在这方面进行了一些研发后，我发现只有一种解决问题的好方法。这就是短时傅里叶变换(STFT)，因为音频帧的 RMS 是那里存在的所有频率的混合能量。它可以给出一个想法，但在许多情况下会失败。但是通过 STFT，我们得到了频率区间（范围）和那些频率的特定功率，与某个阈值相比，我可以检测到语音，并且可以检测到低于该阈值的噪声/旁白。现在您可以使用 Infos 两种方式。

数字 1是显而易见的，它在频域中对频率功率进行复杂缩放，然后实时重建音频。但是在尝试了这个之后，我失败了，因为频率缩放对时域有很大的影响。（尝试了overlap_samples+windowing+zero-pad+scaling+overlap-save等，并将继续探索，让我知道你是否可以作为新手帮助我）

然后我想到了另一种更简单有趣的方法（第 2 号），用于最小/平均嘈杂环境。您可以在频域中收集尽可能多的信息，例如阈值的语音/非语音概率，单帧中的阈值通过/失败计数，并设计一种自适应算法来计算“比例”值并将此比例应用于时域. 这不会 100% 去除背景噪音（因为它会在实际讲话中出现）但是当你不说话时，如果你能正确实现它，它可以像魔法一样工作。因此，背景噪音或旁白将被缩放到非常低的水平，并且在您不说话时不会伤害他人。这是我设计自适应算法并应用后的结果。