&

C#實現語音預處理：降噪、靜音檢測、自動增益（附Demo源碼）

當前位置：點晴教程→知識管理交流 →『技術文檔交流』

freeflydom

2025年7月4日 10:27 本文熱度 120

無論是在音視頻錄制系統，還是音視頻通話系統、或視頻會議系統中，對從麥克風采集到的說話的聲音數據進行預處理，都是是非常必要的。

語音數據預處理主要包括：降噪（Noise Reduction）、靜音檢測（Silence Detection/VAD）、自動增益（Automatic Gain Control, AGC）。

一. 語音預處理的作用

　我們先解釋一下，降噪、靜音檢測、自動增益，這些語音預處理分別起什么作用。

（1）降噪

降噪，用于消除背景噪聲，比如馬路車流聲、環境雜音等，以保留清晰的說話人聲。

更高級的，結合AI模型訓練，還可以消除電腦的風扇聲、鍵盤敲擊聲等等。

（2）靜音檢測

靜音檢測，又稱為語音活動檢測，用于識別音頻流中的靜音片段（沒有講話人聲），這樣可以簡化后續的編碼等環節，并可以節省傳遞所需要的帶寬。

（3）自動增益

自動增益，用于動態調整說話聲音的音量，使輸出電平保持穩定，以避免講話的聲音忽大忽小。

二. 實現語音預處理

接下來，我們使用C#實現一個Demo，這個Demo將從麥克風采集聲音數據，然后進行語音預處理，并且將處理后的聲音數據實時播放出來。Demo的運行效果如下圖所示：

Demo 功能很簡單，那我們來具體看看代碼是如何實現的。

1. 創建采集器、預處理器、播放器

麥克風聲音數據采樣率我們選擇16K、單聲道。

WaveSampleRate sr = WaveSampleRate.S16k;
int channelCount = 1;
//創建語音預處理器，開啟降噪、自動增益、靜音檢測
this.voicePreprocessor = CapturerFactory.CreateVoicePreprocessor(sr, channelCount, true ,true);
//創建麥克風采集器
this.microphoneCapturer = CapturerFactory.CreateMicrophoneCapturer(int.Parse(this.textBox_mic.Text), sr);
this.microphoneCapturer.AudioCaptured += new ESBasic.CbGeneric<byte[]>(microphoneCapturer_AudioCaptured);
//創建聲音播放器
this.audioPlayer = PlayerFactory.CreateAudioPlayer(int.Parse(this.textBox_speaker.Text), (int)sr, channelCount, 16, 2);                
this.microphoneCapturer.Start();

　　CreateVoicePreprocessor 方法的最后兩個參數可以指定在降噪的同時，是否開啟靜音檢測和自動增益功能。

2. 預處理語音數據

語音預處理器每次處理10ms的聲音數據，而現在的麥克風采集器每次采集的是20ms的PCM數據，所以，我們將其拆成兩個10ms數據，再提交給預處理器處理。

void microphoneCapturer_AudioCaptured(byte[] audioData)
{
    if (this.checkBox_enabled.Checked)
    {
        //麥克風每次采集20ms數據，降噪器每次處理10ms數據。
        byte[] frame10ms1 = new byte[audioData.Length / 2];
        byte[] frame10ms2 = new byte[audioData.Length / 2];
        Buffer.BlockCopy(audioData, 0, frame10ms1, 0, frame10ms1.Length);
        Buffer.BlockCopy(audioData, frame10ms1.Length, frame10ms2, 0, frame10ms2.Length);
        this.HandleData(frame10ms1);
        this.HandleData(frame10ms2);
        return;
    }
    this.audioPlayer.Play(audioData);
}

（1）通過一個CheckBox勾選框來實時控制是否啟用語音預處理，這樣在測試時，就可以很方便的對比體驗開啟了語音預處理的效果。

（2）調用IVoicePreprocessor 的 Process 方法，就可以完成一幀語音數據（10ms）的預處理。如下所示：

private void HandleData(byte[] frame10ms)
{
    byte[] res = this.voicePreprocessor.Process(frame10ms);            
    if (res == null) //靜音幀
    {
        ++this.silenceFrameCountTotal;
        this.audioPlayer.Play(this.voicePreprocessor.SlienceFrame);
    }
    else
    {
        this.audioPlayer.Play(res);
    }
}

　　如果Process 方法返回的是null，表示檢測到該幀是靜音幀，于是，將內置的10ms靜音幀 SlienceFrame 提交給播放器去播放。

3. 統計靜音幀數量

　　一個語音幀是10ms，那么1秒鐘就有100個語音幀，程序中，我們統計了上一秒出現了多少個靜音幀，并在UI左下方顯示出來。

private volatile int silenceFrameCountTotal = 0;
private volatile int silenceFrameCountPre = 0;
private void timer1_Tick(object sender, EventArgs e)
{
    int delt = this.silenceFrameCountTotal - this.silenceFrameCountPre;
    this.silenceFrameCountPre = this.silenceFrameCountTotal;
    //顯示上一秒靜音幀數量。
    this.label_silenceFrameCount.Text = delt.ToString();
}