C#实现语音预处理：降噪、静音检测、自动增益（附Demo源码）

技术分享 9个月前 (06-20) 0 999+

关注

无论是在音视频录制系统，还是音视频通话系统、或视频会议系统中，对从麦克风采集到的说话的声音数据进行预处理，都是是非常必要的。

语音数据预处理主要包括：降噪（Noise Reduction）、静音检测（Silence Detection/VAD）、自动增益（Automatic Gain Control, AGC）。

一. 语音预处理的作用

　我们先解释一下，降噪、静音检测、自动增益，这些语音预处理分别起什么作用。

（1）降噪

降噪，用于消除背景噪声，比如马路车流声、环境杂音等，以保留清晰的说话人声。

更高级的，结合AI模型训练，还可以消除电脑的风扇声、键盘敲击声等等。

（2）静音检测

静音检测，又称为语音活动检测，用于识别音频流中的静音片段（没有讲话人声），这样可以简化后续的编码等环节，并可以节省传递所需要的带宽。

（3）自动增益

自动增益，用于动态调整说话声音的音量，使输出电平保持稳定，以避免讲话的声音忽大忽小。

二. 实现语音预处理

接下来，我们使用C#实现一个Demo，这个Demo将从麦克风采集声音数据，然后进行语音预处理，并且将处理后的声音数据实时播放出来。Demo的运行效果如下图所示：

Demo 功能很简单，那我们来具体看看代码是如何实现的。

1. 创建采集器、预处理器、播放器

麦克风声音数据采样率我们选择16K、单声道。

WaveSampleRate sr = WaveSampleRate.S16k; int channelCount = 1;  //创建语音预处理器，开启降噪、自动增益、静音检测 this.voicePreprocessor = CapturerFactory.CreateVoicePreprocessor(sr, channelCount, true ,true); //创建麦克风采集器 this.microphoneCapturer = CapturerFactory.CreateMicrophoneCapturer(int.Parse(this.textBox_mic.Text), sr); this.microphoneCapturer.AudioCaptured += new ESBasic.CbGeneric<byte[]>(microphoneCapturer_AudioCaptured); //创建声音播放器 this.audioPlayer = PlayerFactory.CreateAudioPlayer(int.Parse(this.textBox_speaker.Text), (int)sr, channelCount, 16, 2);                  this.microphoneCapturer.Start();

　　CreateVoicePreprocessor 方法的最后两个参数可以指定在降噪的同时，是否开启静音检测和自动增益功能。

2. 预处理语音数据

语音预处理器每次处理10ms的声音数据，而现在的麦克风采集器每次采集的是20ms的PCM数据，所以，我们将其拆成两个10ms数据，再提交给预处理器处理。

void microphoneCapturer_AudioCaptured(byte[] audioData) {     if (this.checkBox_enabled.Checked)     {         //麦克风每次采集20ms数据，降噪器每次处理10ms数据。         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）通过一个CheckBox勾选框来实时控制是否启用语音预处理，这样在测试时，就可以很方便的对比体验开启了语音预处理的效果。

（2）调用IVoicePreprocessor 的 Process 方法，就可以完成一帧语音数据（10ms）的预处理。如下所示：

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

　　如果Process 方法返回的是null，表示检测到该帧是静音帧，于是，将内置的10ms静音帧 SlienceFrame 提交给播放器去播放。

3. 统计静音帧数量

　　一个语音帧是10ms，那么1秒钟就有100个语音帧，程序中，我们统计了上一秒出现了多少个静音帧，并在UI左下方显示出来。

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;     //显示上一秒静音帧数量。     this.label_silenceFrameCount.Text = delt.ToString(); }