Cómo eliminar el ruido de fondo para STT: guía completa de reducción de ruido para speech-to-text

¿Por qué eliminar el ruido de fondo para STT?

• La relación señal-ruido (SNR) reducida hace más difícil que los modelos distingan la voz
• Enmascaramiento de frecuencias cuando el ruido se superpone con las frecuencias de la voz
• Confusión del modelo cuando los patrones de ruido se parecen al habla
• Menores puntuaciones de confianza que generan más errores de transcripción
• Mayor tiempo de procesamiento porque los modelos tienen dificultades con entradas ruidosas

• ✅ Mayor precisión de transcripción (a menudo mejora un 10-30%)
• ✅ Mejor reconocimiento de palabras, especialmente términos técnicos
• ✅ Procesamiento más rápido con audio más limpio
• ✅ Timestamps y segmentación más confiables
• ✅ Mejor manejo de voz baja

Comprender los tipos de ruido de fondo

1. Ruido constante (estacionario)

• Ejemplos: Aire acondicionado, zumbido de ventilador, zumbido eléctrico, ruido blanco
• Características: Frecuencia y amplitud consistentes
• Eliminación: Más fácil de eliminar con sustracción espectral o filtrado

2. Ruido variable (no estacionario)

• Ejemplos: Tráfico, murmullo de gente, tecleo de teclado, crujido de papel
• Características: Cambia con el tiempo, patrones impredecibles
• Eliminación: Requiere técnicas más avanzadas como modelos de deep learning

3. Ruido impulsivo

• Ejemplos: Clics, chasquidos, portazos, timbres de teléfono
• Características: Picos cortos y repentinos
• Eliminación: Requiere detección y reemplazo/interpolación

4. Ruido periódico

• Ejemplos: Pitidos, alarmas, sonidos repetitivos
• Características: Patrones regulares en frecuencias específicas
• Eliminación: Se puede filtrar con notch filters

Método 1: usar software de edición de audio

Audacity (gratis, código abierto)

1. Abre tu archivo de audio en Audacity
2. Selecciona una sección con solo ruido (sin voz)
3. Ve a Effect → Noise Reduction
4. Haz clic en Get Noise Profile
5. Selecciona toda la pista de audio
6. Ve a Effect → Noise Reduction nuevamente
7. Ajusta la configuración:
   • Noise reduction (dB): 12-24 dB (empieza con 15)
   • Sensitivity: 6.0 (predeterminado)
   • Frequency smoothing (bands): 3 (predeterminado)
8. Haz clic en OK para aplicar

• Usa una muestra de ruido de 0.5-2 segundos
• Elige una sección con ruido representativo
• Empieza con ajustes moderados y aumenta si es necesario
• Previsualiza antes de aplicar a toda la pista

Adobe Audition

1. Abre el archivo de audio
2. Selecciona la sección con solo ruido
3. Ve a Effects → Noise Reduction/Restoration → Capture Noise Print
4. Selecciona la pista completa
5. Ve a Effects → Noise Reduction/Restoration → Noise Reduction (process)
6. Ajusta:
   • Noise Reduction: 40-80% (empieza con 60%)
   • Reduce by: 6-12 dB
   • High Frequency Transition: 4000-8000 Hz
7. Haz clic en Apply

Método 2: bibliotecas de procesamiento de audio en Python

Usar la biblioteca noisereduce

import noisereduce as nr
import soundfile as sf

# Load audio file
audio_data, sample_rate = sf.read("noisy_audio.wav")

# Method 1: Stationary noise reduction (for constant noise)
reduced_noise = nr.reduce_noise(
    y=audio_data,
    sr=sample_rate,
    stationary=True,
    prop_decrease=0.8  # Reduce noise by 80%
)

# Method 2: Non-stationary noise reduction (for variable noise)
reduced_noise = nr.reduce_noise(
    y=audio_data,
    sr=sample_rate,
    stationary=False,
    prop_decrease=0.8
)

