Шум на записи: что чинится обработкой, а что уже не спасти

Шум шуму рознь: четыре типа с разными исходами

Запись уже сделана: полтора часа переговоров, вернуться и переснять невозможно. В файле — гул вентиляции, чей-то кашель, звон посуды из коридора и телевизор за стенкой. Вопрос, как убрать шум из аудиозаписи, звучит одинаково для всех четырёх помех, а вот ответ у них разный: одна снимается почти бесследно, вторая портит секунды, третья не убирается в принципе, а четвёртая вообще не шум.

Логика тут одна и стоит того, чтобы её понять один раз. Любой шумодав строит модель помехи: слушает участки без речи, запоминает, как выглядит фон, и вычитает эту картинку из всего файла. Работает приём ровно настолько, насколько помеха постоянна. Как только фон меняется от секунды к секунде — модель промахивается и начинает выгрызать куски из речи.

Ровный фон: единственный случай, когда шум из аудиозаписи реально убрать

Сюда попадает всё, что гудит непрерывно и не меняется: кондиционер, вытяжка, вентилятор ноутбука, серверная за стеной, дорога под окном, ровное шипение дешёвого микрофонного тракта. На слух это самый раздражающий шум, а технически — самый безобидный.

Причина в том, что у такой помехи неизменный спектр. Алгоритм измеряет его в паузах и вычитает во всём файле — приём старый, надёжный и как раз на постоянный фон рассчитанный. Речь при этом почти не страдает: голос заметно громче гула, и вычитание задевает его по краям, а не в середине.

И способ проверить себя, который занимает пять минут. Возьмите три минуты записи с худшим текстом, прогоните через чистку только их и положите две расшифровки рядом. Судить по тому, приятнее ли стало слушать, в этой задаче бесполезно: ухо и распознавание оценивают запись по разным признакам.

Резкие звуки: теряются секунды, а не запись

Второй тип — короткие удары: стук чашки о стол, кашель, хлопок двери, шелест бумаг прямо у микрофона, клавиатура под руками говорящего. Каждый такой звук громкий, но длится доли секунды.

Обычный шумодав их не берёт, и это не недоработка, а устройство метода: он вычитает постоянную картинку, а удар в неё не попадает. Зато удар и не портит всю запись — он накрывает ровно тот слог, на который пришёлся. Если стук совпал с числом или фамилией, потеряется число или фамилия; если пришёлся на «ну, в общем» — не потеряется ничего.

Отсюда правило, которое экономит вечер: резкие звуки не лечат обработкой — их обходят. Расшифровка приходит с временем у каждой реплики, и место, где текст рвётся, находится за секунды. Дальше вы слушаете эти пять секунд, а не сорок минут.

Эхо и гул зала: почему это почти не лечится

Пустая переговорка со стеклянной стеной, актовый зал, коридор, комната без штор и ковра — там голос доходит до микрофона дважды: прямо и отражённым от поверхностей, с задержкой в доли секунды. Это не посторонний звук, а копия вашей же речи, и вычитать её как фон не из чего: она приходит вместе с оригиналом и от него неотличима.

Насколько это дорого, видно по открытым испытаниям. В наборе данных REVERB запись велась в комнатах со временем реверберации примерно 0,25, 0,5 и 0,7 секунды, а микрофон стоял на 50 сантиметрах и на двух метрах; в обзоре по итогам конкурса приводится рост доли ошибочных слов примерно на 75 % в относительном выражении при переходе с гарнитуры на удалённый микрофон. То есть речь та же, помещение то же — меняется только расстояние и количество отражений.

Специальные средства подавления реверберации существуют, но это не кнопка в бытовом редакторе: они работают тем лучше, чем больше микрофонов писало сцену одновременно. С единственной дорожкой из телефона, положенного на стол, ждать от них многого не стоит. Практический вывод неприятный, но честный: гул помещения — это то, что чинится на следующей записи, а не на этой.

Чужая речь и музыка со словами — это не шум

Четвёртый тип отличается от трёх предыдущих принципиально. Телевизор в соседней комнате, разговор за стеной опенспейса, объявление на вокзале, песня с текстом в кофейне — для распознавания это не помеха, а вторая речь. Оно и обойдётся с ней соответственно: постарается разобрать слова и записать их в текст.

В расшифровке это выглядит узнаваемо. Появляются фразы не по теме встречи — обрывок рекламы, строчка песни, чужая реплика из коридора. Появляются лишние говорящие: голос из телевизора получает собственную метку и живёт в документе наравне с участниками. Иногда наоборот — чужая фраза приклеивается к реплике человека, который в этот момент молчал.

Убрать такую помеху обработкой нельзя: фильтр не различает, чей голос ему дороже, — по всем признакам и то и другое речь. Зато следы её правятся в готовом тексте, и это единственный работающий путь. Лишние метки удаляются, спорные куски переназначаются по времени; как устроено разделение говорящих и почему оно ошибается именно так, разобрано в статье про диаризацию.

Что даёт обработка по каждому типу шума

Сведём четыре типа в одну таблицу — по ней и принимается решение, стоит ли вообще открывать редактор.

Одна строка тут заслуживает отдельного слова — последняя. Джингл, музыка ожидания и минута заставки перед началом встречи чистятся плохо, но их и не нужно чистить: участок вырезается целиком. Заодно это снимает вторую беду — на музыке распознавание иногда выдаёт связный текст, которого никто не произносил.

И общее правило, которое стоит держать в голове при любой настройке: ухо и распознавание ценят в записи разное. Ухо радуется тишине между фразами, а признаки, по которым различаются слова, живут в тихой части сигнала — там же, где фильтр ищет шум. Подробно эта развилка разобрана в статье про шумоподавление и качество записи.

