上篇文章（基於MCRA-OMLSA的語音降噪(一)：原理）講了基於MCRA-OMLSA降噪的原理，本篇講怎麼做軟件實現。軟件實現有多種方式。單純看降噪效果可用python，因為python有豐富的庫可用，可節省不少時間，把主要精力放在降噪效果提升上。如果要把算法用在產品上就得用其他語言。我們是芯片公司，且我們team偏底層，最常用的語言是C，所以我又用C實現了該算法。本文先講講在python下的實現，再講講在C下的實現。
一，python下的實現
Python有豐富的庫，音頻文件讀取的librosa/soundfile等，數學庫的numpy（裏面也包含了信號處理的fft等），連算指數積分的都有了（scipy.special.exp1）。算法原理搞清楚了後先畫軟件流程圖，如下圖：
根據流程圖並且基於現成的python庫很快就能把算法實現了。關鍵是調優，要有好的降噪效果。算法里參數較多，主要有αp、αs、αd等，其中有些有推薦的經驗值，有些需要自己tuning。參數tuning過程中降噪效果評估依舊用權威的PESQ。將乾淨語音和噪聲以指定的SNR（通常有0db/5db/10db/15db等）疊加後得到帶噪語音，用降噪算法對這個帶噪語音做降噪得到降噪後的語音。用PESQ工具分別將帶噪語音和降噪後的語音與原來的乾淨語音做比較，可以得到MOS分提高了多少。花了一些時間tuning後有了一個相對不錯的降噪效果，以疊加的是白噪聲為例，降噪後在各種SNR下的MOS分提升如下表：
二，C語言下的實現
C語言下的實現要用在產品中，算法的運算量（即 CPU load）是一個要重點考慮的因素。實現通常分兩個階段。第一階段是基於C中已有數學庫的浮點實現，在參數值一樣的情況下降噪效果要和python實現的保持一致。如果運算量較大或者處理器不支持浮點運算，需要進入第二階段。首先將用到的數學庫函數用自己寫的函數（函數里只有加減乘除等）代替，然後再將整個算法定點化，使運算量降下來。
1，第一階段
首先根據算法和流程圖定義結構體和API。這裡簡單把API列一下，如下圖：
從上圖看出，MCRA和OMLSA各有兩個API，相對簡潔，一個是初始化，一個是算法處理。實現時遇到的第一個問題是C語言數學庫里沒有提供指數積分函數，需要自己實現。在網上搜了下，書《常用算法程序集（C語言）第三版》的14.15節講了怎麼算指數積分，這裡簡單介紹下。令
又
其中γ為歐拉常數（γ = 0.577215664901532860606512）。
可以通過該書9.7節的勒讓德-高斯求積分法來求。對勒讓德-高斯求積分法感興趣的可以找相關資料來看，這裡就不詳細介紹了。把Ei(x)求出後再取反就是算法中所要的
的值。取幾個值比較這個實現與python里scipy.special.exp1的結果，如下表，可以看出精度還是挺高的。
算法代碼寫好後，還需要FFT相關的代碼才能調試，FFT相關的選用了CMSIS里浮點實現的代碼。調試時帶噪語音文件依舊用的是python實現調試的那個，這樣結果好對齊，方便比較各個環節的輸出，如FFT的輸出、噪聲估計的輸出等。調試時要一級一級的調，在誤差允許的範圍內，如果上一級的輸出一致而本級的輸出不一致，則問題就出在這一級里。在這個方法下很快就調試好了，在誤差允許的範圍內，每幀各個頻點降噪後的幅度譜與python里的保持一致。
2，第二階段
第二階段可分兩個子階段，一是把數學庫的函數用自己寫的函數（函數里只有加減乘除等運算）替代，二是把整個算法定點化。目前第一個子階段已完成，第二個子階段完成後有機會也會寫怎麼對算法做定點化的。
算法用到的數學庫函數主要是自然指數（exp()）和一般指數(pow())，再加上做完FFT後是複數，需要用求平方根(sqrt())算得幅度譜，所以需要寫出這幾個庫函數對應的函數。對於一般的求指數而言，它可以轉換成求自然指數和自然對數，具體關係如下：
，所以只要實現了自然指數和自然對數就可以了。這樣最終實現的函數是3個：自然指數，自然對數，求平方根。至於怎麼實現的這3個函數，細節較多，會在後面專門寫一篇文章講。實現完這些函數後與標準庫里的做比較，誤差在允許的範圍內即可。再把這些函數用在算法中，拿降噪後的幅度譜與python里的比較，誤差也在允許的範圍內。
