軟體音訊編輯原理：為什麼降噪
舉例來說，頻譜減法在扣除雜訊之後，經常會在頻譜上留下許多隨機跳動的孤立小峰，這些小峰在時頻圖上像是散落的亮點，聽起來就是一種「咕嚕咕嚕」的水聲、或是俗稱的「音樂性雜訊」（musical noise）。從均方誤差的角度來看，這些殘留的能量其實非常小，誤差指標幾乎沒有變差；但人耳對這種「有規律但不自然」的隨機音型異常敏感，一聽就知道聲音被處理過了。這就是演算法與聽覺之間的錯位——數學上幾乎完美，聽感上卻很失敗。
再舉一個例子：預迴響（pre-echo）。當你用頻域方法處理一段帶有強烈瞬態的聲音（例如鼓聲、拍手、或是中文裡的爆破音「ㄅ」「ㄆ」），為了讓處理後的波形不產生巨大誤差，演算法會把整個分析窗內的頻譜一起調整，結果就是原本乾脆的瞬態被抹開，變成「先有沙沙聲、才有鼓聲」的詭異現象。這種失真在數學上同樣是為了降低整體誤差而做出的取捨，但人耳對瞬態的起始時刻極度敏感，哪怕只提前了十毫秒，也會立刻察覺「不對勁」。
所以，一款好的降噪軟體，真正考驗的不是它的數學公式有多漂亮，而是它在設計時有沒有把人耳的聽覺特性納入考量，例如加入心理聲學模型、採用重疊相加（overlap-add）搭配平滑窗、對瞬態頻段做保護、或是在時間與頻率解析度之間做動態取捨。這些細節，往往就是免費軟體與專業軟體之間的差距所在。
降噪的物理與數學原理：頻域、時域與統計模型
要真正理解降噪為什麼難，就必須知道它在數位訊號處理的層次上，究竟動了哪些手腳。以下從最基本的三種思路講起：時域門檻、頻域遮罩、統計模型。
時域門檻法與頻域遮罩法的差別
時域方法最直觀，它的核心邏輯是「看振幅、設門檻」。當訊號的瞬時振幅低於某個門檻值時，就認定這段是雜訊，直接把增益壓下去；高於門檻時則放行。這就是所謂的「雜訊門」（Noise Gate）。它的優點是運算量極低、延遲極小，非常適合即時通訊、現場收音的初步處理。但缺點也很明顯：它完全不管頻率內容，只要振幅夠小就一律砍掉，結果就是人聲的尾音、氣息、唇齒音被一併吃掉，聽起來會有明顯的「抽吸感」與「斷斷續續」的不自然。
頻域方法則是把訊號切成一格一格的短窗，透過快速傅立葉變換（FFT）轉換到頻率域，在頻譜上針對每個頻率 bin 分別處理，處理完再轉回時域。這種做法可以做到「同一個時間點，低頻的嗡嗡聲被壓掉，但中高頻的人聲被保留」，精細度遠高於時域方法。絕大多數現代的專業降噪工具，核心都是頻域方法。
兩者的根本差別，可以用一句話概括：時域方法問的是「現在這一下夠不夠大聲」，頻域方法問的是「這個頻率在這個瞬間像不像雜訊」。前者是粗粒度的開關，後者是細粒度的遮罩。
頻譜減法（Spectral Subtraction）的核心公式與限制
頻譜減法是所有頻域降噪演算法的老祖宗，理解它基本上就理解了七成的降噪原理。它的思路非常樸素：
首先，在沒有人說話的段落（例如錄音開頭的一小段空白）估算出雜訊的頻譜能量，記為 |D(k)|²，其中 k 代表第 k 個頻率 bin。接著，對每個含有語音的短窗計算其頻譜能量 |Y(k)|²。然後，直接把雜訊能量減掉，得到估計的乾淨訊號能量：
|Ŝ(k)|² = |Y(k)|² − α·|D(k)|²
其中 α 是「過減因子」（over-subtraction factor），通常大於 1，用來確保雜訊被減得夠乾淨。最後取平方根得到振幅譜，搭配原始相位，透過逆傅立葉變換轉回時域。
這個公式看起來簡單，問題卻不少。第一，當 |Y(k)|² 小於 α·|D(k)|² 時，減出來的結果會變成負數，但能量不可能是負的，所以必須加上一個「頻譜下限」（spectral floor）β，把負值或過小的值夾回一個很小的正數。實務上的完整形式通常是：
|Ŝ(k)| = max( |Y(k)| − α·|D(k)|, β·|D(k)| )
第二，雜訊在真實世界中並不是靜止不變的。冷氣聲會忽大忽小，風扇轉速會變化，人走動會改變空間反射。如果只用開頭那一段估出來的固定雜訊頻譜去減整段錄音，當實際雜訊在某些時刻變大時，就會減不乾淨；變小時又會過度削減，把訊號也一起吃掉。這就是為什麼專業軟體通常會要求你「取樣雜訊輪廓」，並且提供「雜訊更新速率」這類參數，讓估計值可以隨時間緩慢追蹤。
