Шумоподавление микрофона: когда помогает расшифровке, а когда съедает слова

Откуда на созвоне берётся шум

Встреча идёт десять минут, и уже понятно, что запись будет тяжёлой. У одного за спиной кондиционер, второй печатает прямо в микрофон, третий вывел звук на колонки — и его собственный голос возвращается всем с задержкой. Обычная реакция — выкрутить шумоподавление микрофона на максимум. Хотя большая часть таких бед решается до начала встречи. Дальше происходит любопытное: слушать становится приятнее, а в расшифровке начинают пропадать окончания, короткие слова и цифры.

Причина в том, что ухо и распознавание ценят в сигнале разное. Человеку важно, чтобы не мешало; распознаванию важно, чтобы в звуке сохранились мелкие различия между «с» и «ш», между «шестнадцатого» и «шестидесятого». Фильтр, настроенный на первое, регулярно ломает второе.

Начать стоит с источников. Помехи полезно делить не по громкости, а по характеру — потому что именно так их видит любая обработка.

Шесть источников из схемы ведут себя по-разному. Ровный фон — кондиционер, вытяжка, вентилятор ноутбука, гул трассы за окном — предсказуем: он одинаков в паузах и под речью, поэтому его вычитают почти без следа. Внезапные звуки сложнее: щелчок клавиши, стук чашки о стол, шелест бумаги длятся доли секунды и по форме похожи на согласные.

Два источника стоят особняком. Эхо помещения — это ваш же голос, вернувшийся от стен, стекла и стола с задержкой в доли секунды; вычесть его как посторонний звук нельзя, потому что это тот же самый голос. Колонки вместо наушников дают вторую копию: речь собеседника выходит из динамика, обходит по воздуху и снова попадает в ваш микрофон — в записи она звучит дважды, второй раз глухо и с опозданием.

Что делает шумоподавление, а что — эхоподавление

В настройках это обычно один переключатель, а внутри — три разные задачи, и путать их дорого.

• Подавление шума. Сигнал режется на короткие кусочки, и по каждому принимается решение: это речь или фон. Что признано фоном — приглушается. Ровный гул опознаётся уверенно, потому что он одинаков в паузах и в момент речи, и оценить его можно по тишине между фразами.
• Подавление эха. Задача противоположная: убрать из микрофона то, что только что играло в динамике. Для этого нужен опорный сигнал — приложение созвона знает, что оно воспроизвело, и вычитает эту копию из входа. Отсюда практическое следствие: эхо лечится там, где звонок идёт, а в аудиоредакторе после записи — уже почти нет.
• Автоматическая регулировка уровня. Тихий голос подтягивается, громкий убавляется. В паузах, когда речи нет, она задирает усиление — и фон, который вы почти не слышали, становится отчётливым. Отсюда знакомое «то тихо, то шипит».

Требования к устройствам громкой связи — насколько сильно можно давить эхо, что должно происходить, когда оба собеседника говорят разом, — описаны в отраслевых рекомендациях по громкоговорящим терминалам. Вывод из них практический: тяжелее всего любой обработке даётся двойной разговор, когда одновременно звучат ваш голос и голос из динамика. Именно на перебиваниях громкая связь начинает глотать слоги.

Почему на сильной настройке пропадают слова

Речь неравномерна по громкости, и разборчивость живёт не в громкой её части. Гласные несут почти всю энергию — их слышно с другого конца комнаты. Согласные тише в разы, и именно они отличают слова друг от друга: «кот» от «код», «том» от «дом».

Дальше начинается неприятное совпадение. Шипящие и свистящие — «ш», «с», «ф», «х», «ц» — по своей физической природе и есть шум: широкополосный, без выраженного тона, растянутый на десятые доли секунды. Взрывные «п», «т», «к» — короткий щелчок длиной 20–40 миллисекунд, по форме неотличимый от стука по столу. Любой фильтр, который решает «речь или не речь», на этих звуках работает на грани, а на сильной настройке уверенно относит их к шуму.

