老舊錄音修復：利用 AI 消除黑膠雜音與磁帶嘶嘶聲
為什麼傳統降噪總是「連人聲一起吃掉」
傳統的降噪工具大致有三類。第一類是頻譜減法，原理是先「取樣」一段只有雜訊的段落，建立雜訊的頻譜模型，再從整段音訊裡把這個模型減掉。問題在於，真實音樂的頻譜是動態變化的，減掉一個靜態模型之後，你會聽到一種金屬感、水泡感的殘留，業界叫它「音樂雜訊（musical noise）」。第二類是雜訊閘或向下擴展器，低於門檻就壓低音量，結果是安靜段落的尾音被切得斷斷續續，出現「抽吸感」。第三類是低通或擱架式濾波，直接砍掉高頻，嘶聲沒了，但空氣感、泛音、空間殘響也全沒了。
根本原因是：傳統工具無法區分「穩定雜訊」和「穩定的音樂訊號」。一段持續的弦樂長音，在頻譜上看起來跟雜訊很像。AI 之所以能突破，正是因為它學過成千上萬個「有雜訊的音樂」與「乾淨的音樂」的配對，它知道弦樂長音該長什麼樣子、該有什麼樣的諧波結構，這不是規則可以寫出來的。
二、AI 修復的核心原理：它到底在「猜」什麼
理解原理不是為了炫技，而是為了知道「什麼時候該相信 AI、什麼時候該手動介入」。因為 AI 修復本質上是一種「有依據的猜測」，猜得對是還原，猜錯了就是造假。
三條主流技術路線
第一條是頻譜遮罩（Spectral Masking）。這是目前最主流、也最成熟的架構。做法是把音訊轉成頻譜圖（頻率 × 時間的熱圖），然後用一個類似 U-Net 的卷積網路，輸出一個「遮罩矩陣」——每個時頻格子上標示 0 到 1 之間的數值，代表「這格有多少比例是乾淨訊號」。把原頻譜乘上遮罩，再轉回時域波形，就完成了降噪。這種方法的優點是可控性高，你可以把遮罩視覺化，看清楚它到底在某些頻段做了什麼。
第二條是時域模型（Time-domain Modeling）。代表架構有 Conv-TasNet、DeepFilterNet、RNNoise 等。它不轉頻譜圖，直接吃原始波形，輸出乾淨波形。優點是延遲低、相位資訊保留得比較好，很適合即時通訊降噪。用在音樂修復上，它對瞬態的處理往往比頻譜遮罩更自然，但對寬頻嘶聲的抑制深度可能略遜一籌。
第三條是生成式模型（Generative Restoration）。這是最近成長最快的方向，包括 GAN 和擴散模型。它跟前面兩條路線的哲學完全不同：前面兩條是「減法」，盡量把雜訊拿掉；生成式是「加法」，它根據學到的音樂先驗，去重建那些被雜訊蓋掉的部分。比如一段被爆音打斷的鋼琴音，生成式模型可能會「補」出那個音的尾韻。聽起來很神奇，但風險也最高，因為它可能補出原本不存在的東西。這是目前 AI 修復最需要小心使用的一類工具。
AI 與傳統 DSP 的本質差異在哪裡
用一張表來說明會更清楚。
比較維度
傳統 DSP 降噪
AI 降噪／修復
判斷依據
固定規則、閾值、統計模型
訓練資料學到的訊號特徵
對穩態雜訊
有效，但易產生音樂雜訊
非常有效，殘留少
對非穩態雜訊
幾乎無能為力
可處理，視模型而定
瞬態保留
容易磨鈍
通常保留較好
可解釋性
高，參數意義明確
低，像黑盒子
過度處理風險
聽起來悶、抽吸
聽起來「假」、有合成感
運算需求
低，可即時
高，通常需要 GPU 或較長時間
這裡有一個關鍵觀念：AI 不是萬能，它是「另一種取捨方式」。傳統工具的問題是取捨太粗糙，AI 的問題是它的取捨你無法完全控制。所以最高品質的修復流程，永遠是「AI 做粗活、人耳做判斷、傳統工具做收尾」。把手動的頻譜編輯留給最頑固的那幾顆爆音，把 AI 留給大面積的底噪，這樣的組合效果最好。
三、完整工作流：從擷取到輸出的八個步驟
下面這套流程是實務上最穩定的做法。請注意，順序很重要——先處理低頻的穩態問題，再處理高頻，最後處理瞬態。反過來做會讓你反覆重工。
步驟 1 到 4：硬體準備、清潔、擷取與前處理
步驟一：硬體與訊號鏈。確保你的播放端本身不製造額外雜訊。唱盤的接地要接好，唱臂與唱頭的針壓、抗滑要按原廠建議設定。唱放（phono preamp）的品質直接決定底噪水平，如果你用的是內建唱放的入門唱盤，建議外接一台獨立的唱放。擷取端建議至少 24 bit / 96 kHz。很多人會問「黑膠的頻寬不是只到 20 kHz 嗎，為什麼要 96 kHz？」原因是取樣率越高，爆音這種極短瞬態的形狀保留得越完整，後續去爆音工具判斷起來就越準。24 bit 則是為了保留動態餘裕。
