录音降噪教程：先降噪还是先提音量，顺序错了全白做

真房间里录出来的声音，和你想象的不一样。有风扇、有冰箱、有车流，说话的人离麦克风三米远。通常两个问题一起来：太小声，也太吵。

直觉是先调大音量，因为那是最明显的问题。这个顺序是错的，后面会解释为什么。

降噪能做和不能做的

降噪跑的是 RNNoise，按短帧处理，判断哪部分是人声、哪部分是噪声。这个设计直接决定了它的边界：

稳态噪声处理得好。 风扇声、空调声、房间底噪、远处的车流——频谱稳定的都行。

背景里的说话声处理得差。 那是语音不是噪声，模型会保留下来，而且可能把人声弄坏。

被盖住的字救不回来。 噪声把某个音节完全盖住，那个音节就是没了，任何处理都还原不出。

会损伤音乐。 录音里有音乐的话，处理后通常会变怪。这是个人声工具。

先判断你手上是哪种情况，再决定要不要走这套流程。

第一步：把音频从视频里取出来

现场录音常常装在视频容器里：手机拍的视频、录屏、相机文件。

用音频提取把音轨取出来。后面每一步都是跟一个 40 MB 的音频打交道，而不是 2 GB 的视频，速度和整理难度都不一样。

英文界面，生成的四秒 MP4 → 33.1 KB AAC/M4A 音频。Original audio（原始音频）模式直接拷贝音频数据，不重新编码。

源本来就是音频文件的话，跳过这步。

第二步：先降噪，再提音量

这是决定结果的一步。

先加增益，噪声也一起加。降噪器面对的是一个更响但同样脏的信号，判断并不会更准。

先调大音量，所有东西都跟着变大，噪声也一样。降噪器随后看到的是一个更响但噪声比例没变的信号，它的估计不会更好——而你的耳朵这时候更容易听出处理痕迹。

所以顺序是：用降噪打开原始电平的文件处理，干净了之后再谈音量。

两个设置要留意：

先预览。 工具默认处理前 30 秒作为预览。长文件一定要先听预览，因为全量处理要等很久，而结果未必更好。

降噪比例。 输出是按百分比混合的，值越低，混回原音的部分越多。拉满降得最干净，但人声的质感也去得最多，听起来像被处理过。准备发出去的素材，一般不要拉满；只准备用来转录的，可以拉高一些。

英文界面，使用生成语音、80% 混合比例演示。这不是嘈杂的现场录音，也不是语音质量改善的实测证据。

工具单文件上限 30 分钟。更长的要切分——顺便也是把用不上的部分去掉的理由。

第三步：小幅度提音量

现在录音干净了，但还是小声。用音量提升处理。

提到听着舒服就行，不要提到响。两个原因：

• 提音量也会把残留的噪声一起提上来，而降噪之后残留的往往是人声换气那种嘶声，模型没能分离干净。
• 一旦削顶——峰值撞到上限——损伤是永久的。留出余量。

英文界面，生成语音使用 +3 dB 增益并开启峰值保护。显示的 61% 是源音频峰值分析；当前界面没有显示实测输出峰值。

注意齿音："s"和"sh"这类音是最先失真的，增益给多了就刺耳。

第四步：先想清楚这个文件要干什么用

同一段录音，用途不同，处理方式就不同。导出之前先明确：

只用来转录。 降噪可以重一些，音量适中就好。识别对底噪的敏感度高于绝对响度。处理完交给音频转文字。

要发出去给人听。 降噪轻一些，音量做统一。过度处理的人声，听感比轻微的背景噪声更糟。

还要继续在剪辑软件里用。 导出处理后的 WAV，最后那几 dB 留给剪辑软件做。别在这里一步到位。

处理结果不对劲？先对号入座

听起来像机器人。 降噪过头了。回到原文件、降低比例重跑；这个处理不是增量的，必须从源头重来。

噪声还在。 多半是它本来就不是稳态噪声，或者相对人声太响了。判断一下是风扇声（该有效果）还是旁边有人说话（不会有）。

人声又远又薄。 麦克风离得远。降噪加不了距离感，它只能去掉不是人声的部分，而远处的说话本来就没多少"贴脸"的成分。

文件变大了。 降噪输出固定是 WAV，不管输入是什么格式。在意体积就用音频转换转成 MP3 或 M4A。

期望值放在哪

一段对它的用途来说够用的录音，以及一个诚实的判断：隔着房间用手机录的，不会变成演播室访谈，但它可以变成一份完全可搜索的文稿——而那往往才是真正的目的。