К этому добавляется география частот. Основная энергия голоса живёт внизу, до 1 000 Гц, а то, чем «с» отличается от «ш», лежит выше 4 000 Гц — там же, где шипит кондиционер и свистит вентилятор. Классический телефонный канал обрывается на 3 400 Гц, то есть отрезает эту зону целиком; агрессивный фильтр делает примерно то же самое, только выборочно. Отсюда и характер потерь: смысл фразы обычно сохраняется, а различаться перестают именно короткие и тихие звуки.

Вторая жертва — окончания. Слово к концу затихает, безударный последний слог звучит заметно тише корня, и порог, отсекающий фон, срабатывает раньше, чем слово договорено. В тексте это выглядит как «съеденные» падежи и времена: «подписал» вместо «подписали», «до пятницы» вместо «до пятнадцатого».

Отдельная беда — короткие служебные слова. «Не», «до», «уже», «нет» длятся десятые доли секунды и звучат тише соседей, а цена потери у них максимальная: «мы не подписали» и «мы подписали» отличаются одним слогом и означают противоположное. Такую ошибку не видно при вычитке — фраза остаётся грамотной.

Есть и третий эффект, менее очевидный. Убирая шум, обработка неизбежно вносит собственные искажения — обрывки звука, которых в оригинале не было ни у речи, ни у помехи. Открытые работы по улучшению речи прямо указывают, что основная причина падения точности распознавания после чистки — не остаточный шум, а именно эти привнесённые искажения; в одной из них предлагается подмешивать обратно часть исходного, ещё не почищенного сигнала — и точность растёт. Отсюда практический вывод: для текста честный шумный сигнал обычно лучше вылизанного. Что ещё влияет на итог, разобрано отдельно: качество распознавания речи.

Где проходит граница: четыре режима шумоподавления микрофона и их цена

Переключатель подавления шума почти везде устроен одинаково: выключено, мягко, сильно. Разница между уровнями описана и в справках самих платформ — например, у Microsoft Teams низкий уровень убирает «слабый постоянный фоновый шум вроде вентилятора компьютера или кондиционера», высокий — «весь фоновый звук, который не является речью», и именно поэтому для случая, когда участники должны услышать музыку, справка советует низкий уровень, а не высокий.

Правило простое и держится на разнице целей. Если разговор нужно слушать — ставьте столько подавления, сколько нужно ушам. Если разговор пойдёт в текст — мягкий уровень, а лучше тишина в комнате вместо фильтра. Подробнее о том, что происходит с речью при чистке и где предел, — на странице про шумоподавление речи.

Что важнее любых фильтров

Обработка работает с тем, что уже попало в микрофон. Соотношение полезного сигнала и помехи задаётся раньше — и решается тремя вещами, каждая из которых даёт больше, чем любая настройка.

Порядок величин тут решает всё, и он считается на пальцах. Расстояние от губ до микрофона гарнитуры — примерно 3 сантиметра, до микрофона ноутбука — около 60, то есть в 20 раз больше; мощность падает как квадрат расстояния, значит разница — в 400 раз. Поэтому ноутбук в метре ловит вашу речь и комнату примерно наравне — фильтру приходится вытаскивать одно из другого, и он ошибается. Гарнитура у губ даёт речь заметно громче фона, и никакой чистки уже не требуется: подавлять почти нечего.

Второе, что стоит запомнить: дешёвая проводная гарнитура обыгрывает дорогой микрофон, стоящий далеко. Беспроводная гарнитура — отдельный случай: когда она работает и на выход, и на вход, звук в ней часто уходит в узкий телефонный режим, и качество падает независимо от цены наушников. Для записи лучше слушать в беспроводных, а говорить в проводной микрофон, либо взять проводную гарнитуру целиком.

20 секунд перед записью

Всё, что действительно влияет на результат, делается до нажатия кнопки и занимает меньше минуты.

