采用FIR和IIR数字滤波器滤除音频文件噪声。要求回放滤波前后的语音信号，并从时域和频域比较处理前后的差异。

好的，我了解了你的问题。首先，我们需要准备一个音频文件和一些用于数字滤波的参数。

假设我们有一个名为 "audio.wav" 的音频文件，我们将使用Python中的SciPy库来进行数字滤波。我们将使用一个低通Butterworth滤波器作为例子，在这里我们将使用一个3阶滤波器，截止频率设置为2000 Hz。下面是代码示例：

import scipy.signal as signal
import scipy.io.wavfile as wavfile
import numpy as np

# 读取音频文件
sample_rate, data = wavfile.read("audio.wav")

# 设计3阶低通Butterworth滤波器
b, a = signal.butter(3, 2000/(sample_rate/2), 'low')

# 应用滤波器
filtered_data = signal.filtfilt(b, a, data)

# 回放滤波前的语音信号
print("Filtering original audio...")
play_obj = sa.play_buffer(data, 1, 2, sample_rate)

# 等待音频播放完成
play_obj.wait_done()

# 回放滤波后的语音信号
print("Filtering noise from audio...")
play_obj = sa.play_buffer(filtered_data, 1, 2, sample_rate)

# 等待音频播放完成
play_obj.wait_done()

# 从时域和频域比较处理前后的差异
# 绘制滤波前后的波形图
import matplotlib.pyplot as plt

plt.subplot(2, 1, 1)
plt.plot(data)
plt.title('Original Audio')

plt.subplot(2, 1, 2)
plt.plot(filtered_data)
plt.title('Filtered Audio')

plt.tight_layout()
plt.show()

# 绘制滤波前后的频谱图
freq, original_spec = signal.welch(data, sample_rate)
freq, filtered_spec = signal.welch(filtered_data, sample_rate)

plt.semilogy(freq, original_spec, label='Original')
plt.semilogy(freq, filtered_spec, label='Filtered')
plt.legend()
plt.xlabel('Frequency (Hz)')
plt.ylabel('Power Spectral Density (dB/Hz)')
plt.show()

这段代码将读取音频文件，设计低通Butterworth滤波器并应用于音频文件。然后，它会回放滤波前后的语音信号，并从时域和频域比较处理前后的差异。

在运行代码之后，你将会听到滤波前后的语音信号，同时还会展示滤波前后的波形图和频谱图。你可以通过观察波形图和频谱图来比较处理前后的差异。