用一行 FFmpeg 命令，让噪音俯首，让语音转录更准确一点

我平时做语音转录，最头疼的就是 噪声。 录音里往往有风声、电流声、键盘声、回声......这些杂音一多，转录模型就容易漏听，甚至整句识别不出。

网上的降噪方法很多，大多是基于"大模型"的 AI 降噪，比如 RNNoise、Deepfilture2 、resemble-enhance 等，

效果确实好，但问题也不小：

• 模型动辄几百 MB甚至几个G；
• 下载慢，还容易因为国内网络环境中断；
• 处理慢，不适合批量。
• 最重要的是不太适合打包分发

对我来说，目标很简单： 我只是想在转录前，把音频稍微清理干净一点 ，减少漏识别的句子。 降噪不必完美，只要足够简单、足够轻量就行。

最初的尝试：afftdn

一开始我用的是 FFmpeg 自带的频域降噪滤镜：

ffmpeg -i 1.wav -af afftdn 1_denoised.wav

命令确实够短，但------几乎没效果。 轻微的底噪、风声、呼吸声几乎没变。

我尝试调参数：

-afftdn=nf=-30

强度确实大了点，但人声也被吃掉了一部分，声音发闷、带水声。 我想，也许需要几种滤镜配合使用。

改进方案：四个滤镜组合

最后，我确定了下面这一行命令：

ffmpeg -i 1.wav -af "highpass=f=80,afftdn=nf=-25,loudnorm,volume=2.0" 1_clean.wav

降噪效果立刻提升不少，识别率也明显更稳定。

以下均是使用 whisper 的最小模型 tiny 测试

• 这是未进行降噪处理的语音转录效果，很明显前面漏了好几句

• 这是使用该降噪参数后的语音转录效果

提升还是比较明显的，不仅不再漏句，断句也更合理了

来看一下它的组成部分👇

1️⃣ highpass=f=80

高通滤波器，去掉 80Hz 以下的低频杂音。 这部分通常是环境嗡嗡声或麦克风底噪，人声几乎不受影响。 加上这一条，整体立刻"干净"了不少。

2️⃣ afftdn=nf=-25

核心降噪滤镜。 nf 表示噪声底阈值（noise floor），默认是 -20。 我将它调到 -25，略强一点但不会太糊。 这个参数相当于一个"力度控制"，越低降噪越强。

3️⃣ loudnorm

响度归一化。 降噪后声音有时会忽大忽小，loudnorm 能让整体听起来更自然、更平衡。

4️⃣ volume=2.0

最后把音量放大两倍，补回降噪带来的能量损失。 如果音量太高或爆音，可以调为 1.5。某些场景下，1.5比2.0效果更好

为什么不用 AI 降噪？

有人可能会问： FFmpeg 不是还有基于神经网络的 arnndn 吗？效果更好啊。

是的，它确实更强，但问题在于------麻烦。 很多 FFmpeg 版本根本没编译这个滤镜，要用它就得：

1. 自己下载 .rnnn 模型；
2. 配置路径；
3. 兼容不同系统；
4. 分享脚本时还得附带模型文件。

对我这种希望一条命令就能跑、还要发给其他小白用户的人来说，这不现实。

相比之下，highpass + afftdn 是纯内置方案，不依赖外部模型，速度快、兼容性好。

实战体验

我把这条命令作为语音转录前的预处理，效果非常稳定。 环境噪声明显减轻，语音识别模型的漏识率降低了不少。

更重要的是：

• 运行只需几秒；
• 无需额外文件；
• 任意系统都能用；
• 批量处理轻松搞定。

对于希望部署简单、运行快速、结果可控的需求来说，这条命令堪称"刚刚好"。

降噪这件事，没有完美方案。 AI 模型能做到极致，但门槛高； 传统滤镜效果一般，但稳定、通用。

我的目标不是做声音修复，而是让语音转录更稳一点。 而这一行命令，正好在"效果"和"简单"之间取得了平衡：

ffmpeg -i 1.wav -af "highpass=f=80,afftdn=nf=-25,loudnorm,volume=1.5" 1_clean.wav