录音里的空调声、电流声、马路噪声，理论上都能靠降噪去掉。但很多人实际操作下来会发现一个矛盾：降噪强度拉满，杂音是没了，人声却变得发空、发闷，像隔着一层水在说话，甚至出现诡异的「电子尾音」。这不是工具不行，而是降噪这件事本身有一道绕不开的物理边界——噪声和人声在频谱上从来不是各据一方，而是叠在一起的。压噪声的动作只要够狠，就一定会咬到人声。问题只在于咬掉多少、咬在什么地方。
这篇文章从降噪算法的判定逻辑讲起，拆清楚「人声变假」的三个技术成因，以及实际操作中怎么把压制量控制在「够用但不过头」的区间。
降噪不是「识别噪声」，而是「统计噪声」
先纠一个普遍误解：降噪算法并不是真的「听懂」了什么是空调声、什么是人声，然后只删前者。主流的谱减法和基于神经网络的方法，做的事情本质上都是统计——先拿到一段「只有噪声、没有人声」的片段（比如录音开头的空白几秒），算出噪声在各个频段的能量分布，建立一个噪声画像；然后在处理整段音频时，把每个时刻的频谱和噪声画像对比，凡是能量接近噪声画像的成分就压掉，明显高出的就保留。
这个机制决定了两个后果。第一，噪声画像的质量直接决定成败。如果你给算法的「纯噪声样本」里混了人声，或者噪声本身是波动的（比如马路噪声忽大忽小），画像就偏了，后面处处皆错。第二，任何「人声和噪声能量接近」的频段都会被误伤——人声的气音、齿音尾韵、低声压的尾音，能量跟空调声是一个量级的，算法分不出来。
所以「人声变假」不是偶然事故，而是这套机制的固有代价。区别只在于代价付在哪里、付多少。
要点一：压制量每加一分，人声细节就丢一分
降噪强度（很多工具里叫「压制量」「抑制深度」）控制的是「判定为噪声的成分要压掉多少 dB」。压 6 dB 和压 20 dB，听感完全是两回事。
关键在于人声的构成。一个元音的主体能量集中在低频的基频和前几个共振峰上，这部分通常远高于噪声底，安全。但人声的自然度恰恰藏在那些低能量细节里：唇齿气音、辅音的瞬态、句尾的衰减，以及让声音有「空气感」的 8kHz 以上泛音。这些成分的能量常常只比噪声底高几个 dB。
压制量小的时候，算法只动那些「确定是噪声」的成分，细节保留得多，但你能听到的噪声残留也多；压制量一大，判定边界就往人声这边推，气音和尾韵先被当成噪声切掉，人声的「毛边」没了，剩下的就是又干又平的「罐头声」。这是一个此消彼长的零和关系，不存在「拉满又无损」的档位。
工程上的经验值是：语音内容（访谈、播客、会议）压 10 dB 上下通常足够，音乐内容还要再保守。如果开到 15 dB 以上还觉得噪声明显，问题多半不在压制量，而在噪声画像或录音本身——继续加量只会把人声压坏，压不掉噪声。
要点二：人声的「气音区」和噪声天然重叠
第二个成因更深一层：有些频段上，人声和噪声就是不可分的。
最典型的重叠区有两块。一块是 200Hz 以下的低频，空调、机箱、电流的嗡嗡声都堆在这里，而男声的基频、胸腔共鸣也在这个范围——降噪去低频轰鸣时下手重了，人声立刻变薄、变「飘」。另一块是 6~8kHz 以上的高频，电流的嘶嘶声、白噪声在这里能量密集，而人声的齿音（s、sh、c 这类擦音）和气息感恰好也住在这里。压高频嘶声的同时，齿音会被一并磨平，说话变得「大舌头」，句与句之间像被掐掉了换气声。
成熟的算法会用「语音存在概率」做加权——判断某个频段此刻更像人声还是更像噪声，按概率决定压多少，而不是一刀切。但概率判断在重叠区天然不靠谱：气音段就是「一半像人声一半像噪声」，怎么加权都会错一部分。这就是为什么降噪后的音频常常有一种「水声」「金属尾音」——那是算法在重叠区反复误判、能量被不规则挖掉后留下的人工痕迹，行话叫音乐噪声（musical noise）。
要点三：平稳噪声好除，非平稳噪声才是失真重灾区
噪声分两类。空调、风扇、电流这类平稳噪声，能量分布长时间不变，噪声画像建一次能用到底，算法处理起来得心应手，失真也小。真正难搞的是非平稳噪声：马路上的车流、键盘敲击、隔壁的说话声、突然的关门声——它们随时间变化，前一秒的画像后一秒就过期。
算法应对非平稳噪声只能不停更新画像，但更新有延迟，而噪声变化没有。在画像追不上噪声的窗口里，算法会把「没变过的那段频谱」当成噪声猛压——如果那段恰好是人声，人声就被挖出一个坑。所以处理马路录音、咖啡馆录音时，失真往往比处理空调录音明显得多，这不是强度没调好，是噪声类型决定了上限。
实践上的推论是：录音环境的「稳定性」比「安静程度」更重要。一个有稳定空调声的安静房间，降噪效果通常好过一个「大部分时间安静但时不时有动静」的开放空间。前期能控制环境时，优先求稳，其次才是求静。
实际操作的三个建议
把上面的机制落到操作层面，是三条具体动作。
第一，给算法一段干净的噪声样本。 录音时养成习惯：开录后先安静录 3~5 秒环境声，再开始说话。这几秒就是算法建画像的原料。很多人降噪效果差，根子在这几秒没留。如果手头的素材没有纯噪声段，就从句间停顿里截——哪怕只有 1 秒，也比让算法瞎猜强。
第二，分两次轻压，好过一次重压。 与其一次压 18 dB，不如先压 10 dB 听一遍，再决定要不要补第二次 6~8 dB。分步的好处是每一步都能听到「丢掉了什么」，一旦发现人声开始发空就停手。一次重压是不可逆的——切掉的细节找不回来。
第三，优先处理最吵的那个频段，而不是全频段平均加量。 如果噪声主体是低频空调声，就只针对低频段加压制量，高频保持轻触。频段化处理能把「必须压的」和「必须保的」分开，避免为了干掉低频轰鸣把齿音也陪葬。
确认人声细节没有明显丢失之后，再决定要不要加码。这个「先轻后重、逐步试听」的习惯，比记住任何参数都管用。
工具选择与能力边界
在线工具里，AI降噪工具走的是神经网络谱估计路线，对平稳噪声的压制比较干净，操作上也只需要上传文件、选强度，适合日常访谈、播客、会议录音的快速处理。本地专业工具可调参数更多，支持频段级精细处理，适合有后期经验的用户。
明确两条能力边界。其一，降噪救不了信噪比过差的素材。 如果人声本身比噪声还轻（比如隔着很远远距离偷录），任何算法都分不出人声，强行处理只会得到一段「音乐噪声」。其二，降噪不去混响。 房间回声是另一回事，它和人声在时间上重叠而不是在频谱上分离，需要专门的去混响算法，把降噪强度拉满对混响毫无作用。
降噪的目标从来不是「一点噪声都不剩」，而是「噪声不干扰内容」。留一点听感上无害的底噪，换人声的自然完整，在绝大多数场景下都是更划算的交易。
