语音增强（Speech Enhancement）指的是：从带噪、有混响、甚至多人同时说话的录音里，估计出更干净的目标人声，让听的人或机器都更容易听清。
难点在于：没有一块"纯噪声"可以剪掉
把一段录音想成一张方格纸：横轴是时间，纵轴是频率，每个格子的深浅代表那一刻那个频率上有多少能量。这张图叫语谱图。人声和噪声都画在纸上，而且是半透明的水彩，一层压一层。噪声很少老老实实待在某个角落，它常常正好盖在你最需要的那几个字上。所以"把噪声区域裁掉"这种操作根本不存在，只能去估计每个小格子里"人声占了几成"，再按这个比例调亮或压暗。这个比例在技术上叫掩蔽（mask）。深度学习的做法，就是训练一个网络去预测这层掩蔽，或者直接预测干净语音的频谱。
为什么它顺带伤了识别准确率
有个反直觉的现象：增强做得"好"，人不一定听得更清楚，机器也不一定认得更准。原因大致三条。
第一，目标不一致。多数增强模型是照着"人耳听着舒服、干净"来训练的，用的是感知质量类指标（如 PESQ）。而识别看的是字有没有错。这两件事并不总是一致：把声音磨得平滑柔和，人耳舒服了，但区分"四"和"十"的那点细微摩擦音，可能已经一起被抹掉了。
第二，弱音先被牺牲。清辅音（s、f、sh、t 的送气）能量低，长得最像噪声，也最容易被判成噪声压制掉。偏偏这些音承载了大量辨义信息。过度抑制（over-suppression）的典型听感就是"声音发闷、字糊在一起"。
第三，分布不匹配。今天的语音识别（Automatic Speech Recognition, ASR）模型本身就在海量带噪数据上训练过，已经相当抗噪。你先把音频增强一遍，等于喂给它一种训练时没见过的、被处理过的声音，反而可能掉点。这就是不少团队试过"先降噪再识别"，字错率不降反升的原因。
和相邻概念的区别
| 概念 | 目标 | 输出 |
|---|---|---|
| 语音增强 Speech Enhancement | 让目标人声更干净 | 一段音频或频谱 |
| 语音分离 Speech Separation | 把混在一起的多个人声拆开 | 多路音频 |
| 回声消除 Acoustic Echo Cancellation | 去掉自己扬声器串回来的声音 | 一段音频 |
| 语音识别 ASR | 把语音转成文字 | 文本 |
增强和分离常被放在一起做，多说话人场景里"增强某个人"和"把这个人分出来"几乎是同一件事。
对从业者和普通人的意义
从业者：评估增强效果时，最好直接用下游任务指标（字错率 WER、字符错率 CER）做主指标，别只看增强指标；训练时可以让增强和识别联合优化，或者干脆让识别模型自己扛噪声。任何"加了降噪一定更好"的说法都需要用数据验证。
普通人：会议软件的降噪开关、耳机的通透模式、助听器都在用这套技术。开强降噪后觉得对方声音发闷，不是你耳朵出了问题，是弱音被削掉了。具体产品的档位与表现，以官方页面为准。