您正在绘制整个音频剪辑的 FFT 的事实让我认为您正在寻找错误的解决方案类别。从信号 A 和 B 的波形可以清楚地看出，您的噪声和信号不是静止的。如果您想使用频域降噪技术，在您的情况下，应该在较短的重叠窗口上完成，您可以假设信号和噪声的属性是固定的。您无法避免使用短期傅立叶变换。

在这篇文章的其余部分，我会将符号切换为：

• $X$原始（无噪声）信号
• $N$噪声信号
• $Y = X + N$你的观察，也就是说$B$.$X$是你想要恢复的，$N$在你的情况下是已知的（信号$A$)

大多数去噪方法具有相同的结构：得到一个 STFT 表示$Y$和$N$（矩阵$Y(p, k)$和$N(p, k)$， 在哪里$p$是帧索引和$k$频率仓索引），处理来自行的 FFT 帧对$Y$和$N$得到一个估计$\hat{X}$去噪信号频谱的切片，并使用它来构建应用于频域的滤波器/掩码$Y$，通过重叠相加执行到时域的转换。

我建议你尝试实现 Ephraim-Malah 算法，这是一种经典且经常被引用的“基线”去噪方法。它基于两个直观的技巧：

• 估计 SNR 并在具有低 SNR 的段中衰减去噪滤波器的强度（这可以防止在信号接近噪声水平的区域出现许多伪影）。
• 使用时间平滑（如果我们在一帧中具有高 SNR，则在下一帧中使滤波/减法更强，因为它也可能包含信号......）。

我找到了一组关于这个主题的相对独立的幻灯片——作者介绍了越来越复杂的去噪规则，从光谱减法到成熟的 Ephraim-Malah。他没有告诉您进行实际实施的唯一一件事是如何获得估算值$\hat{S}_x(p,k)$- 因为你不观察$X(p,k)$， 只是$Y(p,k)$和$N(p,k)$. 最简单的方法是从信号的功率谱中减去噪声的功率谱，并将结果为负的 STFT 单元归零：

$\hat{S}_x(p,k) = \begin{cases} |Y(p,k)|^2 - |N(p,k)|^2 & when |Y(p,k)|^2 - |N(p,k)|^2 > 0 \\ 0 & otherwise \end{cases}$

然后，您可以尝试幻灯片第 5 页和第 10 页上显示的过滤规则。

如果噪声信号 B 与信号 A 高度相关（意味着通过线性滤波相关），那么您可以使用自适应 FIR 滤波器从信号 B 中减去噪声并只留下 C。如果噪声不相关但只是具有相同的频谱和/或概率密度函数、谱减法或维纳滤波器（或两者的组合）是您的最佳选择。

与频域中的常数相乘应该可以工作。您必须确保将所有频率乘以相同的数字，即包括 DC、Nyquist 和负频率。如果您进行定点处理，您还需要注意溢出、削波和/或量化噪声。除此之外，在时域或频域中相乘并不重要。