音频处理中的隐形杀手：IIR 滤波器状态重置引发的“滋滋”声

一、问题现象：机器人说话带“滋滋”杂音

某次用户反馈：电话接通后，云雀语音智能体播报的 TTS 人声中夹杂着密集的“滋滋”声，像是电流声又像蜂鸣，录音文件听起来完全正常，只有手机端下行能听到。

我们截取了通话的 PCM 录音（PCMA/8kHz），用频谱分析工具扫描，发现：

• 在正常的 TTS 语音段之间，每隔 20ms 左右出现一次高频脉冲。
• 3.5kHz 以上的能量峰值频繁出现，密度约 50 次/秒，这与通话的打包时长（ptime=20ms）完全吻合。
• 脉冲频率集中在 2600~3600Hz，紧贴着后续分析发现的低通滤波器截止频率。

听感上，每秒 50 次的“咔嗒”声连贯起来就是人耳敏感的中高频“滋滋”声，这不是噪声，而是规律的 click 流。

---

二、根因定位：Butterworth IIR 的“冷启动”问题

问题的代码路径是：TTS 引擎输出 24kHz 的单声道 PCM，需要转换成 8kHz 窄带音频发送给运营商。在 resample_pcm16le 函数中，采样率转换分两步：

1. 先用一个 低通滤波器 滤掉 3.6kHz 以上的频率（防止混叠）。
2. 再用 audioop.ratecv 进行整数倍下采样。

这个低通滤波器是手动实现的 2 阶 Butterworth IIR 滤波器，简化后的核心运算如下：

def _lowpass_butter_2nd_pcm16le(pcm, sr, cutoff_hz):
    # 计算系数 ...
    x1 = x2 = y1 = y2 = 0   # ← 问题在这里
    for sample in pcm:
        x0 = sample
        y0 = b0*x0 + b1*x1 + b2*x2 - a1*y1 - a2*y2
        # 更新延迟单元
        x2, x1 = x1, x0
        y2, y1 = y1, y0
        yield y0

注意 x1 = x2 = y1 = y2 = 0 这一行。
因为音频数据是分 chunk 送入的（每 20ms 一段），每次调用该函数时，滤波器的历史状态都被重置为零。也就是说，无论上一段音频的波形如何，新的 chunk 都要面对一个“从未见过信号”的滤波器，就像冷启动一样。

对于 IIR 滤波器，状态重置会引入一个从 0 到稳态的瞬态响应（ringing）。如果输入是纯 1kHz 正弦波，滤波器稳态下几乎不会输出高频，但每个 chunk 开头都会产生一簇 3.6kHz 附近的振荡，这正是我们看到的 50 次/秒的高频脉冲。

实验复现完美证实了这一点：

• 用纯净 1kHz 正弦波作为输入，24kHz→8kHz 强制窄带转换。
• 统计 5ms 帧中 3.5kHz 以上峰值 >500 的次数，结果为 49 次/199 帧，即 49 clicks/秒，与真实录音完全一致。

故障链总结：
TTS 24kHz chunk → _lowpass_butter_2nd 状态归零 → 每个 chunk 开头产生瞬态 → 50 clicks/秒 → 人耳听到“滋滋”声。

---

三、修复：让滤波器状态跨 chunk 持续流动

解决方案极其简单：把 filter state 从局部变量改为外部传入的持久状态，每次处理 chunk 后返回更新后的 state，供下一次调用使用。

修改后的函数签名变为：

def _lowpass_butter_2nd_pcm16le(pcm, sr, cutoff_hz, state=None):
    if state is None:
        x1 = x2 = y1 = y2 = 0
    else:
        x1, x2, y1, y2 = state
    # ... 处理循环 ...
    return list_output, (x1, x2, y1, y2)

在 resample_pcm16le 中，力窄带路径的 state 被持久化为一个 tuple，随会话一直传递：

# 伪代码
state_lp = None
for chunk in audio_chunks:
    filtered, state_lp = _lowpass_butter_2nd_pcm16le(chunk, sr, 3400, state_lp)
    # 继续后续处理 ...

同时为了获得更好的阻带衰减，滤波器升级为 4 阶（级联两个 biquad），截止频率微调到 3.4kHz。

修复后的效果立竿见影：

指标	修复前	修复后
1kHz 纯音输出的 hi3.5k RMS	1340	30
3.5k+ 峰值 >500 的帧数	49 次/秒	0 次/秒
主观听感	滋滋声	干净无杂音

滋滋声彻底消失。

---

四、进阶：8 阶 + 50Hz 高通，抹平宽带噪声

实际部署后用户反馈“电流声”虽然大幅减弱，但仍有轻微残留。频谱分析发现，4 阶 Butterworth 在 4~5kHz 的滚降不够陡（-24dB/oct），残留的能量被 OPUS 编码器放大，形成类似白噪声的听感。

于是我们将滤波器升级为 8 阶 Butterworth @ 3.0kHz，并增加一个 50Hz 高通 去除直流和工频干扰。最终在 3.5~5kHz 实现了超过 30dB 的衰减，宽带噪声也被消除。

整个过程只修改了一个核心函数，没有改动任何流媒体框架，CPU 开销增加不到 1%。

---

五、云雀语音智能体的启示

这个 bug 的狡猾之处在于：它只出现在分块流式处理且状态未保持的场景中。传统的离线转码或短文件测试根本触发不了，因为一次性处理整个文件时状态自然连续。

云雀语音智能体在升级后，所有机器人的下行语音都恢复了干净、清晰的人声。如果你也在开发类似的实时语音对话系统，务必警惕那些“每次调用都重置”的滤波器、编码器或重采样器——一个看似无害的初始化，可能就是杂音的源头。

---

搞定。就这样一个小点，足以吃掉你半天的调试时间。希望这篇文章能帮你省下这半天。