估计音频文件信噪比的方法？

Question

如何从包含语音的单个音频文件中估算 SNR？ 我知道两种方法：

1. log power histogram pecentile Difference（又名“NIST 快速方法”），在此处描述：http://labrosa.ee.columbia.edu/~dpwe/tmp/nist/doc/stnr.txt

2. 10*log10((S-N)/N)，其中

   • S = sum{x[i]^2 * e[i]}
   • N = sum{x[i]^2 * (1-e[i])}
   • e[i] 某种语音活动检测（语音/非语音指示器）

有没有更好的方法不需要立体声数据（或干净和嘈杂版本的数据）？我还想避免 NIST 文档（参见 1.）中描述的“第二种方法”，它对分布做出了强有力的假设。

Answer 1

人声使用 300 Hz 到 3 kHz 的频率。这就是（旧的）电话系统正在使用的。人声从不一次使用所有这些频率，这就是为什么我们可以进行频率分析以找到本底噪声 - 无需任何参考或语音活动检测 e[i]：

1. 以 ~ 10 - 20 Hz 的频率分辨率计算 FFT。 对于 48 kHz 的采样率，您将使用采样率/分辨率 = 4800 个样本的 FFT 长度，这应该四舍五入到最接近的 2 次幂，即 4096

2. 确定保存 300 - 3000 Hz 结果的必要区间。 bin 索引 k 保存频率 k*samplerate/FFT_length 的结果。对于 48 kHz 以上的输入和 FFT 长度 4096，这是 k(300 Hz) = 300 * 4096 / 48000 ~= 25 和 k(3000 Hz) = 3000 * 4096 / 48000 ~= 250。

3. 计算每个必要 bin 中的能量：E[k] = FFT[k].re ^2 + FFT[k].im ^2。这取决于你的 FFT 算法“在哪里”写实部和虚部。

4. N = min{ E[k=25..250] } * number_of_bins (=250-25+1)

5. S = sum{ E[k=25..250] }

6. 信噪比 = (S-N)/N。级别为 10*log10(SNR)

7. 随着 SNR 随时间变化，返回第 1 步，获取一些新样本 - 可能有一些重叠