我正在使用一个电话录音软件（android），它可以记录两个人在电话中的对话。每个电话呼叫的输出是一个音频文件，其中包含来自呼叫者和被呼叫者的声音。
但是，在大多数情况下，运行此软件的手机发出的声音比另一个更清晰。用户要求我使 2 的声音同样清晰。
所以我现在遇到的问题是：我有一个声音文件，其中包含来自 2 个不同音量来源的声音，我应该怎么做才能使来自这 2 个来源的声音的音量在噪音方面不增加。鉴于这是一个电话，所以在特定时间只有一个人在说话。
我看到至少有一个直接的解决方案：制作一个程序来分析声音文件的波形，识别来自声音较小的源的声音文件的一部分，并将其增加到一个看似与另一个平衡的水平。然而，这并不容易实现，我也希望那里有更好的解决方案。你对我有什么建议吗？
谢谢你。
这就是我解决这个问题的方法：
1.由于存储的WAV格式，我将音频解码为一系列整数值。
结果是 [xi] ; 0 < 西 < 255
2. 然后我必须确定 2 个自定义值：
- 噪声阈值？如果 xi > 阈值 => 它不是噪音（很天真！）
- 一段人声的声音应该多长时间？
我自己选择第一个值为 5，第二个值为 100ms
3. 我的算法将分析 [xi] 到 [Yi] 中，每个 Y 是一个 x 数组，每个 Y 代表一个人类声音块。
之后，我应用 k=2 的 k-mean，得到了 2 个不同的 Y 簇，一个属于声音较大的人，另一个属于声音较小的人。
4.剩下的很简单，我要决定一个参数M，每个x属于一个Y的较软的声音将乘以M，我得到最终的结果。
嗯，首先要做的是摆脱所有你不关心的噪音。
您要使用的频谱是：300 Hz 至 3500 Hz
您可以削减所有其他频率，这将大大减少您的噪音。然后，您可以应用自动均衡增益配置文件，甚至可以利用多个设备上可用的 DSP 配置文件。
如果你有机会，我也会看看这份白皮书。（需要 IEEE 或 ACM 会员资格）。
基于DirectShow技术的自动均衡系统及其在广播电台音频广播系统中的应用