# Save cleaned audio
sf.write("cleaned_audio.wav", reduced_noise, sample_rate)

pip install noisereduce soundfile

Usar librosa para spectral gating

import librosa
import numpy as np
import soundfile as sf

def spectral_gate(audio_path, threshold_db=-40):
    """Remove noise using spectral gating."""
    # Load audio
    y, sr = librosa.load(audio_path, sr=None)
    
    # Compute short-time Fourier transform (STFT)
    stft = librosa.stft(y)
    magnitude = np.abs(stft)
    phase = np.angle(stft)
    
    # Convert to dB
    magnitude_db = librosa.amplitude_to_db(magnitude)
    
    # Apply threshold (remove frequencies below threshold)
    magnitude_db_cleaned = np.where(
        magnitude_db > threshold_db,
        magnitude_db,
        -80  # Silence very quiet parts
    )
    
    # Convert back to linear scale
    magnitude_cleaned = librosa.db_to_amplitude(magnitude_db_cleaned)
    
    # Reconstruct audio
    stft_cleaned = magnitude_cleaned * np.exp(1j * phase)
    y_cleaned = librosa.istft(stft_cleaned)
    
    return y_cleaned, sr

# Usage
cleaned_audio, sample_rate = spectral_gate("noisy_audio.wav", threshold_db=-35)
sf.write("cleaned_audio.wav", cleaned_audio, sample_rate)

Usar scipy para filtrado de paso alto

from scipy import signal
import soundfile as sf

def high_pass_filter(audio_path, cutoff_freq=80):
    """Remove low-frequency noise with high-pass filter."""
    # Load audio
    audio_data, sample_rate = sf.read(audio_path)
    
    # Design high-pass filter
    nyquist = sample_rate / 2
    normalized_cutoff = cutoff_freq / nyquist
    b, a = signal.butter(4, normalized_cutoff, btype='high')
    
    # Apply filter
    filtered_audio = signal.filtfilt(b, a, audio_data)
    
    return filtered_audio, sample_rate

# Usage
cleaned_audio, sr = high_pass_filter("noisy_audio.wav", cutoff_freq=100)
sf.write("cleaned_audio.wav", cleaned_audio, sr)

Método 3: reducción de ruido basada en deep learning

Usar RNNoise

import rnnoise
import numpy as np
import soundfile as sf

def rnnoise_denoise(audio_path):
    """Remove noise using RNNoise model."""
    # Load audio
    audio_data, sample_rate = sf.read(audio_path)
    
    # RNNoise expects 16kHz mono audio
    if sample_rate != 16000:
        import librosa
        audio_data = librosa.resample(audio_data, orig_sr=sample_rate, target_sr=16000)
        sample_rate = 16000
    
    # Convert to mono if stereo
    if len(audio_data.shape) > 1:
        audio_data = np.mean(audio_data, axis=1)
    
    # Process in chunks (RNNoise processes 480 samples at a time)
    chunk_size = 480
    denoised_audio = []
    
    denoiser = rnnoise.RNNoise()
    
    for i in range(0, len(audio_data), chunk_size):
        chunk = audio_data[i:i+chunk_size]
        if len(chunk) < chunk_size:
            chunk = np.pad(chunk, (0, chunk_size - len(chunk)))
        
        denoised_chunk = denoiser.process(chunk)
        denoised_audio.extend(denoised_chunk)
    
    return np.array(denoised_audio), sample_rate

# Usage
cleaned_audio, sr = rnnoise_denoise("noisy_audio.wav")
sf.write("cleaned_audio.wav", cleaned_audio, sr)

pip install rnnoise

Usar Demucs de Facebook

from demucs.pretrained import get_model
from demucs.audio import AudioFile
import torch

def demucs_separation(audio_path):
    """Separate speech from noise using Demucs."""
    # Load pre-trained model
    model = get_model('htdemucs')
    model.eval()
    
