增強¶
降噪，而且一律處理整段音訊。「方法」可以選 kudio 的七種統計式降噪器、trad_enhance、wavelet_low_pass_filter，或用 kudioenhance 訓練出來的模型。下方的控制項隨選擇改變，按鈕上方那一行顯示「降噪」將執行的呼叫。復原紀錄記下的就是這個呼叫，匯出的腳本重做的也是它。
這個面板負責執行你選好的方法，並把它調好。該選哪一種是另一件事，交給比較面板更合適：它在同一段音訊上跑過全部方法，再排出名次。
預覽、降噪、復原¶
不論有沒有選取範圍，降噪都處理整段音訊。雜訊估計器是從錄音本身學雜訊的，主要靠其中的停頓；一段全是語音的選取範圍，幾乎沒有東西可以讓它們學。
「♪ 預覽」完全照「降噪」的做法處理整段音訊，再循環播放結果中選取的那一段，沒有選取時就播放全部。它不提交任何變更。降噪花的是秒而不是毫秒，所以它以背景工作執行：狀態列左側的圓點會從綠色變成琥珀色，旁邊寫著工作名稱。預覽播放中改了控制項，會等 400 ms、數值穩定下來才重新算繪。算繪進行中又改了數值，接著算的是最新的那一組，中間經過的會略過，兩次算繪也不會同時進行。
和「效果」面板一樣，任何其他要求播放的動作都會結束試聽：播放、停止、一次編輯，或另一個面板的預覽。
「降噪」用結果取代整段音訊，成為一個以方法命名的復原步驟，例如 log-MMSE + quantile。執行期間按鈕顯示「降噪中…」，無法再按。這段時間裡若編輯了音訊，結果回來時會被捨棄：它是從編輯之前的音訊算出來的，提交的話，會把那份音訊蓋回剛才的編輯上。狀態列會說明這件事；再按一次「降噪」，就會在編輯後的音訊上重新執行。「復原」就是視窗的復原。你開啟的檔案仍是原始音訊，所以降噪之後按 Ctrl+B，就能拿結果和含噪的原檔做 A/B 比較。
統計式方法¶
「方法」清單的前七項是 kudio.spectral_enhance 的方法。它們的架構相同：一個雜訊估計、一個分析幀長度，再加上一條增益規則，把雜訊估計換算成每一幀的每個頻率格要壓低多少。清單列出的名稱就是增益規則；雜訊估計與幀長度，則是方法本身參數上方的那兩個控制項。
這些控制項全部由 kudio.METHODS 產生，裡面附有每個參數的範圍、預設值、步進、單位與一句說明。面板本身不重寫任何一項，所以 kudio 多加一個參數，這裡就會跟著出現，不必改 KudioStudio。控制項上的說明、清單中每個方法的提示（kudio 對它的簡介，有出處的話再加上論文），以及清單下方的估計器說明，都是 kudio 自己的文字，所以在中文介面裡仍是英文。
視窗開著的期間，每個方法都記得你給它的數值，換到別的方法再換回來，不會被重設。
雜訊估計¶
| 估計器 | 怎麼找出雜訊 |
|---|---|
mcra |
清單的第一項，也是 kudio 的預設。Minima-controlled recursive averaging：追蹤每個頻率格的移動最小值，所以有人說話時也能繼續追蹤雜訊。trad_enhance 用的也是它。它從第一幀開始估計，所以開頭安靜的錄音，前一兩秒可能有些頻率格還留著雜訊 |
quantile |
每個頻率格在整個檔案上的一個低分位數，再放大到穩定雜訊的平均值：雜訊功率的第 15 百分位數是平均值的 0.16 倍，低了 7.9 dB。它必須看到整個檔案；雜訊穩定、檔案又不是從頭吼到尾時，它通常是四者中最準的 |
initial |
前幾幀的平均，假設那是房間底噪。錄音以房間底噪開頭時很準，以語音開頭時就錯得離譜 |
minimum |
滑動視窗內的移動最小值，並補償它的偏差。追蹤變動的雜訊比 mcra 快，代價是估計值跳動得比較厲害 |
選中的估計器，說明會顯示在清單下方。這個選擇值得和方法本身一樣認真看待：增益規則不變，單是雜訊的量法不同，SI-SDR 就可能差上好幾 dB。比較面板可以針對一段音訊，把四種估計器都掃過一遍，看哪一種適合它。
n_fft¶
分析幀的長度：256、512、1024 或 2048 個樣本，一開始是 512，在 16 kHz 下是 32 ms。幀越長，雜訊解析得越準，瞬態也被抹得越開。
各方法與參數¶
| 方法 | 呼叫中的名稱 | 作用 |
|---|---|---|
| Spectral subtraction | specsub |
