基于倒谱的音频重构异常排查：重构音频含大量白噪声

• 缺失逆预加重处理
  你对原信号做了pre-emphasis提升高频，但重构后没有执行逆操作，导致高频分量被过度放大，听起来类似白噪声。需要在重构后添加逆预加重：

  # 重构后添加逆预加重
  x_reconstructed = lfilter([1], [1, -preemph], x_reconstructed)
  

• 倒谱提升破坏实信号对称性
  实信号的倒谱具有共轭对称性（c_real[n] = c_real[-n]，c_imag[n] = -c_imag[-n]），但你当前的lifter生成逻辑是非对称的，破坏了这种对称性，导致逆FFT后引入数值噪声。修改lifter的生成代码，保证对称性：

  def lifter(c_real, c_imag, lifter_order=22):
      c = c_real + 1j * c_imag
      c[0] = 0  # 可选，视需求保留DC分量
      n = np.arange(len(c))
      # 生成对称的提升窗口
      lifter_win = np.zeros_like(n)
      half_len = len(lifter_win) // 2 + 1
      lifter_win[:half_len] = 1 + (lifter_order / 2) * np.sin(np.pi * n[:half_len] / lifter_order)
      if len(lifter_win) > half_len:
          lifter_win[half_len:] = lifter_win[:len(lifter_win)-half_len][::-1]
      c_liftered = lifter_win * c
      return c_liftered.real, c_liftered.imag
  

• 数值稳定性问题（log计算的极小值）
  当音频频谱的幅度极小时，np.log(np.abs(X))会产生数值不稳定的结果，后续exp操作会引入误差。给幅度添加极小的偏移量避免log(0)：

  def complex_cepstrum(x, nfft=None):
      if nfft is None:
          nfft = len(x)
      X = np.fft.fft(x, n=nfft)
      # 添加epsilon避免log极小值
      logX = np.log(np.abs(X) + 1e-12)
      c = np.fft.ifft(logX, n=nfft)
      return c.real, c.imag, np.angle(X)
  

• 复杂倒谱的实现逻辑偏差
  你当前的实现拆分了幅度谱对数和相位的处理，正确的复杂倒谱应该直接对复频谱取对数后做逆FFT，这样能完整保留频谱信息，减少相位拼接带来的误差。修改复杂倒谱和逆过程的实现：

  def complex_cepstrum(x, nfft=None):
      if nfft is None:
          nfft = len(x)
      X = np.fft.fft(x, n=nfft)
      # 处理极小值避免log报错
      X[np.abs(X) < 1e-12] = 1e-12
      logX = np.log(X)
      c = np.fft.ifft(logX, n=nfft)
      return c.real, c.imag
  
  def inverse_complex_cepstrum(c_real, c_imag, n=None):
      if n is None:
          n = len(c_real)
      c = c_real + 1j * c_imag
      logX = np.fft.fft(c, n=n)
      X = np.exp(logX)
      # 强制共轭对称，消除数值误差
      X = (X + np.conj(np.flip(X))) / 2
      x = np.fft.ifft(X, n=n).real
      return x
  

  注意使用这个实现时，不需要单独传递相位参数，调用时改为：

  # 计算复杂倒谱
  c_real, c_imag = complex_cepstrum(x)
  # 提升
  c_liftered_real, c_liftered_imag = lifter(c_real, c_imag)
  # 重构
  x_reconstructed = inverse_complex_cepstrum(c_liftered_real, c_liftered_imag)
  

内容的提问来源于stack exchange，提问作者pm200107