录音里总有空调的嗡鸣、键盘的敲击、隔壁的电钻，人声被压在里面怎么都出不来。AI降噪做的不是把音量压小，而是先判断哪些是噪声、哪些是人声，再把噪声那一路抽掉，音色比手动拉均衡器干净得多。这篇按三步拆：判噪声、调参数、导出前校验，并附三类场景的差异。
底噪不是你麦克风差，是环境一直在说话
很多人换了几支麦克风，录出来还是”糊”。原因往往不在设备，而在于房间本身从来不安静。空调出风口的低频轰鸣、冰箱压缩机的间歇启动、电脑风扇的持续转动，这些声音稳定存在，构成一条永远垫在人声下面的”地毯”。再加上键盘鼠标的瞬态敲击、椅子转动的摩擦、窗外的车流，一条干净的录音几乎不可能自然产生。
传统降噪的思路是”采样再相减”：先录几秒纯噪声，让软件记住这段声音的频谱特征，再从整段音频里把这个特征减掉。这种方法对空调、风扇这类稳态噪声有效，一旦遇到键盘、咳嗽、关门这种突发声音就完全失效，因为它们出现的位置和强度都无法预测。
AI降噪换了思路。模型在训练阶段听过大量”带噪录音—干净人声”的配对样本，学到的是人声在频谱上的形态规律，于是可以直接判断某一帧里哪部分像人声、哪部分是别的东西，把不属于人声的部分压掉。它的优势在于能处理人声和噪声频率重叠的区域，比如女声的低频和空调噪声撞在一起时，传统方法要么把人声一起削掉，要么放任噪声留下。
代价同样存在。AI降噪本质是”猜”，猜得越狠，人声的细节损失越大。处理过度时最典型的表现是齿音发闷、句尾被切断、呼吸声消失，整段声音听起来像从水里捞出来的。所以真正决定效果的，不是把强度拉满，而是知道该拉到哪一档。
第一步：先判断噪声属于哪一类
拿到一段素材，别急着套预设。先戴上耳机完整听一遍，判断噪声的类型，这决定了后面该用哪个模式。
- 稳态噪声：空调、风扇、投影仪、电流底噪。特征是持续、频率固定，AI降噪对这类效果最好，强度中等即可。
- 瞬态噪声：键盘、鼠标、翻纸、咳嗽、关门。特征是短促、随机，需要工具具备”去瞬态”或”修复”能力，单纯降噪会留下空洞感。
- 混响：空房间、玻璃会议室、瓷砖卫生间。声音撞墙反弹形成的拖尾，它不属于噪声，降噪拉满也去不掉，必须用独立的去混响功能。
- 风噪：户外拍摄时最头疼的低频爆音。它能量集中在极低频，先做高通滤波再去降噪，顺序反了会把风噪”抹”进人声里，越修越糟。
还有一个常被误判的情况：多人同时说话。这不是噪声问题，而是声源分离问题，降噪工具帮不上忙，得用”人声分离”把不同说话人拆到不同轨道。搞清楚这一点，能省下大量反复调试的时间。
第二步：参数只动三个，其余先别碰
打开界面，参数往往有十几个，但真正需要动的只有三个。
降噪强度是最核心的一个。建议从 30% 到 40% 起步，每加 10% 就回听同一句话，直到出现轻微的发闷感，再往回退一档。这个”退一档”的位置，通常就是这段素材的最佳点。不同素材的最佳点不一样，安静房间的口播可以拉到 50%，嘈杂街头可能只能停在 30%。
人声保护（语音优先）决定模型在”保人声”和”灭噪声”之间的倾向。访谈、讲课这类以内容为重的素材，应该偏向保人声，宁可留一点底噪；环境音需要保留氛围的 vlog，则可以适当放开，让背景不至于死寂。
输出增益与限幅负责最后的安全。降噪后整体电平会下降，需要补回来，但补得太多会削波。把峰值控制在 -1dB 左右，留一点余量，比事后修爆音省事得多。
均衡器、压缩器这些先别动。降噪没做干净时调均衡，等于在脏玻璃上擦水渍，只会越擦越花。正确的处理顺序是：降噪 → 去混响 → 均衡 → 压缩 → 限幅，一步做完听一遍，再进下一步。
第三步：导出前用耳朵做三遍校验
参数调完不等于结束，三遍校验能挡掉绝大多数翻车。
第一遍听齿音。连续播放带 s、sh、x 的句子，正常的人声应该清亮，如果听起来沙哑、带毛刺，说明高频被削得过头，降噪强度需要降一档。
第二遍听句尾和呼吸。AI降噪最容易误伤的是能量较弱的部分，一句话的最后两个字、换气时的轻微吸气声，都可能被当作噪声清掉。句尾突然”掉进真空”的听感，比留一点底噪难听得多。
第三遍换设备听。耳机里听不出来问题，手机外放一放就露馅：低频噪声在手机小喇叭上本来就听不见，但处理过度产生的金属感”水声”（行业内叫 musical noise）会格外明显。两个设备都过关，才算真的干净。
另外建议看一眼频谱图。干净的降噪结果，人声频段应该是连续的，如果出现大片规则的横条纹或锯齿，说明噪声抑制在周期性抖动，听感上会有明显的”喘息”。存档用 WAV、48kHz、24bit，发布再压成 128 到 192kbps 的音频文件，母版永远留一份未压缩的。
三类场景的用法差异
会议与访谈录音最看重可听清。这类素材往往在会议室录制，空调噪声和混响同时存在，处理顺序应该是先去混响再降噪，人声保护拉到偏高的位置。如果录完还要转成文字稿，处理完直接丢进AI会议纪要工具，识别准确率会比直接喂原始录音高不少，因为噪声少了，语音识别模型不用再把算力浪费在分辨杂音上。
网课与口播更在意音色统一。同一门课可能分几天录，房间温度、空调状态都不一样，底噪会有细微差别。建议固定一套参数，全部素材用同一档强度处理，宁可整体略保守，也不要逐条调到”最干净”，否则学员听着会觉得每节课像换了个人。声音处理完如果要配画面，可以参考AI配音工具的用法，把补录的段落和原始人声对齐。
户外与 vlog的难点在风噪。拍摄时套上防风毛衣是最有效的办法，后期只能补救。处理时先用高通滤波切掉 80Hz 以下的能量，再进降噪；环境音需要保留的，把降噪强度压到 25% 左右，让街道的车流声留一点，画面才不显得假。成片要上字幕的话，AI字幕工具能省下大量对轴时间。想先挑工具，可以看这份AI音频软件的整理。
结语：降噪的目标是好听，不是安静
新手最容易犯的错，是把”没有噪声”当成目标，结果把人声也磨平了。真正好的降噪，听众不会注意到你做过处理，只觉得这个人说话清楚、听着舒服。所以每次调完参数，不妨隔十分钟再回听一遍，耳朵疲劳时的判断往往偏激进。三步流程走顺之后，一段十分钟的素材，从导入到导出大概十来分钟就能完成，剩下的大量时间可以还给内容本身。