減去雜訊頻譜（Boll 1979）。七種裡最便宜的一種，也是 musical noise 的來源：減完後零星留下的頻率格，在幀與幀之間忽隱忽現 |
| Multi-band spectral subtraction | multiband |
每個頻帶各有一個過減係數，依該頻帶自己的 SNR 決定（Kamath & Loizou 2002）。有色雜訊在各頻率的強度不同，全頻譜共用一個係數，會在雜訊小的地方壓過頭 |
| Wiener (decision-directed) | wiener |
增益 ξ/(1+ξ)。變化平滑，musical noise 比減法少得多；代價是在低 SNR 時讓語音變悶 |
| MMSE-STSA | mmse_stsa |
高斯模型下頻譜振幅的 MMSE 估計（Ephraim & Malah 1984）。同樣的壓制量下，保留的語音比 Wiener 多 |
| log-MMSE | logmmse |
同樣的估計改在對數頻譜上做，比較接近人耳對響度的感受（Ephraim & Malah 1985）。常見的預設選擇，沒有模型的話很難贏過它 |
| OM-LSA | omlsa |
以「這個頻率格裡到底有沒有語音」的機率加權的 log-MMSE：大概沒有語音的地方壓得重，可能有的地方壓得輕（Cohen 2001） |
| Spectral gate | spectral_gate |
不是統計估計器，而是遮罩：低於雜訊平均值加 n 個標準差的頻率格都被衰減，遮罩再經過平滑，邊緣才不會有喀聲（參考 noisereduce 的做法）。沒有理論依據，但結果非常好預測 |
各參數以控制項上的標籤與呼叫中的引數列出：
| 控制項 | 引數 | 起始值 | 用於 | 設定的是 |
|---|---|---|---|---|
| over-subtraction | over_subtraction |
2.0 | specsub |
減去雜訊估計的倍數。超過約 3，語音就開始跟著被減掉 |
| bands | bands |
6 | multiband |
頻帶數，線性等分。越多越能貼合有色雜訊，估計起來也越不穩 |
| spectral floor | spectral_floor |
0.002 | specsub、multiband |
減法結果為負的地方留下多少，以含噪頻譜的比例表示 |
| alpha (SNR smoothing) | alpha |
0.98 | wiener、mmse_stsa、logmmse、omlsa |
decision-directed 平滑。越高，去掉的 musical noise 越多，對語音起頭的反應也越慢 |
| P(no speech) | q |
0.3 | omlsa |
一個頻率格不含語音的先驗機率。越高壓得越多，也越可能切掉字的開頭 |
| gain floor | gain_floor_db |
−25 dB | spectral_gate 以外全部 |
一個頻率格最多能壓低多少。硬壓到零，聽起來比留一層小聲的雜訊還糟：完全壓制，正是讓殘留聲聽起來忽隱忽現的原因 |
| threshold | n_std_thresh |
1.5 sigma | spectral_gate |
頻率格要高出底噪多少才保留 |
| strength | prop_decrease |
1.0 | spectral_gate |
1.0 表示完整套用遮罩；越低，混回的原音越多，以雜訊換取較少的瑕疵 |
| smooth (freq) | freq_smooth_hz |
500 Hz | spectral_gate |
遮罩在頻率方向模糊的範圍。沒有平滑的遮罩，聽起來就是 musical noise |
| smooth (time) | time_smooth_ms |
50 ms | spectral_gate |
遮罩在時間方向模糊的範圍 |
另外兩個濾波器¶
「方法」清單分隔線下方的兩個濾波器，不經過 spectral_enhance。
