降噪与语音检测 · NS 与 VAD
降噪（NS）把风扇、空调这类稳态背景噪声压下去；语音活动检测（VAD）判断此刻有没有人在说话。这一章讲清 NS 的频域降噪原理、VAD 的用途（DTX、增益门控、舒适噪声），以及它们在 APM 链条里的角色。收尾第 7 部分的处理链。
降噪与语音检测 · NS 与 VAD
APM 处理链还剩两个环节：NS（降噪） 把背景噪声压下去，VAD（语音活动检测） 判断有没有人说话。它俩一个“洗”，一个“判”，收尾发送侧的音频处理。
NS：压掉稳态噪声
NS（Noise Suppression） 对付的是稳态背景噪声——风扇嗡嗡、空调声、键盘声底、街道白噪：
NS 在频域工作：它估计出“背景噪声的频谱”（哪些频段一直有稳定的噪声能量），然后在每一帧里衰减这些频段的噪声成分**，保留人声。** 原理基于一个观察：噪声通常是“稳态”的（风扇声持续、频谱稳定），而人声是“变化”的（时有时无、频谱多变）。NS 在你不说话的间隙观察出“本底噪声长什么样”（频谱），说话时就用这个模型，从信号里减掉噪声占主导的部分。像回声抑制一样，它是“按频段衰减”，不是精确相减。
难点还是平衡：降噪太狠，人声的某些频段也被削，声音发闷、有“水声 / 电音”（musical noise）；降噪太弱，噪声没除干净。所以 NS 有强度档位，在“去噪”和“保真”之间取舍。它和AEC 回声消除的分工：AEC 除的是“扬声器漏回的结构化回声”，NS 除的是“环境里弥散的稳态噪声”——两种不同的“脏”，各有各的算法。
VAD：有人在说话吗
VAD（Voice Activity Detection） 不“洗”音频，而是判断：此刻这段音频，是人在说话，还是静音 / 纯噪声？
VAD 输出一个简单的判断——“有语音”或“无语音”，但这个判断被下游好几个环节依赖：
- DTX 省带宽 —— VAD 说“没人说话”，Opus 就启动 DTX停发或少发，省带宽；接收端播舒适噪声。VAD 是 DTX 的开关。
- AGC 门控 —— VAD 说“没人说话”，AGC 就别调增益（免得把静音期的背景噪声当信号放大）。
- 降噪辅助 —— NS 在“无语音”时更新它的噪声模型（那时采的纯是噪声，正好学）。
别小看这个二元判断——它是很多“只在说话时才做 / 不做某事”逻辑的触发器。判断怎么下？综合信号的能量（说话通常比静音响）、频谱特征（人声有特定的频谱结构）、过零率等特征。VAD 要快而准：误判“有语音”（其实是噪声）会浪费带宽 / 放大噪声，误判“无语音”（其实在小声说）会切掉话头（对方听你“吞字”）。所以 VAD 在灵敏度上要仔细校准——宁可偶尔多传一点，也别切掉真的语音。
在链条里的协作
把整条 APM 链和 VAD 的协作画出来：
处理链一道道洗（HPF→AEC→NS→AGC），VAD 在旁边判断、门控各环节——净化 + 判断，合力把麦克风的脏音，变成干净、响度稳定、静音省带宽的人声，交给编码。
小结与下一章
NS（降噪） 在频域估计稳态噪声频谱、衰减噪声频段（利用“噪声稳态、人声多变”），和 AEC 除结构化回声分工；难在“去噪 vs 保真”平衡。VAD（语音检测） 判断“有无语音”，触发DTX 省带宽、AGC 门控、NS 更新噪声模型——小小二元判断，是很多逻辑的开关，要快准（别切话头）。至此 APM 处理链完整。
发送侧（APM）和接收侧（NetEq）都讲透了。最后补上音频的“两头”——采集播放的设备抽象，和多路混音。下一章收尾第 7 部分。👉 音频设备与混音。