滤波 / 最小统计量追踪	OMLSA / MCRA	良好 (\(15\text{ dB}\))	极差 (产生明显音乐噪声)	极低 (< 5 MIPS)
混合特征 AI 降噪	听觉子带特征 + 循环网络 (GRU/LSTM)	RNNoise	优秀 (\(25\text{ dB}\))	极佳 (\(20\text{ dB}\)，敲击声消除)	适中 (20~40 MIPS)
端到端深度时域模型	编码器-解码器卷积网络 (Wave-to-Wave)	Conv-TasNet	极致 (\(35\text{ dB}\))	极致 (人声完全纯净)	极高 (> 200 MIPS)

4. 软硬件设计约束¶

音乐噪声（Musical Noise）抑制：经典谱减法在 SNR 较低时，由于噪声谱随机波动的截断，会在频域留下离散的孤立能量尖峰，转换到时域听起来像外星人说话或水滴声（音乐噪声）。算法中必须设置增益下限阈值（Gain Floor，通常设为 \(-15\text{ dB} \sim -20\text{ dB}\)），宁可保留微弱背景底噪，也决不引入非自然的人工合成杂音。
端侧模型内存驻留（Memory Footprint）：面向 TWS 耳机与手表的 AI-NS 模型，其参数量必须严格压缩在 \(50\text{ KB} \sim 150\text{ KB}\) 范围内，并全面量化为 INT8 定点权重，使其能够完全塞入 DSP 的 DTCM 内部执行，杜绝片外内存访存功耗。