「trad_enhance（固定頻譜減法）」呼叫 kudio.trad_enhance(y, sr)，完全沒有控制項。它是頻譜減法，搭配 mcra 雜訊估計與 Wiener 式的增益，在 512 個樣本、重疊 50% 的 Hamming 幀上運算，過減係數依每一幀自己的 SNR 逐幀決定。沒有東西可調，它就是一個固定不動的基準：同一段音訊，每次都得到同樣的結果。它至少需要一個 512 樣本的幀，最後不足 256 個樣本的殘幀會變成靜音。
wavelet_low_pass_filter 對音訊做小波分解，把每一層的細節係數以「thres 乘上音訊峰值」為門檻做 soft thresholding，最粗的近似係數則保持不動。留下來的主要是低頻部分，名稱就是這麼來的。thres 的範圍是 0 到 5，起始值 0.8；wavelet 可選 db2、db4、db8、sym4、coif3 與 haar，起始為 db2。它沒有任何雜訊估計：門檻跟著音訊的峰值走，而不是跟著雜訊，所以不論那些細節是不是雜訊，它都照樣拿掉。
學習式模型¶
「學習式模型（kudioenhance）」執行用 kudioenhance 訓練出來的降噪器。這需要 kudioenhance 與 PyTorch，pip install "kudiostudio[enhance]" 會一起安裝（見選用套件組）。沒有安裝時，面板最下方那一行會說明怎麼安裝，按「降噪」也會顯示同樣的訊息，而不是直接出錯；其他方法完全不受影響。這兩個套件只會被查找、不會被匯入，所以裝了 kudioenhance 卻沒有 PyTorch 的環境會被當成沒裝，而不是等到第一次降噪才失敗。PyTorch 要到第一次載入模型時才會匯入。
run_dir 是 kudioenhance 訓練時寫出的目錄，可以直接輸入，或按「瀏覽…」選擇。模型由這次訓練留下的東西組成：config.yaml 裡的設定（包含訓練時的 STFT 參數）、stats.npz 裡的正規化統計量，以及 checkpoint。三者出自同一次訓練，所以推論不可能在不知不覺中，與訓練用了不同的幀長或縮放方式。
第一次按「降噪」或「預覽」時會載入模型，也就是匯入 PyTorch 並讀取 checkpoint，要花幾秒。之後模型會被保留，同一個目錄再按就直接沿用。保留的依據是目錄在磁碟上的內容，而不是它的名稱：在同一個目錄重新訓練之後，下一次按下會重新載入，所以執行的權重一定是資料夾裡的那一份。
「若取樣率不同，重新取樣到模型的取樣率」一開始是勾選的。模型只在它訓練時的取樣率下運作。勾選時，其他取樣率的音訊會先重新取樣到模型的取樣率、降噪，再取樣回原本的取樣率與長度，所以工作階段的取樣率不變。不勾選的話，同樣的音訊會失敗：
匯出的腳本會把這一步寫成 kudioenhance 的 Enhancer.load(run_dir).enhance(y)，包含重新取樣，並先檢查模型檔案的 SHA-256；若模型在編輯之後又在同一個目錄重新訓練過，腳本會停下，而不是用不同的權重降噪。見把編輯匯出成腳本。
模型載入不了時¶
| 狀態列的訊息 | 原因 |
|---|---|
| 學習式模型需要 kudioenhance 套件與 PyTorch：… | 兩者之一沒有安裝 |
| 請先選擇 kudioenhance 執行目錄。 | run_dir 是空的，或不是資料夾 |
| 學習式模型（…） 失敗 — FileNotFoundError: … | 這個資料夾不是完整的訓練結果：沒有 config.yaml 或 stats.npz，或沒有以設定中的模型命名的 checkpoint（no model at …） |
學習式模型（…） 失敗 — FileNotFoundError，訊息裡提到 .keras 檔 |
這次訓練存的是 Keras 權重，PyTorch 讀不了。請重新訓練；資料夾裡的設定與資料切分可以照原樣沿用 |
| 學習式模型（…） 失敗 — ValueError: … | checkpoint 訓練的模型，與 config.yaml 描述的不同 |
對輸入的改變程度¶
每次降噪之後，按鈕下方的方框會說明這次執行把音訊改動了多少：
三個數字都是拿結果和執行前的音訊相比。它們量的是距離，不是品質：把整段音訊刪光是 0 dB，完全沒有改動則會高到它們的上限，好的降噪落在兩者之間，落在哪裡取決於原本有多少雜訊可以去除。SI-SDR 不看音量，SNR 則會看：只把音量減半的處理，SNR 是 6 dB；只要音訊不是幾近無聲，SI-SDR 都會超過 100 dB。