步驟二：清潔唱片與磁帶。黑膠的清洗效果遠比任何軟體修復都重要。用碳纖維刷乾刷只能去除表面浮塵，真正有效的是濕式清洗——無論是洗碟機、超音波清洗，或最克難的蒸餾水加軟毛刷。磁帶的部分，清潔磁頭、導帶輪、壓帶輪是基本功，但要注意老磁帶可能有「黏帶症候群」，播放前最好先低溫乾燥處理，否則會把磁帶扯壞。如果磁帶已經發霉，那要先處理霉斑再播放。
步驟三：擷取設定。原則只有一句話：擷取階段不要做任何處理。不要開任何等化、不要開任何降噪、不要用「黑膠模式」之類的預設濾波。你只需要設定好適當的錄音增益，讓峰值落在 -6 dB 到 -12 dB 之間，保留足夠餘裕。擷取完立刻備份一份原始檔到另一個硬碟或雲端，這是你唯一的「底稿」。
步驟四：前處理。檢查是否有直流偏移（DC offset），有的話先移除。檢查左右聲道的相位與平衡。檢查是否有過大的低頻能量（唱盤隆隆聲），如果有的話可以用很平緩的高通濾波器，例如在 20 到 30 赫茲處做 12 dB/oct 的衰減。這一步的目的不是美化，而是讓後面的 AI 工具不要浪費算力在不重要的問題上。
步驟 5 到 8：AI 除噪、去爆音、動態調整與輸出
步驟五：AI 去噪，分層處理。這是整篇最重要的觀念：不要想用一次處理解決所有問題。建議的順序是：先處理哼聲（50/60 Hz 及其諧波），再處理低頻隆隆聲，然後才進入寬頻降噪。寬頻降噪本身也建議分兩到三次做，每次的衰減量控制在 3 到 6 dB，而不是一次拉滿到 20 dB。為什麼？因為每一次處理都會留下微小的偽影，少量多次可以讓偽影分散、聽起來更自然；一次拉滿則會讓偽影集中在某個頻段，聽起來就很「數位」。
每次處理完，都要用 A/B 比對。具體做法是：把處理後與處理前的軌道並排，在同樣的播放位置反覆切換。特別注意兩件事——音樂的「起音」有沒有被磨圓？安靜段落的背景是不是變得「不自然的死寂」？如果後者成立，那你可能處理過頭了，因為真實錄音室裡也不存在絕對的數位靜音。
步驟六：去爆音與修補。去爆音工具通常有兩個參數最重要：偵測閾值（Threshold）與修補方式。閾值設太低，會把正常的打擊樂器也當成爆音處理；設太高，很多爆音會漏掉。建議先用自動偵測跑一遍，然後用「只顯示偵測到的位置」功能，人工巡一遍，把誤判的標記刪掉。修補方式通常有「插值」、「頻譜替換」等選項，對於單一爆音，插值是夠的；對於連續一大段的損壞（例如刮痕），就要用頻譜編輯手動處理。
步驟七：等化與動態微調。到這裡雜訊應該已經乾淨了，但聲音可能變得比較「薄」或「平」。這時候可以做一些溫和的調整：用寬頻的擱架式等化補回一點高頻的空氣感（但要小心不要把殘餘嘶聲一起放大），用輕微的壓縮讓整體動態更穩定。這一步的原則是「寧少勿多」，因為你面對的是歷史錄音，我們要的是還原，不是重新混音。
步驟八：輸出與備份。建議輸出三種版本：處理後的 24 bit / 96 kHz WAV 作為母帶保存；16 bit / 44.1 kHz 的版本用於 CD 或一般分享；以及一個壓縮過的格式（例如 FLAC 或高品質 AAC）用於串流或隨身播放。絕對不要在中間過程反覆轉檔，每一次有損轉檔都會累積劣化。另外，把所有的工作檔（含未處理的原檔）一起歸檔，因為五年後可能會有更好的 AI 工具，你隨時可以從原檔重來一次。
四、工具地圖：免費、開源與專業付費方案
工具選擇沒有絕對的好壞，只有「你的需求 × 你的預算 × 你的技術門檻」的組合。以下按類型介紹。
免費與開源選項
Audacity（搭配 OpenVINO AI 外掛）是目前最容易入門的組合。Audacity 本身就是免費的，加上 Intel 的 OpenVINO AI 外掛後，就有了 AI 音樂分離與 AI 降噪功能，在一般筆電上就能跑。它的降噪效果當然比不上專業付費工具，但對於「把家族老錄音修到可以聽」這個層級的需求，已經非常夠用。
