# 噪声样本提取器

从音频选定区域捕获噪声指纹——底噪电平、三分之一倍频程频谱、哼声谐波、分类——再复用于本文件或任何其他文件的降噪。

> 标准页面: https://elysiatools.com/zh/tools/audio-noise-profile-extractor

- **分类:** Media

- **关键词:** 噪声指纹, 噪声样本, 噪声底, afftdn, 房间底噪, 磁带嘶声, 50hz 60hz 哼声, goertzel, 谱平坦度, 三分之一倍频程, 降噪, 降噪复用, 批量清理

## 概述

降噪要做得好，先要让降噪器认识噪声。本工具把这份认识捕获为可复用指纹：标出一段只含无用噪声的区域（房间底噪、磁带嘶声、哼声、句子之间的空调声），提取器解码并测量以 dBFS 计的噪声底电平、三分之一倍频程频谱、谱平坦度（Wiener 熵——白噪声接近 1、调性哼声很低），并用精确频率的 Goertzel 探测 50/60 Hz 电源哼声及其泛音。随后对噪声分类（白嘶声、粉噪、120 Hz 以下低隆声、50/60 Hz 哼声、宽带、混合），并由测量推导调谐的 FFmpeg afftdn 参数：噪声底参数取自实测区域电平（钳制到滤镜 −80..−20 dB 范围），降噪量取自所选强度——而不是把两者都留在默认值。三种模式：提取并降噪用调谐链渲染整份文件的清理副本（哼声或隆声主导时附加保护性高通）；仅提取把指纹写成 JSON 文件存档；应用指纹加载此前保存的 JSON 并用它给任何文件降噪——同一房间、设备或磁带的批量清理复用路径。JSON 载有分类、实测底噪、各频段电平、哼声频率与推荐滤镜参数，指纹可审计而非黑箱。元数据报告降噪前后的实测底噪（100 毫秒块中最安静 10%），效果可验证。请喂给它诚实的纯噪声区域：含语音的区域会被当作噪声，降噪器会把语音一起吃掉。

## 输入项

- **音频文件** (file)
- **噪声区起点（秒）** (number): e.g. 0
- **噪声区终点（秒）** (number): e.g. 2
- **模式** (select)
- **已保存的噪声指纹（JSON）** (file)
- **降噪强度** (select)
- **输出格式** (select)

## 适用场景

- 录音开头或间歇留有清晰的室内空调声、磁带嘶声或设备底噪，需要定制化滤波参数时。
- 需要将某一录音环境的噪声特征导出为可审计的 JSON 指纹，以便在后续批次音频中保持一致的处理标准时。
- 音频含有固定频率的 50 Hz 或 60 Hz 交流电哼声或 120 Hz 以下的低频轰鸣，需要进行针对性滤除时。

## 工作原理

- 指定音频中仅含背景噪声的时间区间（如前 2 秒静音段），提取器对该选区进行精确解码。
- 通过 Wiener 熵评估谱平坦度，利用三分之一倍频程滤波器组测量频段能量，并采用 Goertzel 算法精准检测 50/60 Hz 电源谐波。
- 自动对噪声类型（白嘶声、粉红噪声、交流哼声或低频轰鸣等）进行分类，并将测得的实际底噪映射到 FFmpeg afftdn 的噪声底阈值与高通滤波链。
- 根据选择的模式输出清洗后的无损音频文件（WAV 或 FLAC），或者生成包含完备测量参数的 JSON 噪声指纹配置文件。

## 使用案例

- 播客主在录音间歇提取恒定空调与电脑风扇底噪，对整集对话进行针对性清洗。
- 数字化老式磁带或黑胶唱片时，采样引带空白段的嘶声并应用定制降噪。
- 现场录音师检测设备接地不良引入的 50/60 Hz 交流哼声并精准施加保护性高通与频段压制。

