3 分钟救回被噪音毁掉的录音：ClearerVoice-Studio AI 语音处理上手指南

3 分钟救回被噪音毁掉的录音：ClearerVoice-Studio AI 语音处理上手指南

【免费下载链接】ClearerVoice-StudioAn AI-Powered Speech Processing Toolkit and Open Source SOTA Pretrained Models, Supporting Speech Enhancement, Separation, and Target Speaker Extraction, etc.项目地址: https://gitcode.com/gh_mirrors/cl/ClearerVoice-Studio

如果你正被录音里的空调声、键盘声、背景人声折磨，这篇文章是写给你的。ClearerVoice-Studio 是一款开源的 AI 语音处理工具包，几行代码就能完成语音增强、人声分离、音质提升等操作，免费开源，新手也能快速上手。

先讲个真实场景：凌晨一点，录音"废"了

上周我熬夜剪一期播客，剪到凌晨一点导出，回放才发现整段人声背后全是空调的嗡嗡声和敲键盘的哒哒声。重新录？嘉宾档期约不上了。花钱找人修？报价高得离谱。后来同事丢给我一个开源项目，说"你跑两行命令试试"。试完我愣住了——那段以为要报废的录音，人声变得干净透亮，背景噪音像被橡皮擦擦掉了一样。这个项目，就是 ClearerVoice-Studio。

一句话看懂：它是声音界的"AI 修图师"

美图软件给照片"磨皮祛痘"，ClearerVoice-Studio 则给声音做同样的事：自动识别并抹掉噪音、把混在一起的说话人分开、把模糊的音质变清晰。它由三部分组成：

• ClearVoice：开箱即用的推理入口，加载预训练模型，几行代码出结果；
• Train：面向开发者的训练与微调框架，想定制自己的模型就看这里；
• SpeechScore：客观评测工具，量化"处理完到底变好了多少"。

内容创作者、想给产品加语音能力的开发者、只想抢救老录音的普通用户，它都适用。

处理前 vs 处理后：一张表看懂它能做什么

换句话说：从"听不清"到"听清"，从"混在一起"到"各归各位"，它全包了。

四个真实场景，手把手带你跑通

开工前：两条命令装好环境

pip install clearvoice

装好后在代码里写from clearvoice import ClearVoice即可开工。只处理 WAV 的话这步就够；要处理 MP3、AAC、FLAC 等格式，再补装一个 FFmpeg。想从源码安装或参与开发，可以git clone https://gitcode.com/gh_mirrors/cl/ClearerVoice-Studio后进入clearvoice/目录执行pip install --editable .。仓库自带的demo.py、demo_with_more_comments.py可直接运行，python demo.py就能看到完整效果。

场景一：会议录音去噪，让领导听清你的汇报

from clearvoice import ClearVoice myClearVoice = ClearVoice(task='speech_enhancement', model_names=['MossFormer2_SE_48K']) output_wav = myClearVoice(input_path='samples/input.wav', online_write=False) myClearVoice.write(output_wav, output_path='samples/output_enhanced.wav')

大白话解释：第一行创建了一个"去噪器"，指定使用全频带模型 MossFormer2_SE_48K；第二行把input.wav丢进去，模型返回处理后的音频数据；第三行把结果存成新文件。跑完直接播放对比，噪音基本消失、人声完整保留，模型文件会在首次运行时自动下载。这个语音降噪工具还提供 FRCRN_SE_16K、MossFormerGAN_SE_16K 两个 16kHz 版本，前者更轻快、后者效果更佳，按需挑选即可。

场景二：多人访谈人声分离，把两把声音拆开

myClearVoice = ClearVoice(task='speech_separation', model_names=['MossFormer2_SS_16K']) output_wav = myClearVoice(input_path='samples/input_ss.wav', online_write=False) myClearVoice.write(output_wav, output_path='samples/output_separated.wav')

代码几乎没变，只是把任务换成了speech_separation。它会将混在一起的两路人声分别输出为..._s1.wav和..._s2.wav，相当于自动帮你"分轨"。在 LRS2-2Mix、WSJ0-2Mix 等公开基准上，MossFormer2_SS_16K 的分离指标超过了 Conv-TasNet 等经典模型，处于开源方案的第一梯队。

场景三：老旧录音的音频质量提升方法，从"糊"到"清"