第三，也就是前面提過的音樂性雜訊。因為每個頻率 bin 是獨立處理的，某些 bin 剛好被減到接近零、某些 bin 又殘留一點能量，這些殘留能量在時頻圖上隨機閃爍，聽起來就像一堆細碎的水泡聲。這是頻譜減法最為人詬病的副作用，也是後續各種改良演算法誕生的主要動機。
統計模型與深度學習降噪的崛起
為了克服頻譜減法的粗暴，研究者開始引入統計模型。維納濾波（Wiener Filter）是其中最具代表性的一種。它不再直接「減」，而是計算一個介於 0 與 1 之間的增益函數，乘在原始頻譜上：
H(k) = ξ(k) / (1 + ξ(k))
其中 ξ(k) 是「先驗信噪比」，代表該頻率 bin 中訊號能量與雜訊能量的比值。當信噪比很高（明顯是訊號），增益接近 1，原樣保留；當信噪比很低（明顯是雜訊），增益接近 0，大幅壓抑。這種做法在數學上更為平滑，產生的音樂性雜訊比純頻譜減法少很多，聽感上也更自然。
更進一步的，是基於最小均方誤差（MMSE）與最大概似（ML）準則推導出來的各種統計估計器，例如 MMSE-STSA、MMSE-LSA 等。這些演算法在 1990 年代到 2000 年代初期是通訊與語音增強的標準配備，至今仍然廣泛應用於助聽器、行動通訊、語音辨識前處理等領域。
而近十年最重大的變化，無疑是深度學習的介入。以 RNNoise 為代表的循環神經網路（GRU）方案，把頻帶增益的預測交給神經網路來做；以 DeepFilterNet 為代表的方案，則直接在頻譜上預測可解釋的濾波係數；以 Demucs 這類基於波形域（waveform domain）的模型，則乾脆跳過 FFT，直接在時域波形上做「源分離」，把語音與雜訊當成兩種不同的音源來拆解。
深度學習降噪的優勢在於，它不需要你明確告訴它「什麼是雜訊」，而是透過大量資料自己學出「人聲長什麼樣、雜訊長什麼樣」。因此它對非穩態雜訊（例如鍵盤聲、翻紙聲、車流聲）的處理能力，遠勝傳統演算法。但它的代價是：需要大量運算資源、可能產生「過度平滑」的塑膠感、以及在訓練資料分布之外的雜訊類型上可能表現不佳。此外，模型本身就是一個黑箱，你很難像調頻譜減法那樣，明確知道某個參數為什麼要調高或調低。
常見降噪演算法的優缺點與適用場景
以下把實務上最常遇到的幾類降噪技術並列比較，方便在選用軟體與設定參數時有一個判斷依據。
雜訊門（Noise Gate）與擴展器
雜訊門是最古老也最直觀的工具，嚴格來說它不屬於「降噪」，而是「在安靜時把聲音關掉」。它的核心參數包括門檻（threshold）、起音時間（attack）、保持時間（hold）、釋放時間（release）。當訊號低於門檻持續一段時間後，增益會被壓到設定的衰減量（例如 −40 dB）；當訊號超過門檻時，增益再慢慢恢復。
適用場景：錄音中有明顯的空白段落，而底噪本身不大（例如安靜房間裡的麥克風嘶聲）。在這種情境下，雜訊門是最乾淨、最不傷音質的選擇，因為它根本沒有動到有聲段落的頻譜。
不適用場景：底噪本身就很大、或是雜訊與人聲同時存在（例如冷氣聲貫穿整段對話）。此時雜訊門只能處理「安靜段落」，一旦人開始說話，底噪依然存在，問題並沒有解決。此外，如果釋放時間設得太短，會產生明顯的「抽吸感」；設得太長，則會讓句尾的尾音被拖住，聽起來像被「吞掉」。
頻譜減法與維納濾波
這兩者是專業降噪軟體的中堅。頻譜減法實作簡單、效果直接，對於穩定的寬頻雜訊（例如風扇聲、空調聲、磁帶嘶聲）效果極佳，是許多免費工具（如 Audacity 的 Noise Reduction）的核心。維納濾波則更平滑、更自然，音樂性雜訊較少，但需要較好的雜訊估計，否則容易在信噪比低的地方產生「呼吸感」。
適用場景：錄音環境相對穩定、雜訊類型固定的情況。例如在家錄旁白、在固定的房間錄 Podcast、或是整理老錄音帶。
