AI Noise Removal: Clean Up Audio

我仍然记得那位制片人在星期二晚上11点给我打电话时声音中的惊慌。“采访无法使用，”她说。“整个录音中都有这种持续的嗡嗡声，而且我们将在36小时内进行直播。”到那时为止，我已经在音频后期制作领域工作了近15年，我听过这种危机的变种无数次。她还不知道的是，人工智能降噪技术刚刚达到一个可以让我在20分钟内完成过去需要8小时费力手动工作的水平——并且结果比我手动处理的效果还要好。

那个晚上标志着我在音频清理方面的一个转折点。她发给我的采访中有各种各样的问题：60赫兹的空调轰鸣声，间歇性的交通噪声，椅子吱吱声，甚至还有手机在桌子上嗡嗡作响。五年前，这将是一个噩梦项目，涉及频谱编辑、多次降噪，以及仔细手动去除瞬态声音。相反，我将其加载到一个人工智能降噪工具中，让算法分析音频配置90秒，眼睁睁地看着它像外科医生一样去除不必要的声音，同时保留了每一个说话者声音的细微差别，包括赋予语言自然质感的微妙呼吸模式。

音频清理技术的革命

人工智能降噪代表了自1990年代数字音频工作站问世以来音频后期制作的最重要进展之一。传统的降噪工具基于相对简单的原则：从一段“干净”的噪声中识别噪声轮廓，然后从整个录音中减去该轮廓。这种方法有严重的局限性。它在处理非静态噪声（随时间变化的声音）时面临困难，常常引入伪影，使人声听起来空洞或机械，并需要大量手动干预才能实现可接受的效果。

现代人工智能降噪工具使用在数百万小时音频上训练的深度学习模型。这些模型已经学会区分所需声音和不需要声音，其复杂程度模拟了（并且往往超过了）人类的感知。这项技术采用卷积神经网络，可以同时分析时间域和频率域的音频，以传统算法无法做到的方式理解上下文。当一个人工智能模型遇到带背景噪声的人声时，它不仅仅是减去频率；它根据从大量数据集中学到的模式重建干净声音应有的样子。

实际的影响令人震惊。在我的工作室里，曾经需要6到8小时清理的项目现在只需30到45分钟。而更重要的是，质量显著提高。我最近处理了一个在繁忙咖啡馆录制的纪录片采访——这是十年前几乎不可能挽救的东西。人工智能模型成功地去除了咖啡机的嘶嘶声、背景对话、椅子摩擦声和门铃声，同时保持了受访者声音的温暖和存在感。导演简直不敢相信这是同一段录音。

这项技术特别强大的地方在于它能够同时处理多种类型的噪声。传统工具需要您分别解决每个问题：先解决嗡嗡声，再处理嘶嘶声，最后处理瞬态噪声。每次处理都稍微降低音频质量。人工智能模型通过单次处理来处理所有内容，理解不同噪声类型之间的交互，并在保留和移除内容上做出智能决策。这种单次处理在保持音频质量方面是多阶段传统处理无法比拟的。

了解人工智能可以和不能去除的内容

尽管人工智能降噪的能力令人印象深刻，但理解它的局限性至关重要。我看到太多人认为人工智能是魔法——认为它可以修复任何东西。它不能，了解边界可以帮助您在录音和后期制作期间做出更好的决策。

“传统的降噪就像用大锤去除污渍——你可以解决问题，但会损坏周围的一切。人工智能则像外科医生用手术刀处理它。”

人工智能在去除持续的背景噪声方面表现出色：空调系统、计算机风扇噪声、电气嗡嗡声、交通轰鸣声和环境房间音。它在处理风噪方面表现得非常出色，风噪历史上一直是音频清理中最困难的问题之一。现代人工智能模型能够区分风对麦克风的吹动和语音或音乐中的合法低频内容，这在五年前几乎是不可能的。最近，我清理了一次户外采访，风的阵 gust 每10至15秒就会击中麦克风。人工智能如此干净地去除了风噪，以至于你永远不会知道那次采访不是在工作室录制的。

该技术对间歇性噪声的处理也相当出色：门声、电话铃声、键盘敲击声和纸张摩擦声。这些瞬态声音是具有挑战性的，因为它们占据了与语音和音乐相似的频率范围。人工智能模型使用时间上下文——理解之前和之后的内容——来重建应出现的音频。然而，这也是有限制的。如果瞬态噪声完全掩盖了想要的音频（比如在安静的人声段落中出现的 громкий 椅子声），甚至是人工智能也无法恢复从未捕捉到的内容。

人工智能遇到挑战的地方在于噪声与所需信号的音色相似。如果某人正在讲话，而另一人在背景中以相似的音量说话，人工智能降噪将很难将它们干净地分开。相同的情况也适用于音乐渗入人声录音或多个乐器同时演奏而您仅想要一个的情况。这些情况需要不同的方法——源分离模型而非降噪模型，即使这样，结果也可能会各异。

另一个限制涉及极端噪声水平。如果信噪比低于约-10 dB（意味着噪声明显比所需信号大），即使是最好的人工智能模型也会面临困难。我以一种困难的方式学到了这一点，一位客户在一个空调故障的房间录制了一期播客节目，噪声比演讲者还响。人工智能去除了大部分噪声，但结果音频的处理质量让人分心。教训是：人工智能降噪功能强大，但不能替代良好的录音实践。

选择合适的人工智能降噪工具

在过去三年中，人工智能降噪工具的市场爆炸性增长。当我在2019年开始使用这项技术时，可能只有三个严肃的选择。而今天，有数十个选择，从免费的插件到花费数千美元的企业级解决方案。选择合适的工具取决于您的具体需求、预算和工作流程。

对于专业工作，我主要使用三种工具：iZotope RX 10的对话隔离和声音降噪模块，Adobe Podcast的增强语音和Descript的Studio Sound。每种工具都有其独特的优势。iZotope RX仍然是精确工作的黄金标准。它的人工智能模型透明度极高——能够在不引入“处理过”的质量的情况下去除噪声，这种现象常常困扰较差的工具。用户界面在您需要时提供粒度控制，但人工智能足够智能，您很少需要调整参数。在最近的一个有40个录音会话的有声读物项目中，RX的对话隔离创造了无缝一致性，这在手动操作中是无法实现的。

Adobe Podcast的增强语音以其简单性和有效性而闻名。这是一个一键解决方案，对于播客和采访内容效果惊人。我在快速周转项目中使用它，在这些项目中我不需要RX的精确度。该人工智能模型专门针对语音进行训练，效果显著——在积极去除背景噪声的同时，它出色地保留了声音特征。限制是您对其控制较少；它基本上是一个开/关开关。对于我70%的播客工作来说，这完全足够。

Descript的Studio Sound处于一个有趣的中间位置。它集成到一个完整的编辑环境中，从而大大简化了工作流程。人工智能特别擅长处理多个发言者并在编辑中保持一致性。我发现它在远程采访清理中非常有用，因为每位参与者在不同的声学环境中录制。Studio Sound可以让一次Zoom通话重新