前言

在语音交互和音频处理领域，背景噪声一直是影响识别率和通话质量的痛点。阿里巴巴达摩院开源的 FRCRN (Frequency-Recurrent Convolutional Recurrent Network) 模型是目前的业界标峰之作，尤其在 DNS-Challenge 等国际赛事中表现卓越。

本文将带你从零开始，在自己的服务器上部署一个基于16k 单麦语音降噪服务。

---

1. 环境准备

首先，我们需要一个干净的 Python 环境（建议使用 Python 3.8 或 3.9）。

1.1 安装基础依赖

FRCRN 依赖 PyTorch 和 ModelScope 框架。执行以下命令安装：

# 安装 PyTorch (根据你的环境选择 CPU 或 GPU 版本)
# 这里以常用的 CUDA 11.7 为例，如果没有 GPU，直接 pip install torch
pip install torch torchvision torchaudio

如果你选择的直接配置好Pytorch的镜像就可以跳过以上这步

# 安装 ModelScope 音频相关库
pip install "modelscope[audio]" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

# 安装其他辅助库
pip install soundfile librosa

1.2 系统级依赖

如果你的系统中没有 ffmpeg，处理多种格式音频时可能会报错，建议安装：

• Ubuntu: sudo apt-get install ffmpeg
• CentOS: yum install ffmpeg

---

2. 快速上手：几行代码实现降噪

在正式部署前，我们先写一个脚本验证模型是否能正常工作。

import os
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

# 1. 初始化模型 pipeline
# 模型名称：damo/speech_frcrn_ans_cirm_16k
ans_pipeline = pipeline(
    Tasks.acoustic_noise_suppression,
    model='damo/speech_frcrn_ans_cirm_16k'
)

# 2. 指定输入输出文件
input_path = 'test_noisy.wav'  # 确保这是一个 16k 采样率的 wav 文件
output_path = 'test_denoised.wav'

# 3. 执行降噪
ans_pipeline(input_path, output_path=output_path)

print(f"处理完成！降噪后的音频已保存至：{output_path}")

第一次运行的时候会下载模型，模型不大，根据网络波动下载时间大概在一两分钟左右

---

3. 进阶：部署为 Web API 服务

为了让前端或其他微服务能够调用降噪功能，我们使用 FastAPI 封装一个接口。

3.1 安装 Web 框架

pip install fastapi uvicorn python-multipart

3.2 编写服务端代码 main.py

from fastapi import FastAPI, UploadFile, File, HTTPException
from fastapi.responses import FileResponse
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
import shutil
import uuid
import os

app = FastAPI(title="FRCRN 语音降噪 API")

# 全局加载模型，避免每次请求重复加载耗时
print("Loading Model...")
ans_pipeline = pipeline(
    Tasks.acoustic_noise_suppression,
    model='damo/speech_frcrn_ans_cirm_16k'
)
print("Model Loaded!")

@app.post("/denoise")
async def denoise_api(file: UploadFile = File(...)):
    # 1. 生成唯一文件名，防止并发冲突
    task_id = str(uuid.uuid4())
    in_file = f"temp_in_{task_id}.wav"
    out_file = f"temp_out_{task_id}.wav"

    try:
        # 2. 保存上传的音频
        with open(in_file, "wb") as buffer:
            shutil.copyfileobj(file.file, buffer)

        # 3. 调用 FRCRN 推理
        ans_pipeline(in_file, output_path=out_file)

        # 4. 返回处理后的文件
        return FileResponse(out_file, media_type="audio/wav", filename="denoised.wav")

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))
    
    finally:
        # 5. 清理临时输入文件（输出文件建议由后台定时清理或发送后删除）
        if os.path.exists(in_file):
            os.remove(in_file)

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

---

4. 关键注意事项（避坑指南）

4.1 采样率必须是 16k

FRCRN 模型是针对 16kHz 采样率训练的。如果你的原始音频是 44.1k 或 48k，模型不会报错，但降噪效果会极其糟糕（声音变调或全是杂音）。

• 解决方法： 在调用模型前，先用 librosa 进行重采样。

4.2 GPU 与 CPU 切换

• 如果有 NVIDIA 显卡且安装了 CUDA，ModelScope 会自动使用 GPU，推理速度极快。
• 如果显存不足，可以在初始化时强制指定 CPU：

  ans_pipeline = pipeline(Tasks.acoustic_noise_suppression, model='...', device='cpu')
  

4.3 处理长音频

对于超过 5 分钟的长音频，直接处理可能会导致内存溢出（OOM）。建议在 API 层增加逻辑：将音频切分成 30 秒一段，逐段处理后再拼接。

---

5. 总结

通过 ModelScope 提供的 FRCRN 模型，我们可以极低成本地搭建出一套工业级的语音降噪系统。

部署流程回顾：

1. 环境： PyTorch + ModelScope。
2. 核心： 使用 pipeline 调用 damo/speech_frcrn_ans_cirm_16k。
3. 服务化： 使用 FastAPI 提供远程调用接口。
4. 规范： 严格控制输入音频采样率为 16,000Hz。

如果你正在寻找一种开源且效果稳健的降噪方案，FRCRN 绝对是目前单麦场景下的首选。

---