    # Load audio
    wav = AudioFile(audio_path).read(streams=0, samplerate=model.sample_rate, channels=model.audio_channels)
    ref = wav.mean(0)
    wav = (wav - ref.mean()) / ref.std()
    wav = torch.from_numpy(wav).float()
    
    # Separate sources
    with torch.no_grad():
        sources = model(wav[None])
        sources = sources * ref.std() + ref.mean()
    
    # Extract vocals (speech) - usually index 0 or 3
    speech = sources[0, 0].cpu().numpy()
    
    return speech, model.sample_rate

# Usage
speech_audio, sr = demucs_separation("noisy_audio.wav")
sf.write("speech_only.wav", speech_audio, sr)

Método 4: herramientas online de reducción de ruido

1. Audacity Online (versión en la nube)

• Gratis, basado en navegador
• Bueno para procesamiento rápido
• Tamaño de archivo limitado

2. Adobe Podcast Enhance

• Reducción de ruido impulsada por IA
• Gratis para uso limitado
• Excelentes resultados para voz

3. Krisp.ai

• Supresión de ruido en tiempo real
• API disponible para integración
• Bueno para audio en vivo

4. Cleanvoice.ai

• Eliminación automática de ruido
• Maneja múltiples tipos de ruido
• Procesamiento por lotes disponible

Flujo de trabajo completo: preprocesamiento de audio para STT

import librosa
import noisereduce as nr
import soundfile as sf
from scipy import signal
import numpy as np

def preprocess_audio_for_stt(audio_path, output_path):
    """Complete audio preprocessing pipeline for STT."""
    
    # Step 1: Load audio
    print("Loading audio...")
    y, sr = librosa.load(audio_path, sr=16000, mono=True)
    
    # Step 2: Remove DC offset
    print("Removing DC offset...")
    y = y - np.mean(y)
    
    # Step 3: High-pass filter (remove low-frequency noise)
    print("Applying high-pass filter...")
    nyquist = sr / 2
    normalized_cutoff = 80 / nyquist
    b, a = signal.butter(4, normalized_cutoff, btype='high')
    y = signal.filtfilt(b, a, y)
    
    # Step 4: Normalize volume
    print("Normalizing volume...")
    max_val = np.max(np.abs(y))
    if max_val > 0:
        y = y / max_val * 0.95  # Normalize to 95% to avoid clipping
    
    # Step 5: Noise reduction
    print("Reducing noise...")
    y = nr.reduce_noise(
        y=y,
        sr=sr,
        stationary=False,  # Use non-stationary for variable noise
        prop_decrease=0.8  # Reduce noise by 80%
    )
    
    # Step 6: Final normalization
    print("Final normalization...")
    max_val = np.max(np.abs(y))
    if max_val > 0:
        y = y / max_val * 0.95
    
    # Step 7: Save processed audio
    print(f"Saving to {output_path}...")
    sf.write(output_path, y, sr)
    
    print("Preprocessing complete!")
    return y, sr

# Usage
preprocess_audio_for_stt("noisy_recording.wav", "cleaned_for_stt.wav")

Buenas prácticas para eliminar ruido

1. Elige el método adecuado

• Ruido constante: Usa sustracción espectral o reducción de ruido estacionario
• Ruido variable: Usa reducción no estacionaria o modelos de deep learning
• Ruido impulsivo: Usa eliminación de clics o interpolación
• Múltiples tipos de ruido: Combina múltiples técnicas

2. Preserva la calidad de la voz

• No proceses en exceso (puede introducir artefactos)
• Usa ajustes moderados de reducción de ruido (60-80%)
• Preserva el rango de frecuencias de la voz humana (80-8000 Hz)
• Mantén características naturales del habla

3. Prueba e itera

• Siempre previsualiza antes de aplicar a toda la pista
• Compara audio original vs. procesado
• Prueba la precisión de transcripción con ambas versiones
• Ajusta la configuración según los resultados

4. Considera tu modelo de STT

• Algunos modelos (como Whisper) manejan bien el ruido
• El preprocesamiento no siempre es necesario
• Prueba con y sin preprocesamiento
• Los modelos más grandes son más robustos al ruido

