一段访谈录音，你听着底噪还在，把降噪强度拉到 80%，再听觉得人声有点发「塑料」，可又说不出哪里不对。隔天在路上用手机外放听同一版文件，居然觉得挺干净。回到安静房间戴上耳机，那层沙沙声又回来了，句尾的轻声字还带着一点抖动。到底哪一遍才算数？「降噪到位」这件事，如果没有判据，就只能靠反复拉强度试出来，而每一次试都会在另一个方向上付代价。
底层原理：一个旋钮同时控制两件事
无论算法叫什么名字，降噪的核心都是一组时频域的乘性增益 G(f,t)，取值在 0 到 1 之间：这一格判为噪声就压向 0，判为语音就保留。换句话讲，它输出的是一张和频谱图同尺寸的增益表，每一格乘上去。降噪后的信号等于 G 乘以原信号，于是同时出现两个结果------
残留噪声 =（1 − G）· N，人声损伤 =（1 − G）· S（在语音占优的格子里）。
两者共用同一个 G。这就是为什么「再压一点」永远不是免费的：压低 G，噪声和那一格的人声一起减少。所谓降到位，可以写成一个可检验的条件：
在目标播放环境里，残留噪声低于可闻阈值；同时，语音自然度的损失低于可辨阈值。
两个阈值都不在算法里，而在播放环境里。手机外放的环境噪声常在 40~50dBA，它天然掩蔽了 −45dBFS 以下的残留；安静房间加耳机，环境底噪只有 25~30dBA，同一版文件里那层「沙沙」就露出来了。所以「外放听着干净」不能作为验收结论，它只说明这个环境掩蔽得够多。
三个判据：一个数字、两个听检
判据一：用停顿段量残留噪声水位
不要凭感觉判断「还有没有噪声」，找一个客观量：句间停顿。
做法是挑一段不短于 300ms 的静音（说话人换气的间隙最合适），测它的 RMS 电平，再和原始文件同一位置对比。测量前先确认一件事：降噪不应该改动采样率和位深，如果导出后发现采样率变了，那是转码环节出了问题，量出来的数字没有可比性。参考基准是语音段 RMS 归一到 −20dBFS 时：
• 停顿段 ≤ −45dBFS：外放和普通耳机场景基本不可闻，到位；
• 停顿段 −45~−35dBFS：安静房间里能听到一层沙沙，通常还有 5~10dB 可压；
• 停顿段在 −30dBFS 附近：明显不足，但别一次压 20dB，分两三次各 5~8dB 更安全。
还有一种情况容易误判：数字上已经到 −55dBFS，你却仍觉得「吵」。这时问题不在水位，而在噪声的形态------它被压成了音调化的残渣（下一节讲），再压只会让人声更假。
判据二：听句尾、擦音与停顿，判断自然度
数字合格之后，第二个判据只能靠耳朵，而且有固定听点。戴上耳机，重点听三处：
句尾轻声字。过头的第一信号是句尾被「吸」掉------最后一个字只出声母不出韵母，像被人掐了尾巴。这是增益估计在低信噪比格子上判 0 的痕迹。
擦音 s / sh。健康的降噪会让 s 音保持尖锐短促；过头之后 s 会变闷，听起来接近 θ（英语 think 的 th），因为 4~8kHz 被连带压掉了。
词间停顿。听噪声是平稳的一层，还是随语音起伏忽有忽无。后者叫 pumping（抽吸感），是增益估计跟随语音包络波动的结果，比残留噪声更刺耳，因为它把注意力引到了处理痕迹上。
这三处只要有一处明显异常，就该退回上一版参数，而不是继续微调强度。
判据三：放大听痕迹，专找音乐噪声与水下感
第三个判据是把文件「当证据看」：把降噪后的音频整体提高 10~15dB 试听（相当于用放大镜看噪点），只在耳机里做，外放听不出来。
要抓两种痕迹。一是音乐噪声（musical noise） ：4~8kHz 出现短促、随机、带音调的「水滴声」或「鸟鸣」，一串一串的，这是谱减类方法在能量相减后截断为零留下的残渣。二是水下感：整体发闷、发远、像隔着门听，通常是过减加上高频损失叠加的结果。
这两类痕迹一旦出现，说明已经越过了平衡点。它们不会因为再压一点而消失，只会更明显------正确的动作是回退参数，或者先用更轻的档位跑两遍。
顺带一个反直觉的结论：保留微量底噪比绝对安静更自然。把停顿段压到 −60dBFS 以下，语音的动态和呼吸感会一起消失，听感上反而「假」。留一层 −50dBFS 左右的稳定底噪，多数场景下比全静音更可信。
音频降噪的详细步骤
流程可以固定成四步。
第一，保留一份原始文件，任何时候都能回到起点。
第二，跑第一档，从轻的开始，比如压制量 8dB。
第三，量停顿段 RMS，对照用途表看差多少，再按 3~6dB 的步长加。
第四，戴上耳机听句尾、擦音、停顿三处，再提高 10~15dB 抓音乐噪声，全部通过才导出。
停手的标准要提前定
降噪最难的不是操作，是知道什么时候停。提前把「停顿段多少 dBFS」「哪三处听点」「哪两种痕迹」写下来，验收就变成一道判断题；没有这三条，判断就永远依赖当天的心情和那副耳机。定好判据，比多试十次参数更省时间。