Почему «сделать погромче» не помогает

Самая частая попытка спасения — открыть файл и поднять громкость. Логика понятная: речь тихая, шум мешает, сделаем всё громче и станет слышно. Не станет.

Хуже того, у громкости есть потолок. Если поднять уровень так, что пики упрутся в максимум, вершины волны срежутся — а срезанное не восстанавливается ничем, потому что значений там больше нет. Тихая, но целая запись всегда лучше громкой и обрезанной.

Что действительно помогает вместо усиления: выравнивание по громкости, которое подтягивает тихие участки и придерживает громкие, и мягкое сжатие динамики. Разница между этим и «сделать громче» большая, а если тише всех оказался один участник, у задачи вообще другое решение — оно разобрано в статье про то, что делать, если на записи не слышно собеседника.

Предел: если голос ушёл под шум, его оттуда не достать

Это место, где стоит сказать прямо. Обработка не добавляет в файл информацию — она только по-разному распоряжается той, что есть. Если в момент записи голос был тише помехи, признаков речи в сигнале просто не осталось, и достать их не может ни редактор, ни сервис расшифровки, ни человек в наушниках.

Разборчивость речи — величина измеримая, для неё есть международный стандарт и шкала от нуля до единицы: ниже 0,30 разборчивость считается плохой, 0,60–0,75 — хорошей. Придумана шкала для залов и систем оповещения, но идея переносится буквально: у записи есть объективное качество, и оно задаётся в момент, когда микрофон стоял там, где стоял. Постобработка двигает эту величину на доли, а не на разряды.

Признать это выгоднее, чем бороться. Вечер, потраченный на фильтры, не вернёт того, чего в файле нет, а те же полтора часа хватило бы на то, чтобы восстановить содержание другим способом — и способ обычно находится.

Порядок действий с шумной записью

Если запись шумная, начинают не с редактора. Порядок ниже устроен так, чтобы дорогие и необратимые шаги стояли последними.

1. Расшифруйте файл как есть, до всякой обработки. Очень часто выясняется, что текст читается: провалы приходятся на «угу» и «секундочку», а содержательные куски целы. Тогда чинить нечего.
2. Определите тип помехи по расшифровке, а не на слух. Ровный гул даёт равномерно посредственный текст. Удары дают точечные разрывы. Гул помещения — слипшиеся слова. Чужая речь — посторонние фразы и лишние метки.
3. Пройдите по местам, где потеря дороже всего. Суммы, даты, сроки, фамилии, номера договоров и короткое «не». В часовом разговоре таких точек десяток-полтора, у каждой стоит время.
4. Спорное слушайте на замедленной скорости. Скорость 0,75 вытягивает окончания и различает «шестнадцатого» и «шестидесятого» надёжнее любого фильтра.
5. Только теперь — обработка, и только против ровного фона. Один мягкий проход, оригинал в сохранности, сравнение двух расшифровок на одном фрагменте.
6. Нечитаемое помечайте, а не додумывайте. Пометка «неразборчиво» через месяц читается как пометка, а правдоподобная догадка — как факт.

1. Как естьтекст без обработки
2. Тип шумавидно по характеру ошибок
3. Точкичисла, имена, отрицания
4. Документитог и договорённости

Последний шаг важнее, чем кажется. С неровной записи короткая сводка полезнее дословного текста: итог разговора, решения и договорённости собираются из смысла, а он переживает потерю отдельных слов гораздо лучше, чем цитата. Вопрос по записи возвращается с прямой цитатой и отметкой времени — и спорное место находится сразу, без перемотки.

Когда дешевле переспросить, чем чинить файл

Простая арифметика, о которой забывают в азарте починки. Час на фильтры плюс час на сверку текста — это два часа. Письмо на четыре строки — это четыре минуты, и в придачу к ответу вы получаете письменное подтверждение, которого у аудиозаписи нет.

1. Из разговора нужны одна-две цифры. Переспрашивайте сразу. «Фиксирую: поставка 12 сентября, аванс 30 %, доплата по факту — поправьте, если я записал неверно» закрывает вопрос быстрее любой обработки.
2. Участников больше двух. Разошлите то, что удалось собрать, с прямой просьбой дополнить. Люди помнят разное, и вместе они восстановят разговор точнее, чем фильтр.
3. Запись нужна как доказательство. Тут переспрашивать бессмысленно, но и чинить нечего: спорный фрагмент либо разбирается, либо нет, и вычищенный файл в этом качестве только хуже — обработку легко предъявить как вмешательство.
4. Разговор был длинный и без протокола. Соберите сводку по тому, что вытащилось, отправьте участникам и попросите поправить в течение дня. Молчание в этом случае работает как согласие — при условии, что вы назвали срок.

Частые вопросы

Проверено 15 августа 2026. Влияние отражений в помещении на распознавание — по материалам открытого испытания REVERB и обзору его итогов «A summary of the REVERB challenge: state-of-the-art and remaining challenges in reverberant speech processing research» (K. Kinoshita и др., EURASIP Journal on Advances in Signal Processing, 2016): комнаты со временем реверберации около 0,25, 0,5 и 0,7 секунды, микрофон на 50 и 200 сантиметрах, стационарный шум добавлялся с отношением сигнал/шум 20 дБ; там же приводится рост доли ошибочных слов примерно на 75 % в относительном выражении при переходе с гарнитуры на удалённый микрофонный массив. Шкала разборчивости речи и её градации (ниже 0,30 — плохая, 0,60–0,75 — хорошая) — по стандарту IEC 60268-16 на объективную оценку разборчивости через индекс передачи речи. Требование постоянства помехи для вычитания спектра и природа «музыкального шума» как побочного продукта такой обработки — по описаниям метода спектрального вычитания в открытых публикациях по шумоподавлению.