Errores comunes que debes evitar

• Puede eliminar frecuencias de la voz
• Crea artefactos y distorsión
• Hace que la voz suene robótica

• Puede eliminar componentes importantes de la voz
• Hace que la voz suene delgada o metálica
• Afecta la naturalidad

• El preprocesamiento puede no mejorar la precisión
• Algunos modelos funcionan mejor con audio original
• Siempre haz pruebas A/B

• Asegura una frecuencia de muestreo adecuada (se recomienda 16kHz)
• Usa formatos sin pérdida cuando sea posible
• Evita compresión doble

Integración con speech-to-text

Uso con OpenAI Whisper

import whisper
import noisereduce as nr
import soundfile as sf

def transcribe_with_noise_reduction(audio_path):
    """Transcribe audio with noise reduction preprocessing."""
    
    # Step 1: Reduce noise
    audio_data, sr = sf.read(audio_path)
    cleaned_audio = nr.reduce_noise(
        y=audio_data,
        sr=sr,
        stationary=False,
        prop_decrease=0.75
    )
    
    # Save temporary cleaned file
    temp_path = "temp_cleaned.wav"
    sf.write(temp_path, cleaned_audio, sr)
    
    # Step 2: Transcribe with Whisper
    model = whisper.load_model("base")
    result = model.transcribe(temp_path)
    
    # Clean up
    import os
    os.remove(temp_path)
    
    return result["text"]

# Usage
transcription = transcribe_with_noise_reduction("noisy_audio.wav")
print(transcription)

Uso con la API de SayToWords

import requests
import noisereduce as nr
import soundfile as sf

def transcribe_with_saytowords(audio_path):
    """Preprocess and transcribe with SayToWords."""
    
    # Preprocess audio
    audio_data, sr = sf.read(audio_path)
    cleaned_audio = nr.reduce_noise(
        y=audio_data,
        sr=sr,
        stationary=False,
        prop_decrease=0.8
    )
    
    # Save cleaned audio
    cleaned_path = "cleaned_for_api.wav"
    sf.write(cleaned_path, cleaned_audio, sr)
    
    # Upload and transcribe
    with open(cleaned_path, 'rb') as f:
        files = {'file': f}
        response = requests.post(
            'https://api.saytowords.com/transcribe',
            files=files,
            headers={'Authorization': 'Bearer YOUR_API_KEY'}
        )
    
    return response.json()

Medir la efectividad de la reducción de ruido

Comparación antes/después

import librosa
import numpy as np

def measure_snr(audio_path):
    """Estimate signal-to-noise ratio."""
    y, sr = librosa.load(audio_path, sr=None)
    
    # Simple SNR estimation
    signal_power = np.mean(y ** 2)
    noise_floor = np.percentile(np.abs(y), 10) ** 2
    snr_db = 10 * np.log10(signal_power / noise_floor) if noise_floor > 0 else 0
    
    return snr_db

# Compare before and after
original_snr = measure_snr("noisy_audio.wav")
cleaned_snr = measure_snr("cleaned_audio.wav")

print(f"Original SNR: {original_snr:.2f} dB")
print(f"Cleaned SNR: {cleaned_snr:.2f} dB")
print(f"Improvement: {cleaned_snr - original_snr:.2f} dB")

Conclusión

• Tipo de ruido (constante vs. variable)
• Calidad de audio (frecuencia de muestreo, profundidad de bits)
• Herramientas disponibles (software vs. programación)
• Modelo STT (algunos manejan mejor el ruido que otros)

• Para procesamiento rápido: Usa Audacity o herramientas online
• Para automatización: Usa bibliotecas de Python como noisereduce
• Para mejores resultados: Combina múltiples técnicas
• Para producción: Prueba con tu modelo STT específico

Recursos adicionales

• Whisper for Noisy Background Guide
• How to Fix Unclear Recordings
• Audio Enhancement Best Practices