基于Matlab语音信号处理，主要是对一段语音信号进行加噪声处理，去除噪声，对于语音波形图，语音语谱图，和信噪比进行对比，得到较好的去噪效果，小波阈值法去噪，关于语音信号的
先上硬货——加载语音信号的核心代码：
[voice, Fs] = audioread('sample.wav'); t = (0:length(voice)-1)/Fs; subplot(311) plot(t, voice) title('原始信号波形')这里有个坑：如果采样率太高，处理起来会卡成PPT。建议先resample到8kHz，用decimate函数处理下采样。不过咱们先保持原样，方便观察细节。
接着制造点麻烦——加个高斯白噪声：
noisy_voice = awgn(voice, 10, 'measured'); % 信噪比10dB subplot(312) plot(t, noisy_voice) title('加噪后波形')awgn函数的'measured'参数是关键，它根据原始信号功率自动计算噪声强度。这时候用soundsc播放听听，能明显感觉背景沙沙声。
上主菜——小波阈值去噪：
clean_voice = wdenoise(noisy_voice, 5, ... 'Wavelet', 'sym4', ... 'DenoisingMethod', 'Bayes', ... 'ThresholdRule', 'Soft'); subplot(313) plot(t, clean_voice) title('去噪后波形')这里用了Symlets小波基，软阈值处理。重点说下第2个参数5，表示小波分解层数。层数太少去噪不彻底，太多会把语音特征也抹掉，建议在3-7层之间试错。
基于Matlab语音信号处理，主要是对一段语音信号进行加噪声处理，去除噪声，对于语音波形图，语音语谱图，和信噪比进行对比，得到较好的去噪效果，小波阈值法去噪，关于语音信号的
看波形不过瘾？咱们上语谱图：
subplot(131) spectrogram(voice, 256, 250, 256, Fs, 'yaxis') title('原始语谱') subplot(132) spectrogram(noisy_voice, 256, 250, 256, Fs, 'yaxis') title('带噪声语谱') subplot(133) spectrogram(clean_voice, 256, 250, 256, Fs, 'yaxis') title('去噪后语谱')注意噪声在语谱图上呈现雪花状分布，去噪后虽然还有残留，但语音的共振峰结构已经清晰可见。颜色映射用hot更带感，改下colormap参数试试。
最后算信噪比验证效果：
ori_snr = 10*log10(sum(voice.^2)/sum((noisy_voice-voice).^2)); enh_snr = 10*log10(sum(voice.^2)/sum((clean_voice-voice).^2)); disp(['原始信噪比:', num2str(ori_snr), ' 增强后:', num2str(enh_snr)])实测从10dB提升到18dB左右，但别高兴太早——这个算法在突发性强噪声面前会翻车。遇到这种状况，建议试试改进阈值函数，或者用EMD分解结合小波处理。
最后提醒：处理前务必做预加重（pre-emphasis），用filter([1 -0.97],1,voice)提升高频分量，这样小波分解时特征更明显。这个方法对气声辅音（比如/s/、/sh/）的恢复效果拔群。
