8 kHz 窄带语音喂给识别模型之前，前端要做哪几件事

小杨手记

先说结论：电话网送给识别模型的语音是 8 kHz 采样、带宽 300–3400 Hz 的窄带信号，这个先天条件决定的识别上限，不是换一个更大的模型能补回来的。前端处理做得好不好，对字错率的影响，往往大于模型选型。

这一点在实际项目里经常被倒过来对待：模型迭代了三轮，前端链路还是默认参数。下面按信号流经的顺序，把前端该做的事过一遍。

一、8 kHz 到底少了什么

按采样定理，8 kHz 采样对应 4 kHz 的奈奎斯特带宽；电话网实际的信道带宽是 300–3400 Hz，两端各切掉一截，这是为了在早期载波系统里省信道、也为了避免直流与工频干扰。

这个带宽对语音识别的影响是结构性的：

浊音的基频（男声 100–150 Hz、女声 200–250 Hz）在带内，能被完整保留；决定音色与部分辅音辨识的高频段基本被切掉。汉语里 s / sh / x / f / h 这类摩擦音的能量大量集中在 4 kHz 以上，窄带信道里剩下的只是很弱的一段。

所以窄带语音的识别，本质上是在信息缺失的条件下做判断，模型更多依靠上下文和语言模型去补。这也解释了为什么同一套模型在 16 kHz 宽带录音上表现很好，切到电话信道后字错率会明显上升——测试集换了域，不是模型退化了。

工程上的含义很直接：如果业务允许宽带，就别为了省带宽压到窄带。省下来的那部分传输成本，通常抵不上识别率下降带来的返工。

二、重采样：别让混叠先污染信号

很多链路的问题出在第一步。原始音频是 16 kHz 或 48 kHz，要降到 8 kHz 送进窄带模型，中间如果只做抽取不做抗混叠滤波，高于 4 kHz 的成分会折叠回带内，变成不可逆的噪声。

折叠进来的成分听起来像"沙沙"的杂音，频谱上表现为带内多出一层不该有的能量。它有两个后果：一是降噪模块会把它当噪声处理，可能过抑制；二是识别模型会把折叠进来的能量误判成摩擦音，出现无中生有的字。

正确做法是先低通再抽取，或者用多相滤波器做一次性重采样。评估方法是拿一段纯音扫频信号过一遍链路，看 4 kHz 以上有没有镜像。

同一条链路上还有一个常被忽略的点：中间的每一次重采样都会引入群延迟。一次高质量的 FIR 重采样滤波器，阶数高一点就是几十毫秒的延迟。链路上如果叠了三四次采样率转换，累积起来能到几百毫秒，这部分时延经常被误记到网络或模型头上。

三、降噪：单通道的天花板

窄带语音的噪声主要来自三处：信道本身的底噪、终端侧的采集环境、以及上一跳的编码失真。

单通道降噪的常用手段是谱减法和维纳滤波，近几年也有用小型 DNN 做前端增强的。三类方法共同的局限是：它们只能压制与语音在时频上可分的噪声，对与语音重叠的部分无能为力，强行压制就会伤到语音。

工程上要特别注意两个伪影：

一是音乐噪声。谱减法在减去噪声估计后，残留的随机谱峰会形成断续的"咕噜"声，人耳听着勉强，识别模型会把它当成音节边界，导致切分错误。

二是过抑制导致的辅音丢失。降噪强度调高，摩擦音先被削掉，因为它们的能量本来就在噪声的水平附近。表现是识别结果里声母丢失，出现"我知道"听成"我要"这类错误。

一个务实的判断标准：降噪后的音频不要用耳朵听着"干净"来验收，要看字错率。听起来舒服的强降噪，识别率经常是下降的。

四、AGC：增益拉平了，底噪也一起拉平了

自动增益控制的目的是让不同终端的音量拉到同一水平，避免有的声音过大削顶、有的过小识别不到。

问题在于增益是全局的。一段安静段的底噪被放大 12 dB，信噪比没有改善，反而让后续的 VAD 更容易误触发。所以 AGC 的位置有讲究：应该放在降噪之后，对已经净化过的信号做增益调整；放在降噪之前，等于把噪声一起放大，给降噪模块增加负担。

另外要注意削顶。增益过大时波形顶部被截平，产生大量谐波，这部分谐波在窄带里无法还原，会显著影响识别。压限器的启动与释放时间参数也要设合理，释放太快会造成增益起伏，听感上是"一喘一喘"，识别上会切碎长音。

五、VAD 与端点检测：门限设在哪

VAD 决定什么时候开始识别、什么时候结束。窄带场景下 VAD 的难点在于：电话信道的底噪不是平稳的，会有突发（线路切换、回声残留、对方环境声）。

门限设低了，噪声被当成语音送进识别，模型会在静音段上产生幻觉输出；门限设高了，轻声起始的音节被切掉，用户开口的第一个字丢失——汉语里第一个字丢失对语义影响很大。

可行的做法是双门限：高门限确认语音起始，低门限维持语音延续，中间加一个最短语音时长与最长静音时长的约束。这套参数不能一套通吃，免提、手持、车载三种场景的底噪水平差得很远，要分别标定。

还有一个细节：端点检测的尾点延迟直接影响交互时延。等太久确认静音，用户会觉得系统反应慢；等太短，用户说话中间的正常停顿会被切断，一句话被拆成两次输入。

六、丢包与抖动：编码层的问题会伪装成识别问题

窄带链路上，丢包和抖动是常态。抖动靠缓冲吸收，缓冲越深越稳，但时延越大；缓冲越浅时延小，但容易丢帧。

丢包时解码器会做丢包隐藏（PLC），用前一帧的参数外推。对语音通信来说，PLC 只是让听感上"不那么断"，对识别来说，被隐藏掉的那几十毫秒等于凭空消失的音节。

所以评估链路时要把丢包率单独拉出来看。千分之几的丢包率听起来很低，但如果集中在某段时间，那段音频的识别结果会整段错乱，而且错误形态很奇怪——不是错字，是漏字。

七、评估：PESQ 高不等于识别率高

最后说评估。语音质量的主观评估有 PESQ 和 POLQA，工程上常用它们替代人耳打分。

这两个指标的局限必须说清楚：它们衡量的是"人听起来像不像"，不是"机器能不能识别对"。

一个经过强降噪处理的音频，PESQ 分数可能很高（因为噪声少了，主观听感变干净），但识别率反而下降（辅音被削掉了）。反过来，一段底噪明显但频谱完整的音频，PESQ 一般，字错率却可能更低。

所以前端调参的验收指标，必须是字错率，而且要按场景分组统计：安静室内、免提、车载、嘈杂环境各算一遍。只看总体平均会掩盖问题——总体 4%，可能是一个场景 2%、另一个场景 12% 平均出来的。

联调阶段的建议清单：

· 扫频信号过链路，确认 4 kHz 以上无镜像折叠
· 记录每一次重采样引入的群延迟，累加核对端到端时延
· 降噪前后分别测字错率，不看主观听感
· AGC 位置放在降噪之后，检查是否有削顶
· VAD 双门限按场景分别标定，检查首字丢失与静音幻觉
· 拉出丢包率时间分布，不只看平均值
· 字错率按四类场景分组统计，不给单一总分

这七项里，前两项属于一次性验证，后面五项需要随场景反复调。前端处理是个脏活，没有太多"调一次就解决"的空间，更多是标定和记录。

但它的投入产出比，通常高于在同一套前端上反复换模型。8 kHz 的信号条件摆在那里，能从里面榨出多少信息，取决于前端有没有把这些信息完整地交给模型。