DeepFilterNet 是開源的時域降噪工具，有命令列介面。它的強項是語音，對人聲錄音的嘶聲抑制效果相當好，而且延遲低。用它來處理訪談、口述歷史這類以人聲為主的錄音，是 CP 值很高的選擇。缺點是它不是為音樂設計的，處理純音樂素材時要小心。
noisereduce 是一個 Python 套件，實作了多種降噪演算法，包含基於深度學習的版本。如果你會寫一點 Python，它的彈性非常大，可以自己控制時間常數、頻率平滑等參數，很適合做批次處理。
Demucs 是 Meta 開源的音源分離模型，可以把音樂拆成人聲、鼓、貝斯、其他四個軌道。這跟降噪有什麼關係？關係很大——你可以先把音樂拆成 stems，然後對不同 stem 用不同的降噪策略。人聲軌用語音降噪模型，鼓軌專門處理爆音，吉他與鍵盤軌用頻譜遮罩。這種「先分離再處理」的策略，往往能得到比直接降噪更好的結果。
FFmpeg 的 arnndn 濾鏡內建了 RNNoise 的模型，適合做自動化的批次降噪。如果你有一大批檔案要處理，寫個 shell script 會省下大量時間。
另外像是 Ultimate Vocal Remover（UVR） 這類整合型工具，雖然主打人聲分離，但它內含的多種模型其實也可以拿來當降噪器使用，社群裡有不少人這樣玩。它的優點是圖形介面友善、支援批次，缺點是設定選項較多，需要花點時間摸索。
付費與專業方案
如果要認真做，iZotope RX 幾乎是業界標準。它的光譜降噪（Spectral De-noise）可以讓你手動「教」它辨識雜訊輪廓，去爆音（De-click）、去炒豆聲（De-crackle）、去哼聲（De-hum）都是獨立模組，可以精細控制。它的對話隔離（Dialogue Isolate）與音樂再平衡（Music Rebalance）也整合了 AI 模型。價格不便宜，但它能處理的問題範圍最廣，對於有大量老錄音要整理的專案，投資回報率很高。
Steinberg SpectraLayers 的強項是視覺化頻譜編輯。它把音訊畫成一張可以「用畫筆塗抹」的圖，你可以直接用選取工具圈出某個爆音、某段嘶聲，然後刪除或替換。它近年也加入了多個 AI 模型，可以做自動分離與修復。對於那些 AI 自動處理不掉的頑固雜訊，SpectraLayers 的手動編輯能力非常關鍵。
Acon Digital Restoration Suite 是相對親民的專業選擇，它的模組化設計讓你可以只買需要的部分。它的 DeNoise 與 DeClick 在音樂修復上的表現相當自然，是不少母帶工程師的日常工具。
Waves Clarity Vx 系列則偏向人聲與對白處理，如果你的老錄音主要是口述、訪談、廣播側錄，它的效果非常好，而且操作相對簡單。
線上服務與批次處理的取捨
現在也有很多「上傳檔案、雲端處理、下載結果」的線上服務，例如各種 AI 降噪網站。它們的優點是不用安裝、不用算力，缺點是隱私與版權風險。如果你處理的是家族錄音或自己的創作，上傳通常沒問題；但如果是受版權保護的商業錄音，或者涉及個人隱私的內容，就要非常謹慎。另外，線上服務通常不讓你看見處理過程，你無法判斷它到底做了什麼，這在需要精細控制的專案裡是很大的限制。
五、實戰細節：參數怎麼調、雜訊怎麼分層
工具知道了，接下來是真正決定成品品質的部分。
分層處理的順序與邏輯
前面提過順序很重要，這裡給一個更具體的清單：
手動修補：針對剩下的頑固問題，用頻譜編輯處理。
每一步都要遵守「A/B 比對」與「少量多次」兩個原則。具體來說，寬頻降噪那個步驟，如果工具允許，我會建議第一次做 4 dB，聽一遍；第二次再做 3 dB，再聽一遍。兩次加起來 7 dB 的效果，通常比一次做 7 dB 自然得多。
關鍵參數與判斷標準
降噪強度（Reduction Amount）。這是最直觀的參數，但也是最容易濫用的。記住一個經驗值：對於底噪本來就不嚴重的錄音，3 到 6 dB 就夠了；對於狀況很差的老磁帶，可能需要 10 到 15 dB，但這種情況下你幾乎一定會聽到副作用。超過 15 dB 的降噪，除非使用生成式模型，否則很難不傷到音樂。
