我的建议是在频域中进行处理，因为有可用的方法可以直接用于解决您的问题。在许多情况下，语音“质量”与信号的信噪比 (SNR) 有关。至少，我认为您的应用程序就是这种情况——即电话通信。一般来说，“质量”的一些衡量标准可以从 SNR 中得出，低 SNR 表示“质量差”，相反，高 SNR 表示“质量好”。

因此，解决您的问题的一种方法是尝试估计记录的 SNR。为了估计SNR，可以使用众所周知的噪声功率谱密度(PSD)估计算法，例如“最小统计”算法[1]或基于最小均方误差的算法[2]。然后可以根据噪声 PSD 计算 SNR 的估计值：

$$ \hat{\text{SNR}} = \frac{P_{xx}}{\hat{P}_{nn}}-1, $$

$P_{xx}$是噪声输入信号的 PSD，$ \hat{P}_{nn}$是噪声 PSD 的估计值。可以为完整信号计算单个 SNR 估计值，但随着 SNR 随时间强烈变化，计算短信号块的 SNR 估计值可能很有用 - 典型块长度约为 $20\,$ - $30\,\文本{毫秒}$。

代替首先估计噪声 PSD，可以直接估计 SNR，例如，使用 [3] 中提出的方法。

或者，可以对语音质量或语音清晰度使用一些非侵入式（即，不需要干净的参考信号）测量。您可以尝试语音混响调制能量比测量 [4]，其中 Python 和 MATLAB 中的实现是直接可用的。

参考

[1] Rainer Martin，“基于最优平滑和最小统计的噪声功率谱密度估计”，IEEE Transactions on Speech and Audio Processing，vol。9，没有。5，第 504-512 页，2001 年 7 月。PDF MATLAB 实现

[2] T. Gerkmann 和 RC Hendriks，“具有低复杂性和低跟踪延迟的无偏 MMSE-Based Noise Power Estimation”，音频、语音和语言处理，IEEE Transactions on，vol。20，没有。4，第 1383-1393 页，2012 年 5 月。PDF MATLAB 实现

[3] E. Nemer、R. Goubran 和 S. Mahmoud，“使用子带和四阶统计的语音信号的 SNR 估计”，IEEE 信号处理快报，第一卷。6，没有。7，第 171-174 页，1999 年 7 月。IEEE Xplore

[4] TH Falk、C. Zheng 和 WY Chan，“混响和去混响语音的非侵入式质量和可理解性测量”，IEEE 音频、语音和语言处理汇刊，第一卷。18，没有。7，第 1766–1774 页，2010 年 9 月。IEEE Xplore Python 实现 MATLAB 实现

您可以在较短的连续时间范围内计算能量和 fft。如果频率内容和能量在给定数量的帧内没有变化，那么您可以假设您存在噪声。（考虑到您在白噪声损坏的频道上有语音）