ClearVoice：先压住噪声，再决定是否给录音补高频
为什么值得关注
把语音降噪与高频重建分开选择，依据输入状况保留中间候选，避免规格提升掩盖人声细节损失。
适合谁：整理口播、访谈与已有授权语音录音，愿意运行模型并逐段试听的创作者和开发者。
这次有哪些亮点
- 增强SE与超分SR模型职责分开
- 超分预期干净输入，噪声素材可先做增强
- 单文件、目录及列表可处理，结果可另存
使用前需要知道
本文未运行或听验；高频重建不是无损找回；官方HF演示本次出现依赖错误，本地需环境与算力，ModelScope入口未执行；代码和两组权重许可不覆盖其他模型/依赖及录音权利。
录好一段访谈，回放时才发现空调声很重；另一份旧录音没有明显杂音，却显得闷。两份材料听起来都“不够清楚”，需要做的事可能不同。ClearerVoice-Studio 中的 ClearVoice 把语音增强与语音超分做成独立任务：前者处理背景噪声，后者尝试重建低带宽语音缺少的高频。对整理口播、访谈和声音素材的人，先分清问题，比把每个模型都跑一遍更有帮助。
官方为什么要求先降噪
超分模型卡给出一个会改变操作顺序的条件：MossFormer2_SR_48K 用干净语音训练，预期输入也是干净语音；有噪声时，推荐先使用 MossFormer2_SE_48K 做增强，再进行超分。两者名称很像，但 SE 与 SR 分别承担不同工作。
这意味着“输出变成48 kHz”和“声音已经适合使用”不是一回事。高采样率文件能容纳更宽的频率范围，模型还要估计原材料没有提供的细节；它不能把丢掉的真实信息无损找回来。若原录音有持续风扇声，先补高频也不会自动解决内容被噪声遮住的问题。
图为官方模型卡实页截图。先认清 SR 型号和48 kHz用途，右侧还说明没有现成推理提供商。它用于辨认模型与入口，不是本文处理后的波形或音质证明。打开原图。
一份输入，先保留能比较的中间文件
官方增强示例从 samples/input.wav 读取一份录音，得到结果后另存为 output_MossFormer2_SE_48K.wav；超分模型卡也给出独立的输入与输出文件路径。两个例子说明的是可接起来的文件处理方式，并不是已经展示同一段录音的连续实测。
例如，假设要整理一段自己录制的中文访谈，可以先保留原文件，只做一次增强，另存候选，再听人声和背景的变化。此处是教学流程，本文没有运行模型或完成听验。如果噪声减轻了，却连轻声尾音也一起变薄，不能只因背景安静就接受结果；应回到原录音，判断这份材料需要保留什么。
增强稿已经可用时，也不必为了规格继续超分。确实希望补充高频，再把候选送入 SR，并保留增强前、增强后及超分后三个版本，比较齿音、呼吸和长元音有没有变得突兀。判断目标是这段话是否更适合收听或继续剪辑，不是文件名里的数字更大。
评测表也透露了处理链的边界
ClearVoice 文档的超分实验使用 VoiceBank+DEMAND 的48 kHz测试集，再降采样成16、24、32 kHz作为输入，并先用增强模型降低噪声。因此，表中的改进来自一条处理链，不能全部归到“补高频”这一个动作上。
文档还特意说明：48 kHz那一列没有使用超分，只做增强。这是很有用的对照——同样叫输出改善，不同输入实际经过的步骤可能不同。本文不拿发布方的指标替代中文访谈听感，也不据此给出模型排名；它提醒使用者先记录输入状况和处理步骤，再比较自己的候选文件。
工具入口不等于所有任务都共用模型
项目还有语音分离、视听目标说话人提取等路线。多人同时讲话、背景噪声和录音带宽不足是不同问题，不能只换一个任务名就假定增强模型会把每位说话人拆成独立音轨。本篇聚焦的是增强与超分两个确切权重。
开发者可从官方 ClearVoice 文档的 pip install clearvoice 和 Python 示例开始。它支持单文件，也能按目录或列表批量处理；权重首次推理时自动从 Hugging Face 下载，失败时另有 ModelScope 下载入口。WAV之外的格式转换依赖 FFmpeg，安装包并不免除模型下载、运行环境和算力开销。
官方 Hugging Face 演示在本次访问时显示依赖导入错误，不能宣传为当下可直接上传试听的稳定服务。项目同时列出 ModelScope 演示，但本文未执行该入口；准备采用时，可优先核对本地示例，再在实际服务里确认可用状态。
仓库代码为 Apache 2.0，本文涉及的 SE_48K 与 SR_48K 官方权重卡也分别标注 Apache 2.0；这不统一覆盖外部依赖、其他模型或原始录音权利。对有权处理的语音素材，ClearVoice 的采用理由是把两种处理拆开、让中间结果能够留下核对。只有确实改善了这次录音的可用性，才值得把下一步接上。
参考资料：
以上为编辑整理，功能、许可与使用条件以官方说明为准。