頻譜平滑度（Spectral Smoothing）。這個參數控制降噪曲線在頻率軸上的平滑程度。設太低，會出現窄頻的凹陷，聽起來像某些頻段被挖掉了；設太高，降噪效果會變弱，殘留較多。建議從中等值開始試，然後根據聽感微調。
時間平滑度（Temporal Smoothing / Attack & Release）。這個參數控制降噪量隨時間變化的快慢。太快會產生「抽吸感」，也就是背景音在音樂出現與消失之間明顯起伏；太慢則會讓短暫的雜訊（例如突然的一聲咳嗽）來不及被抑制。
判斷處理是否過頭，我建議用三個檢查點：
至於「過度處理」的三個典型徵兆，請務必記住：一是尾音被切斷或聽起來像被吸走；二是背景出現不自然的「數位死寂」，與音樂段落形成突兀對比；三是高頻樂器（鈸、弦樂泛音、人聲齒音）失去光澤，聽起來像蒙了一層布。
六、常見錯誤與進階技巧
新手最常踩的六個坑
第一，在擷取階段就開降噪。這是最致命的錯誤，因為你再也拿不回原始訊號了。務必保留未處理的原檔。
第二，一次把降噪拉到最大。前面已經說過很多次，但還是要再強調一次，因為這是絕大多數失敗案例的成因。
第三，只用單一工具處理全程。沒有一個工具能在所有雜訊類型上都最強。去哼聲、去爆音、去嘶聲，往往需要不同工具組合。
第四，忽略相位與立體聲問題。有些降噪工具會獨立處理左右聲道，導致立體聲像崩塌或相位偏移。處理後一定要檢查單聲道相容性。
第五，輸出時重複轉檔。WAV 轉 MP3 再轉回 WAV，每一次都會劣化。工作過程一律用無損格式。
第六，沒有保留原始檔與中間檔。修復是迭代的，你可能會想回到某一步重來。沒有備份就等於沒有退路。
讓成品更自然的進階策略
策略一：並行處理（Parallel Processing）。把原始訊號分成兩路，一路做較強的降噪，一路不處理，然後按比例混合。這樣可以保留一部分自然的底噪質感，聽起來不會那麼「真空」。很多專業修復師都會用這招，比例通常是七比三或八比二。
策略二：只在特定頻段處理。不要對全頻段做同樣的降噪。嘶聲集中在中高頻，你只需要在那個區間加強處理；低頻的隆隆聲用高通解決就好。有些工具支援「頻譜傾斜」或「頻段焦點」，善用它們。
策略三：先分離再處理。用 Demucs 之類的工具把音樂拆成 stems，人聲軌用語音降噪模型，樂器軌用音樂降噪模型，鼓軌專注在瞬態修復。這種做法的工作量較大，但品質提升明顯，特別適合要發行的專案。
策略四：高解析度處理再降頻。在 96 kHz 下進行 AI 降噪，然後降到 44.1 kHz 輸出。這樣做的好處是降噪模型有更多資訊可以判斷，偽影也更容易在降頻過程中被平滑掉。
策略五：用參考錄音做 A/B。找一張同時期、同樣媒介、但狀況良好的錄音當作參考，反覆比對你的成品與它的差異。這比憑空想像「應該聽起來怎樣」可靠得多。
策略六：刻意保留一點底噪。這聽起來很反直覺，但人類的聽覺對「絕對寂靜」其實是敏感的。在音樂段落之間保留極微量的底噪，反而會讓整體聽感更自然、更有空間感。當然，前提是這個底噪不能是突兀的爆音或明顯的哼聲。
七、結語：讓時間的痕跡留下，讓雜訊離開
老舊錄音修復的本質，是一場與時間的談判。我們不可能把三十年前的卡帶還原成今天的錄音室品質，也不應該那樣做——那些底噪、那些輕微的速度變化，本身就是這段錄音歷史的一部分。真正好的修復，是讓音樂重新可以被聽見、被享受，而不是把它變成一張沒有指紋的塑膠膜。
AI 在這件事情上的價值，是它讓我們有機會用更細緻的方式做取捨。過去我們只有「濾掉」和「不濾」兩個選項，現在我們可以分辨「這一顆爆音該拿掉、那一個鋼琴起音該留下」。這是很大的進步。但工具再強，最後的判斷還是要靠耳朵。所以請記得：每一次處理之後，用你熟悉的音樂、用你信任的監聽環境，誠實地聽一遍。如果它聽起來像音樂，那就是對的；如果它聽起來像被處理過的音樂，那就再調一次。
從今天開始，把你抽屜裡那幾卷磁帶、那幾張黑膠翻出來吧。它們已經等了很久，而現在，你終於有工具可以好好對待它們了。如果你在修復過程中遇到什麼有趣的狀況，或是有自己的獨門流程，也歡迎在「雅寶社區 · 頂客論壇」的影音創作版分享，讓更多人一起把這些老聲音救回來。
```