1. Источникивыключить кондиционер, закрыть окно и дверь
2. Микрофонгарнитура вместо ноутбука, наушники вместо колонок
3. Один фильтрмягкий уровень в приложении, остальные выключены
4. Проба20 секунд записи, послушать, посмотреть на дорожку

1. Уберите то, что шумит непрерывно. Кондиционер, вытяжка, вентилятор ноутбука, открытое окно на проспект. Их не замечают на встрече, но они присутствуют в записи все 60 минут.
2. Наденьте наушники. Это одно движение убирает целый класс проблем: голос собеседника перестаёт возвращаться в ваш микрофон, а вместе с ним уходит эхо и «двойной разговор», на котором обработка глотает слоги.
3. Подберите дистанцию. Микрофон гарнитуры — сбоку от рта, а не прямо перед ним: иначе взрывные «п» и «б» бьют в мембрану. Настольный микрофон — на расстоянии ладони, а не в центре стола на шестерых.
4. Оставьте один уровень обработки. Проверьте гарнитуру, настройки системы и приложение созвона. Работать должен кто-то один, и лучше мягко.
5. Запишите 20 секунд и послушайте. Единственный способ поймать не тот вход, выкрученный уровень или «подводный» голос до разговора, а не после.
6. Пишите штатной записью встречи, а не рекордером экрана. Экранная запись забирает то, что идёт в динамики, — вместе с подавленным эхом, обрывами связи и всеми артефактами передачи.
7. Попросите участников представиться. Одна фраза в начале — и в расшифровке появятся имена вместо «Спикер 1».

Созвон записываем, потом будет текст с именами и таймкодами.
Чтобы запись получилась читаемой, три просьбы:

1. Наушники, а не колонки. Иначе ваш голос вернётся в микрофон
   и обработка начнёт глотать слоги на перебиваниях.
2. Выключите то, что гудит рядом: кондиционер, вытяжку, окно на проспект.
   На встрече это не мешает, в записи звучит все 60 минут.
3. Шумоподавление — на мягкий уровень, и только в одном месте:
   либо в гарнитуре, либо в системе, либо здесь. Три подряд съедают согласные.

В начале встречи — круг знакомства: имя и роль одной фразой.
Цифры, суммы и даты дублируем в чат текстом.
Заговорили разом — кто-то один повторяет мысль заново.

Если запись ведётся не на созвоне, а на диктофон или отдельный микрофон, добавляется ещё одна проверка — настройки самого рекордера: что сделать с аудиозаписью до загрузки. Числа, которые там стоят, разобраны в отдельной статье: битрейт и частота дискретизации для речи.

Как чинить уже записанное

Запись сделана, переснять нельзя, звук шумный. Соблазн прогнать файл через шумодав в аудиоредакторе велик — и это как раз тот случай, когда лучше начать с другого конца.

1. Сначала расшифруйте как есть. Часто выясняется, что текст читается нормально, а провалы приходятся на «ага» и «сейчас-сейчас». Тогда чистить нечего и незачем.
2. Если всё-таки чистите — сохраните оригинал. Обработка необратима: из почищенного файла исходный уже не достать. Работайте с копией.
3. Сравнивайте на одном фрагменте. Возьмите две-три минуты с самым плохим текстом, прогоните обе версии — до чистки и после — и сравните именно там. Решение принимается за пять минут вместо вечера.
4. Убирайте только ровный фон и по минимуму. Тихий гул снимается почти без потерь. Всё, что настроено сильнее, начинает есть согласные, и текст обычно становится хуже, а не лучше.
5. Выровняйте громкость вместо фильтрации. Если запись просто тихая, поднять общий уровень безопаснее, чем чистить. Главное — не загонять пики в потолок: срезанные верхушки не восстанавливаются.
6. Отрежьте лишнее. Музыка на входе, гудки, десять минут тишины до начала встречи: на участках без речи распознавание иногда выдаёт связный текст, которого не было.

Когда чинить бессмысленно

Есть четыре ситуации, в которых обработка не поможет, потому что нужной информации в файле уже нет. Узнать их полезно заранее — чтобы не тратить вечер.

