估计音频文件的SNR的方法？

Question

如何从包含语音的单个音频文件中估算SNR？ 我知道两种方法：

1. log power histogram pecentile difference（又名“NIST快速方法”），如下所述：http://labrosa.ee.columbia.edu/~dpwe/tmp/nist/doc/stnr.txt

2. 10 * log10（（S-N）/ N），其中

   • S = sum {x [i] ^ 2 * e [i]}
   • N = sum {x [i] ^ 2 *（1-e [i]）}
   • e [i]某种语音活动检测（语音/非语音指示符）

有没有更好的方法不需要立体声数据（或干净和嘈杂版本的数据）？我还想避免在NIST文档（见1.）中描述的“第二种方法”，该方法对分布做出了强有力的假设。

Answer 1

人声使用300 Hz至3 kHz的频率。这就是（旧的）电话系统正在使用的。人声从不使用所有这些频率，这就是为什么我们可以进行频率分析以找到本底噪声 - 没有任何参考或语音活动检测e [i]：

1. 计算FFT，频率分辨率为~10 - 20 Hz。 对于48 kHz的采样率，您将使用FFT长度的采样率/分辨率= 4800个样本，这应该四舍五入到最接近的2的幂，即4096

2. 确定保持300 - 3000 Hz结果的必要分档。 bin索引k保持频率k * samplerate / FFT_length的结果。对于48 kHz以上的输入和FFT长度4096，这是k（300 Hz）= 300 * 4096/48000~ = 25和k（3000 Hz）= 3000 * 4096 / 48000~ = 250。

3. 计算每个必要箱中的能量：E [k] = FFT [k] .re ^ 2 + FFT [k] .im ^ 2。这取决于您的FFT算法“在哪里”写入实部和虚部。

4. N = min {E [k = 25..250]} * number_of_bins（= 250-25 + 1）

5. S = sum {E [k = 25..250]}

6. SNR =（S-N）/ N.级别为10 * log10（SNR）

7. 由于SNR会随着时间的推移而变化，请使用一些新样本返回步骤1 - 可能会有一些重叠