ARTICLE · 1288680

白噪音最该信的,不是 App,是你自己造的

发布时间：2026-11-01 01:25:25 最近访问：2026-11-01 01:25:25

> 第七篇 · 动手造一段声音

上篇让你拿那段 1kHz 校准音，估一估房间里的分贝。这期顺着它往下讲，它到底是谁造的，怎么造的，以及为什么你其实可以自己造一个。

先说结论，免得你滑到末尾。

你手机 App 里那些“深度白噪音”“高级棕噪音”，背后大概率是同一段录音改了个名字。

但本号之前发的那三条不是，它们是按频谱定义一段一段算出来的。

这篇把那段代码，原样交给你。

你可能会想，自己造一段声音，跟睡得好不好，到底有什么关系？

关系是有的。

第六篇讲过，机器和 App 的默认档，往往比你该听的音量响得多。你如果能自己造一段、并且知道它的电平，就不用去猜那个档位到底几十分贝。

白噪音、粉红噪音、棕噪音，这三个词第三篇就出现过，当时只讲了它们听感差在哪儿。

这期补上它们是怎么来的。

01 三种噪音，差在频谱形状，不在名字多玄

白噪音，是所有频率一样响。数学上，它就是一串彼此独立的随机数。

粉红噪音，是白噪音过了道整形，每翻一倍频率，能量掉 3 分贝，听感比白噪音柔，像稳定下着的雨。

棕噪音掉得更狠，每倍频程掉 6 分贝，低频堆得多，像远处的雷，像空调外机。

区别不是哪种更高级，是频谱的形状不同。三种噪音像三种粗细不同的砂，白的是面粉，粉的是细砂，棕的是粗砂，撒在同一块地上分布不一样，但都是砂。

名字会骗人，波形不会。

本号测过一条标着“白噪音”的现成素材，实测斜率是 -7.31 dB/oct，那是棕噪音的频谱。波形不认广告话术，它只认物理。

所以与其盯着 App 标的名字，不如自己扫一眼斜率。一张表，把三种噪音的长相摆清楚。

噪音	每倍频程能量	听感	像什么
白噪音	约 0 dB/oct	平、略带刺	电视雪花
粉红噪音	约 -3 dB/oct	柔、稳定	稳定下雨
棕噪音	约 -6 dB/oct	闷、厚	远处雷声

02 核心就四样：随机、整形、积分、正弦

代码不长，拆成四块讲，每块对应一种声音。

白噪音最简单，每个采样点取一个均匀分布的随机数，它天然频谱平坦，因为前后两个采样互不相干。

粉红噪音，是在白噪音外面套一道滤波器。工程上常用 Paul Kellet 在 1999 年给出的近似做法，用六个不同时间常数的环节去累加、去抵消，把高频一点点压下去。你不用懂每个系数的来历，只要知道它在做一件事，把能量从高频搬到低频。

棕噪音更简单，是白噪音的积分。把随机数一个一个累加起来，低频自然就堆起来了，代价是能量会越积越大，所以要配一个很小的漏，让它别跑飞。

校准音最简单，一个 1kHz 的正弦波，sin(2π × 1000 × t)。它存在的意义不是好听，是给你一个已知频率的基准，用来标定手机麦克风，或者对照分贝表，第四篇讲过的那段就是这个。

这四种，都是用纯标准库就能写出来的东西，不依赖任何第三方包。白噪音管随机，粉红管整形，棕噪音管积分，校准音管基准，各司其职。

零依赖，意味着你不用为装包折腾，开箱即跑。

代码顶部那几个大写常量就是旋钮。SR 是采样率，44100 即 CD 音质；DURATION 是每段时长，10 秒够试听；PEAK 是峰值音量，管响度。它们都在文件最上面，改完存盘再跑就行。

看不懂也别怕，把 PEAK 从 0.2 调成 0.1，导出来的声音就轻一半。

往下看，代码在下面。

03 完整代码，和七个会坑你的细节

下面这段，存成 generate_noise.py，装了 Python 就能跑，它会吐出四个文件：white.wav、pink.wav、brown.wav、cal_1kHz.wav。

三步跑起来：一，电脑装好 Python，官网下载时勾选“添加到 PATH”；二，把下面代码存成 generate_noise.py；三，命令行进到那个文件夹，敲 python generate_noise.py，十秒后四个文件就躺在那了。