采样率可以理解为声音的"清晰度档位"：16kHz 相当于低清视频，48kHz 才接近高清。MossFormer2_SR_48K 能把低采样率音频"脑补"到 48kHz，让老录音丢失的高频细节回来。

myClearVoice = ClearVoice(task='speech_super_resolution', model_names=['MossFormer2_SR_48K']) output_wav = myClearVoice(input_path='samples/input_sr.wav', online_write=False) myClearVoice.write(output_wav, output_path='samples/output_sr_48k.wav')

如果音频又旧又吵，可以先用增强模型去噪、再做超分辨率，两步串起来就是一条完整的"翻新流水线"。

场景四：视频里只留下想听的那个人的声音

多人同框说话时，怎么只提取其中一人的声音？AV_MossFormer2_TSE_16K 结合画面中的人脸与口型信息，把目标说话人的声音从混合音轨里"抠"出来。传入视频目录即可批量处理（支持 .avi/.mp4/.mov/.webm）：

myClearVoice = ClearVoice(task='target_speaker_extraction', model_names=['AV_MossFormer2_TSE_16K']) myClearVoice(input_path='samples/path_to_input_videos_tse', online_write=True, output_path='samples/path_to_output_videos_tse')

此外，项目还提供 Numpy 进 Numpy 出的接口（见 demo_Numpy2Numpy.py），方便把模型直接嵌进你自己的训练或推理管线。

效果好不好，让数字说话

光靠耳朵不够客观。SpeechScore 模块提供 18 种评测指标，最常用的四个：

• PESQ：感知语音质量，约 0.5~4.5，越大越好——MossFormerGAN_SE_16K 在 DNS-Challenge-2020 上把 PESQ 从 1.58 拉到 3.57；
• STOI：可懂度，0~1，越接近 1 越清楚；
• DNSMOS：神经网络打的 MOS 分，1~5 分制；
• SI-SDR：信号失真比（dB），越高代表分离与增强越干净。

评测代码同样一行启动：SpeechScore(['PESQ','STOI','DNSMOS','SISDR'])，传入测试音频与参考音频即可。其中 DNSMOS、NISQA 这类"非侵入式"指标甚至不需要干净参考，直接给处理结果打分，相当方便。

进阶玩法与新手避坑指南

想让模型适配自己的数据？train/ 目录下有四类任务的完整训练脚本，配置集中在train/speech_enhancement/config/train/等目录，还附带自动合成带噪、带混响训练音频的数据生成脚本（train/data_generation/）。更硬核的是，目标说话人提取支持用参考语音、人脸口型、身体姿态乃至脑电信号（EEG）作为提取条件。

新手最常踩的坑有三个：

• 非 WAV 格式报错：处理 MP3/AAC/FLAC 前先装 FFmpeg，纯 WAV 不需要；
• 长音频卡顿或爆内存：建议先切成 30~60 秒片段，或用目录/列表批量处理（online_write=True）；
• 模型下载失败：首次运行需联网自动拉取预训练模型，网络不稳时可手动从 ModelScope 下载放到checkpoints目录。

你可能担心的 3 件事

① 不会写代码能用吗？能。复制上面的代码、改一下文件路径就行；demo_with_more_comments.py每步都有详细注释，照着读就能懂。

② 支持哪些系统和格式？Windows、macOS、Linux 都能跑；音频支持 wav、mp3、aac、flac、ogg、aiff 等十几种常见格式，视频支持 avi、mp4、mov、webm。

③ 效果真的靠谱吗？预训练模型出自阿里巴巴语音实验室团队，全部经过公开基准严格评测（上文指标就是证据）；其中 FRCRN 去噪模型在 ModelScope 上已被调用超过 300 万次，口碑经得起检验。

现在就去试试：3 分钟体验 AI 语音处理

回到开头那个深夜剪播客的场景：如果你硬盘里也躺着"舍不得删又没法用"的录音，现在花 3 分钟就能给它第二次生命。装好clearvoice后跑一遍demo.py，用samples/里的示例音频对比"处理前 vs 处理后"的差别，你会回来收藏这篇文章的。

想第一时间获取新模型和使用教程？扫描下方二维码加入官方交流群，和开发者、同好一起聊语音增强与处理心得；如果你有更好的模型思路，也欢迎通过 train/ 框架贡献代码，让更多人用上更干净的声音。

【免费下载链接】ClearerVoice-StudioAn AI-Powered Speech Processing Toolkit and Open Source SOTA Pretrained Models, Supporting Speech Enhancement, Separation, and Target Speaker Extraction, etc.项目地址: https://gitcode.com/gh_mirrors/cl/ClearerVoice-Studio