隨着人工智能的興起，越來越多，傳統語音增強算法的缺點，在深度學習領域得到提高。本文主要針對rnnoise 算法與傳統算法比較分析：
1、傳統降噪算法，大部分是估計噪聲+維納濾波，噪聲估計的準確性，是整個算法效果的核心。
根據噪聲的不同，大部分處理是針對平穩噪聲，以及瞬時噪聲來做。
2、rnnoise 降噪算法，是根據純語音，以及噪聲 通過gru 訓練來做。特徵點提取，已經預料成爲了算法的核心部分。
從兩種算法的核心部分可以瞭解到：
rnnoise 的優點主要：
a、一個算法，通過訓練，可以解決所有噪聲場景。
b、可以優化傳統噪聲估計的時延，收斂問題。
rnnoise 的缺點是：
1、深度學習算法，落地問題。因爲相對大部分傳統算法，rnn 訓練要得到一個很好的效果，特徵點個數，隱藏單元的個數以及神經網絡層數的增加，導致模型增大，運行效率就是問題。
2、rnnoise 目前測試發現，單獨運行，或者集成到webrtc 上在硬件好的pc運行效率是夠的。
本文只是簡單分析一下rnnoise 降噪的優勢，具體訓練、應用，測試，歡迎大家加音頻算法討論羣：（作者zeark）153268894 。