不適用場景：雜訊劇烈變化、或是訊號與雜訊在頻譜上大量重疊（例如人聲與車流聲都在中低頻）。在這類情況下，這兩種方法往往只能做到「降低雜訊、但同時也降低音質」的取捨。
自適應濾波與混合策略
自適應濾波（如 LMS、NLMS）的思維是「隨著時間不斷更新濾波器係數」，讓降噪器能夠追蹤變化的雜訊。它通常需要一個「參考訊號」——例如另一支專門收環境音、不收音的麥克風，或是已知的雜訊模型。在耳機的主動降噪、通訊系統的回音消除中，這是標準做法。
在一般錄音軟體中，自適應濾波較少單獨出現，更多是以「混合策略」的形式存在：先用頻譜減法做粗降噪，再用維納濾波做細修，最後用雜訊門處理殘留的空白段落。許多專業軟體（如 iZotope RX 的 Spectral De-noise）內部就是這類多層架構，使用者看到的只是一個「降噪量」滑桿，背後其實是好幾種演算法串接。
AI 降噪：神經網路的優勢與邊界
AI 降噪是近五年最熱門的領域。它的最大優勢在於「語義層面的理解」：模型在訓練過程中看過成千上萬小時的語音與雜訊，因此它能夠區分「這是人聲的共振峰」「這是鍵盤敲擊的瞬態」「這是冷氣的穩態噪音」，並針對不同類型給出不同的處理策略。
以 RNNoise 為例，它是一個輕量級的循環神經網路，輸入是頻帶能量特徵，輸出是每個頻帶的增益，運算量低到可以在瀏覽器或手機上即時執行。DeepFilterNet 則進一步引入了深度濾波與可解釋的頻帶增益，在保持低運算量的同時，達到接近傳統高階演算法的音質。至於 Demucs 這類波形域模型，則更接近「源分離」的思路，能把混合訊號拆成語音與背景兩軌，甚至允許你單獨調整背景音量。
但 AI 降噪也有明顯邊界。第一，它對「訓練資料中沒見過」的雜訊類型可能表現不穩定，尤其是具有強烈音樂性或週期性的雜訊。第二，它傾向於產生「過度平滑」的結果，高頻的空氣感、脣齒音的細節容易被一併抹掉，聽起來會有「廣播電台壓縮過」的塑膠感。第三，它通常無法處理「訊號與雜訊高度重疊」的情況，例如人聲與另一個人聲同時存在，模型可能會把兩者一起保留或一起壓抑。
在實際音訊編輯軟體中，降噪功能如何被設計？
理解了原理之後，再回頭看軟體介面，就會發現那些看似瑣碎的參數其實都有它的道理。以下從使用者的角度，拆解專業降噪工具在設計上的幾個關鍵決策。
取樣雜訊輪廓（Noise Profile）的重要性
幾乎所有頻域降噪工具，第一步都是「讓軟體知道雜訊長什麼樣子」。這個動作通常叫做「取樣雜訊輪廓」「Learn Noise」「Get Noise Profile」。做法是選取一段只有雜訊、沒有人聲的片段（通常 0.5 到 2 秒就夠），讓軟體計算該片段的平均頻譜，作為後續扣除的基準。
這一步的品質，幾乎決定了降噪成敗的八成。如果取樣片段不夠「純」（裡面混進了呼吸聲、滑鼠點擊聲），軟體就會把這些聲音誤認為雜訊，後續一併扣掉，導致人聲的某些頻段被莫名其妙地吃掉。如果取樣片段太短（例如只有 0.1 秒），統計不穩定，估計出來的雜訊頻譜會失真。如果整段錄音從頭到尾都有人說話、根本沒有空白段落，那就只能退而求其次，手動指定某個頻段的雜訊模型，或是改用 AI 降噪。
實務建議：錄音時刻意在開頭留三到五秒的環境音，這是一個幾乎零成本、卻能大幅提升後製品質的好習慣。
降噪參數的連動關係：強度、靈敏度、平滑度
專業軟體通常會提供三到五個可調參數，它們之間並不是獨立的，而是互相牽動。以常見的命名為例：
理解這些參數的連動關係，就不會陷入「把降噪量拉到 100% 就一定最好」的迷思。事實上，專業混音師經常只用到 30% 到 50% 的降噪量，搭配其他工具（EQ、壓縮、去齒音）一起處理，追求的是「聽起來乾淨」而不是「數值上乾淨」。
過度降噪的副作用：音樂感流失、預迴響、金屬聲
過度降噪的症狀非常有辨識度，學會辨認它們，是提升後製判斷力的關鍵：
辨認這些症狀的方法很簡單：把處理後的音軌與原始音軌做 A/B 切換，並且刻意把音量調大。很多 artifacts 在小音量下聽不出來，一旦音量拉高就會無所遁形。
降噪的工作流程與實務建議
有了原理與工具的理解，接下來要談的是「順序」。在音訊後製中，處理順序往往比參數數值更能決定最終品質。
