随着人工智能的兴起，越来越多，传统语音增强算法的缺点，在深度学习领域得到提高。本文主要针对rnnoise 算法与传统算法比较分析：
1、传统降噪算法，大部分是估计噪声+维纳滤波，噪声估计的准确性，是整个算法效果的核心。
根据噪声的不同，大部分处理是针对平稳噪声，以及瞬时噪声来做。
2、rnnoise 降噪算法，是根据纯语音，以及噪声 通过gru 训练来做。特征点提取，已经预料成为了算法的核心部分。
从两种算法的核心部分可以了解到：
rnnoise 的优点主要：
a、一个算法，通过训练，可以解决所有噪声场景。
b、可以优化传统噪声估计的时延，收敛问题。
rnnoise 的缺点是：
1、深度学习算法，落地问题。因为相对大部分传统算法，rnn 训练要得到一个很好的效果，特征点个数，隐藏单元的个数以及神经网络层数的增加，导致模型增大，运行效率就是问题。
2、rnnoise 目前测试发现，单独运行，或者集成到webrtc 上在硬件好的pc运行效率是够的。
本文只是简单分析一下rnnoise 降噪的优势，具体训练、应用，测试，欢迎大家加音频算法讨论群：（作者zeark）153268894 。