## 常见问题

### 如果选取的噪声样本区间内包含了人声会怎样？

包含语音的片段会被系统识别为目标噪声，导致降噪算法误将有用的人声频段一并滤除，造成声音失真。

### 导出的 JSON 噪声指纹包含哪些内容？

JSON 文件记录了噪声分类、实测底噪电平、各三分之一倍频程频段能量、哼声谐波频率以及推荐的 afftdn 降噪参数。

### 轻、标准、强三种降噪强度的区别是什么？

对应 FFmpeg afftdn 滤镜中不同的降噪深度（nr 值为 12、20 或 28），强度越高消除底噪越彻底，但在极端情况下可能略微影响音频自然度。

### 如何将已有的指纹复用到其他录音文件上？

在模式中选择“应用已保存的指纹”，上传之前导出的 JSON 文件和新的待处理音频，即可跳过采样步骤直接运行降噪链。

### 输出音频支持哪些无损格式？

工具支持输出 24 位的 WAV PCM 格式以及无损 FLAC 格式，确保降噪后的动态范围与音质不受二度压缩损失。

## 相关工具

- [音频旋律轮廓提取器](https://elysiatools.com/zh/tools/audio-melody-contour-extractor): 从音频中提取主导旋律，并在一个 ZIP 中导出 MIDI、音符事件、音高轮廓、SVG 和 JSON。
- [音频元数据移除](https://elysiatools.com/zh/tools/audio-metadata-remover): 移除音频文件中的技术性元数据，用于分享前保护个人隐私
- [贝斯线提取器 AI](https://elysiatools.com/zh/tools/bass-line-extractor-ai): 用本地神经分轨从任意完整混音中提取贝斯线：分离音频、MIDI 转录，或两者兼得。
- [图片调色板转设计令牌](https://elysiatools.com/zh/tools/image-to-design-tokens): 从图片中用 k-means 聚类提取主色，导出为 CSS 变量 / SCSS 变量 / Tailwind 配置 / JSON 设计令牌，并自动为每个颜色生成命名色阶
- [媒体元数据转 JSON](https://elysiatools.com/zh/tools/media-metadata-to-json): 使用 ffprobe 将音视频元数据导出为 JSON。
- [音频降噪器](https://elysiatools.com/zh/tools/audio-noise-reducer): 使用各种降噪算法去除音频文件中的背景噪音
- [播客批量发布打包器](https://elysiatools.com/zh/tools/audio-batch-podcast-publisher-pack): 批量归一化播客集数、写入元数据和章节，并打包为可交付 ZIP。
- [混音包构建器](https://elysiatools.com/zh/tools/audio-remix-pack-builder): 把一首音乐变成完整混音包：BPM、调性（含 Camelot）、提示点、四条 Demucs 分轨、MP3 预览和元数据 JSON，全部打包成一个 ZIP。

## 示例

- [ELK Stack 日志分析示例](https://elysiatools.com/zh/samples/elk-stack-samples): 全面的 ELK Stack（Elasticsearch、Logstash、Kibana）示例，用于分布式系统中的日志聚合、处理和可视化
- [WebRTC 实时通信示例](https://elysiatools.com/zh/samples/webrtc-samples): 全面的 WebRTC 示例，用于点对点音视频通信、数据通道、屏幕共享和信令服务器实现
- [Datadog 监控示例](https://elysiatools.com/zh/samples/datadog-samples): 全面的 Datadog 监控和可观测性配置示例，包括 APM、日志、指标和仪表板
- [Express.js 示例](https://elysiatools.com/zh/samples/express): Express.js Web框架示例，包括Hello World、路由、中间件和REST API

## 相关内容

- [同场景访谈录音噪声样本复用与审听交付](https://elysiatools.com/zh/hubs/interview-session-noise-profile-reuse-and-reviewed-delivery): 按实际噪声条件整理访谈录音，保存纯噪声样本，先在代表性原件试处理，再逐文件复用与审听，交付附有参数记录和例外说明的清理副本。