# -*- coding: utf-8 -*- """ generate_noise.py — 生成白噪音 / 粉红噪音 / 棕噪音 / 1kHz 校准音 纯标准库，零依赖。装好 Python 直接跑：  python generate_noise.py 会生成四个 WAV：white.wav  pink.wav  brown.wav  cal_1kHz.wav """  import wave import struct import math import random  SR = 44100            # 采样率，CD 音质 DURATION = 10         # 每种噪音时长（秒） CAL_DURATION = 5      # 校准音时长（秒） PEAK = 0.2            # 峰值振幅 = 0.2，约 -14 dBFS，留足安全余量 CAL_FREQ = 1000       # 校准音频率（赫兹） SEED = 20260607       # 固定随机种子，保证可复现   def write_wav(path, samples):     """samples: 浮点列表，范围约 [-1, 1]，写入 16-bit 单声道 WAV。"""     with wave.open(path, 'w') as w:         w.setnchannels(1)         w.setsampwidth(2)        # 16 bit         w.setframerate(SR)         fade = int(0.05 * SR)    # 50 毫秒淡入淡出，去掉首尾咔哒声         n = len(samples)         out = []         for i, s in enumerate(samples):             if i < fade:                 s *= i / fade             elif i > n - fade:                 s *= (n - i) / fade             v = int(max(-1.0, min(1.0, s)) * 32767)             out.append(struct.pack('<h', v))         w.writeframes(b''.join(out))     print('已生成', path)   def normalize(samples, peak=PEAK):     """把峰值压到目标振幅，避免削波爆音。"""     m = max(abs(s) for s in samples) or 1.0     return [s / m * peak for s in samples]   def white_noise(n):     """白噪音：每个采样点彼此独立、均匀随机。频谱是一条平线。"""     return [random.uniform(-1.0, 1.0) for _ in range(n)]   def pink_noise(n):     """粉红噪音：在白噪音上做 1/f 频谱整形（Paul Kellet 近似滤波器）。     六个不同时间常数的环节累加再抵消，把高频一点点压下去。"""     b0 = b1 = b2 = b3 = b4 = b5 = b6 = 0.0     out = []     for x in (random.uniform(-1.0, 1.0) for _ in range(n)):         b0 = 0.99886 * b0 + x * 0.0555179         b1 = 0.99332 * b1 + x * 0.0750759         b2 = 0.96900 * b2 + x * 0.1538520         b3 = 0.86650 * b3 + x * 0.3104856         b4 = 0.55000 * b4 + x * 0.5329522         b5 = -0.7616 * b5 - x * 0.0168980         out.append((b0 + b1 + b2 + b3 + b4 + b5 + b6 + x * 0.5362) * 0.11)         b6 = x * 0.115926     return out   def brown_noise(n):     """棕噪音：白噪音的累加（积分），能量更多压在低频。     配一个很小的「漏」防止数值越积越大跑飞。"""     out = []     last = 0.0     for x in (random.uniform(-1.0, 1.0) for _ in range(n)):         last = (last + 0.02 * x) / 1.02         out.append(last)     return out   def calibration_tone(n, freq=CAL_FREQ):     """1kHz 校准音：单一频率正弦波。是尺子，不是枕头。"""     return [math.sin(2 * math.pi * freq * i / SR) for i in range(n)]   if __name__ == '__main__':     random.seed(SEED)     n = SR * DURATION     write_wav('white.wav', normalize(white_noise(n)))     write_wav('pink.wav', normalize(pink_noise(n)))     write_wav('brown.wav', normalize(brown_noise(n)))     write_wav('cal_1kHz.wav', normalize(calibration_tone(SR * CAL_DURATION)))

几个容易踩的坑，单列出来。

第一，振幅别给满。采样值是 -1 到 1，你真填 1，声音会削顶，出来的不是噪音是失真，还刺耳。

代码默认压到 0.2，对应大约 -14 dBFS。提醒一句，dBFS 是文件里的相对电平，不是你耳朵听到的分贝，真到耳朵还得看你手机放多大、离多远，所以第六篇那句先调小再打开，对这段也成立。

第二，粉红和棕噪音能量压在低频，听着会比白噪音闷，也更实，别因为它们不刺耳就开更大。

第三，棕噪音是积分来的，数值范围小，要记得归一化，不然导出来几乎听不见。代码里统一做了峰值归一，四种声音响度拉到一致。

第四，想要结果可复现，给随机数定个种子，不然每次跑出来波形都不一样，做对照就乱了。

第五，导出来的是 WAV，无损，适合当基准，真要发到手机上当助眠，再转成你习惯的格式就行，转的时候别顺手把音量拉高，前面定的电平就白费了。

第六，同一段文件，耳机贴耳和床头外放是两个世界。耳机可能过响，外放可能不够，亲自用第六篇的办法估一下再定。

第七，那段校准音是尺子，不是枕头。它的本职是标定麦克风、对照分贝，别拿它当助眠音整夜放着听。

淡入淡出那 50 毫秒，是为了去掉首尾的咔哒声，听着不突兀，别手痒把它删了。

给婴儿用更要注意，距离大于 2 米、音量低于 50 分贝、不要整夜播。