先修復再降噪：剪輯、去爆音、De-click
這是一條鐵律：降噪應該排在「修復類」處理之後、在「音色類」處理之前。原因是降噪演算法會根據它看到的訊號來做判斷，如果訊號裡還有爆音、喀噠聲、口水音、突然的撞麥聲，這些突發能量會嚴重干擾雜訊估計與增益判斷，導致降噪結果出現不自然的起伏。
因此，正確的順序大致是：
剪輯：先把不要的段落、明顯的錯誤剪掉，讓後續處理的素材更乾淨。
降噪：在訊號相對乾淨、雜訊相對穩定的狀態下，進行降噪處理。
限幅與最後修飾：最後才處理整體音量與響度。
A/B 對比與殘差監聽
專業降噪工具通常提供「只聽被移除的部分」的功能（Residual Monitoring 或 Difference Monitoring）。這個功能極其重要，因為它可以讓你聽到「演算法到底拿走了什麼」。如果殘差裡聽得到清楚的人聲、樂器聲，代表降噪正在誤傷訊號；如果殘差裡只有均勻的嘶聲，恭喜你，參數設定得不錯。
除了殘差監聽，A/B 對比也是基本功。建議把處理前後的音軌放在同一段時間軸上，來回切換，並且在「正常音量」與「略大音量」兩種狀態下都聽一遍。很多業餘作品之所以聽起來「怪」，就是因為作者只在單一音量下做判斷，忽略了不同聆聽條件下的感知差異。
什麼時候該放棄降噪、改用重錄或換麥克風
這是最務實、也最少人願意承認的一點：有些素材是救不回來的。當 SNR 低於某個門檻（實務上大約是 6 到 10 dB 以下），任何降噪都只能在「雜訊多」與「音質差」之間二選一。在這種情況下，與其花三個小時調參數，不如花三十分鐘重錄一次。
改善源頭的方法，往往比後製更有效：換一支指向性更好的麥克風、把錄音位置遠離電腦風扇與冷氣出風口、在牆面掛上吸音棉或厚窗簾、使用防噴罩與避震架、關掉會發出嗡嗡聲的電源變壓器。這些「物理層面」的改善，可以讓 SNR 直接提升十幾 dB，遠比任何軟體演算法都來得有效。
換句話說，降噪是一門「補救」的技術，而不是「創造」的技術。最好的降噪，是讓你不必降噪。
軟體評測視角：如何判斷一款降噪工具的優劣
在「雅寶社區 · 頂客論壇」上，經常有人問「哪一款降噪軟體最好」。這個問題沒有標準答案，因為「最好」取決於你的素材類型、工作流程與預算。但我們可以建立一套相對客觀的評測框架。
評測指標：SNR 提升、語音清晰度、音樂保真度、CPU 佔用
一套完整的降噪工具評測，至少應該包含以下幾個維度：
常見軟體橫向對比
以下針對幾款在社群中討論度較高的工具，做一個簡要的定位分析（非絕對排名，僅供參考）：
值得注意的是，工具之間的差異，往往在「极端素材」上才會明顯展現。對於 SNR 良好的素材，多數工具都能處理得不錯；真正拉開差距的，是低 SNR、非穩態雜訊、以及音樂性素材這三類困難情境。評測時應該刻意選擇這類素材，才能看出工具的實力。
結語：降噪是一場取捨的藝術
回到最初的問題：「為什麼降噪之後聲音會變怪？」答案其實貫穿了整篇文章：因為降噪本質上是一個資訊不足的估計問題，演算法必須在「保留訊號」與「消除雜訊」之間做取捨，而這個取捨的標準，往往與人耳的感知偏好不一致。理解了這一點，就不會再期待有一鍵完美的降噪魔法，而是會開始思考：我的素材 SNR 夠不夠？雜訊是穩態還是非穩態？我願意犧牲多少細節來換取乾淨？
在軟體評測的角度上，一款好的降噪工具，不是「降得最乾淨」的工具，而是「讓你能夠精準控制取捨」的工具。它應該提供清楚的雜訊估計流程、可即時監聽的殘差、以及足夠的參數彈性，讓你在不同素材上做出不同判斷。而對使用者而言，真正的專業素養，不在於記住哪個按鈕在哪裡，而在於聽得出「什麼時候該停手」。
最後，別忘了最根本的一句話：最好的降噪，發生在錄音之前。當你願意花十分鐘調整麥克風位置、關掉冷氣、掛上窗簾，你可能就省下了三小時的後製時間，而且得到一個更自然、更有生命力的聲音。軟體降噪是救援隊，不是建築師——它能幫你收拾殘局，但沒辦法憑空蓋出一棟好房子。希望這篇文章能讓「雅寶社區 · 頂客論壇」的朋友們，在下次面對底噪時，多一分理解，少一分挫折。
```