户外演出的手机录像，掌声、风噪、扩声串音全在里头。丢进分离工具，人声里混着观众的欢呼；于是先降一道噪，再分离------人声是安静了，可达不到干净，齿音发闷，句尾的气声整段消失，像被人用手捂住嘴。两条路都走过一遍，结果都不满意，最后往往归因成「这类工具也就这样」。问题多半不在工具，在顺序。
底层原理：两个实数增益串起来，为什么不可交换
设混合信号的 STFT 为 X(t,f)，降噪给出的增益 g(t,f)，分离模型给出的掩码 M_k(t,f)。两种顺序写出来是：
先降噪后分离：X_k = M_k · (g · X)
先分离后降噪：X_k = g · (M_k · X)
乘法满足交换律，形式上两者完全相等。这是「顺序无所谓」这句话的来源，也是它错的地方------相等的只是已经算出来的那两个增益，而这两个增益是分别估出来的，不是同一个函数。
分离模型的输入分布决定了掩码。训练时喂进去的是混合信号，谱形符合「多个声源叠加」的统计规律。先降一道噪，送进模型的谱已经被压出一个个空洞，噪声底被切平，模型看到的是一个它没怎么见过的东西，掩码开始在边界上抖。
降噪增益本身也不是线性的。以谱减为例，一种常见写法是：
g(t,f) = max(0, 1 - α · N̂(t,f) / |X(t,f)|)
α 取 2（过减，用来压音乐噪声）时，在信噪比 0dB 上下的格子，g 落到 0.1 附近，等于把该格压掉 20dB。而人声的气声、齿音、句尾衰减，恰好长期待在这个能量区间------它们不是噪声，但在噪声估计里长得像噪声。这一刀下去，模型后来再怎么分，也没东西可分。
取舍一：噪声强时先降噪，换来的是信噪比还是干净的假象
现场录像、街拍、车内录音，噪声以稳态为主（空调、发动机、人群底噪）。这类素材先降一道噪，分离模型确实更容易把人声抓住，因为信噪比上去了。
代价是：降噪对低能量人声成分的杀伤最大。气声、唇齿音、尾音，这些恰恰是判断「这是不是真人在唱」的关键线索。压掉之后，人声轨听上去平，不是脏，是没有细节。
实践里能接受的做法是轻降噪：只压稳态段，压量控制在 6dB 以内，不追求「听起来没噪声」。留一点底噪，比留一个光滑的人声更安全。
取舍二：先分离再降噪，噪声被分配进某条轨
反过来做，噪声不会消失，它会被分配。
分离模型对每一格都要给出一个归属：这格归人声、归鼓、归其他。噪声格没有正确归属，模型只能按训练先验硬分------稳态噪声常被分进其他轨或伴奏，非稳态的掌声、咳嗽常跟着人声走。
分完之后再降噪，问题变成局部问题：人声轨里那点掌声，降噪器会把它当成人声的一部分保下来，或者压出一个短促的咝声；伴奏轨里的观众声，一压就变成周期性的脉冲。
更麻烦的是降噪产生的音乐噪声（musical noise）：孤立谱峰被随机放大，听起来像水泡。单轨上出现这种声音，几乎没有干净的办法修，因为它的谱形和人声高度重叠。
取舍三：两次时频变换的叠加损伤
任何一次降噪和任何一次分离，都是一次「分析---处理---合成」。两次串联，就是两次窗函数、两次重叠相加。
瞬态是最先坏的部分。鼓的起音只有几毫秒，第一次处理会把它摊到两三帧上，第二次再摊一遍，打击感就没了。这种损失在单轨上不明显，几条轨一起放立刻听出来：整体发软，没有原曲那股劲。
需要手动控制压量时，可以先用AI降噪工具把稳态段单独压一遍，拿到一个干净底再上传做分离------这样降噪与分离是两步，各自可回退，比一次性交给预设更容易调。
收尾
顺序问题的本质，是搞清楚每一步在丢什么信息。降噪丢低能量成分，分离丢归属不确定的成分，两次变换丢瞬态。知道这三笔账记在哪，比反复换工具、反复调参数有效得多。工具能把损失压小，压不到零。