• Перегруз. Уровень записи выкрутили в потолок, и пики волны срезаны. Значений, которые там были, в файле не существует; на слух получается хрип, в котором согласные не различаются. Видно до загрузки — по сплошной «колбасе» на дорожке.
• Речь тише фона. Говорили в трёх метрах от микрофона, рядом работал кондиционер. Разделять нечего: полезный сигнал и помеха пришли примерно одинаковыми, и любой фильтр заберёт их вместе.
• Трое разом. Наложение речи не лечится обработкой в принципе: два голоса на одном участке — это два голоса, и вычитанием их не разнести. Помогает только запись отдельными микрофонами.
• Срезанная полоса. Телефонный канал, сильно сжатый файл, режим «диктофон» с низкими настройками — верх спектра отрезан ещё до сохранения. Именно там жили шипящие, и вернуть их нечем.

Во всех четырёх случаях смена сервиса тоже ничего не меняет: любой инструмент получит на вход тот же обеднённый сигнал. Стоит перейти к другому вопросу — что из этого разговора реально нужно. Обычно нужны три-четыре фразы, а не весь час, и они вытаскиваются точечно: как отделить проблему записи от проблемы обработки, разобрано отдельно — почему расшифровка получилась плохой.

Что делать с текстом, который уже пришёл

Даже с неровной записи текст обычно содержит всё, ради чего затевалась расшифровка. Работать с ним нужно иначе: не вычитывать подряд, а проверять места, где потери дороже всего.

1. Проверьте отрицания. Первое, что теряется при сильной фильтрации, — короткое «не». Поиском по тексту пройдите ключевые фразы про сроки и обязательства и переслушайте спорные.
2. Выпишите числа и имена. Суммы, даты, фамилии, номера договоров. У каждой строки стоит время, клик по ней проигрывает именно этот фрагмент — десяток проверок закрывает вопрос доверия к документу.
3. Слушайте спорное на замедленной скорости. 0,75 вытаскивает окончания надёжнее любой обработки звука.
4. Переименуйте говорящих один раз. Подпись меняется сразу по всему диалогу, и текст становится читаемым без дополнительной вычитки.
5. Соберите поверх текста сводку. Итог, решения и задачи устойчивее к мелким огрехам, чем дословная стенограмма: ошибка в одном слове редко меняет смысл решения.

Поверх расшифровки собирается короткий документ: итог разговора, принятые решения и задачи с владельцами и сроками, каждый пункт со ссылкой на секунду, где это прозвучало. На шумной записи он полезнее дословного текста — смысловые куски переживают потерю отдельных окончаний лучше, чем стенограмма.

Частые вопросы

Проверено 13 августа 2026. Описание уровней подавления фонового шума — по справке Microsoft Teams: низкий уровень «подавляет слабый постоянный фоновый шум, например вентилятор компьютера или кондиционер», высокий — «весь фоновый звук, который не является речью», и для случая с музыкой рекомендован именно низкий. Влияние чистки звука на распознавание — по открытым работам: arXiv:2201.06685 (2022), где искажения, внесённые обработкой, названы основной причиной падения точности, а подмешивание части исходного сигнала обратно эту точность возвращает, и arXiv:2111.11606 (2021) о связи подавления шума с искажением речи. Требования к громкоговорящим терминалам, в том числе к подавлению эха и к поведению при двойном разговоре, — по рекомендации ITU-T P.340 «Transmission characteristics and speech quality parameters of hands-free terminals». Полоса классического телефонного канала (примерно 300–3 400 Гц) — по рекомендации ITU-T G.712, задающей характеристики передачи узкополосного речевого тракта. Распределение энергии по частотам — из акустической фонетики: основная энергия гласных лежит в нижней части спектра, шумовая составляющая шипящих и свистящих — выше 4 000 Гц, длительность взрывных согласных измеряется десятками миллисекунд. Утверждения об ослаблении полезного сигнала с расстоянием (мощность падает как квадрат расстояния: втрое дальше — в 9 раз тише), отражениях в помещении и срезанных при перегрузе пиках — из базовых свойств акустики и цифровой записи. Проверено 15 августа 2026.