В данной работе представлен гибридный алгоритм шумоподавления для улучшения качества детской речи, записанной в реальной акустической среде. Алгоритм сочетает традиционные методы спектрального анализа, такие как быстрое преобразование Фурье (БПФ) и фильтр Винера, с подходами глубокого обучения, включая рекуррентные нейронные сети (RNN) и сети с долго-краткосрочной памятью (LSTM). Для оценки эффективности предлагаемого метода был собран аудиокорпус детской речи на казахском языке с помощью специально разработанного Telegram-бота «Dataset Loader». Экспериментальная часть исследования показала значительное улучшение показателей распознавания речи после применения алгоритма шумоподавления. В частности, показатель ошибок распознавания слов (WER) снизился с 32,4% до 18,7%, а показатель F1 увеличился с 0,72 до 0,88. Анализ спектрограмм показал явное снижение уровня фонового шума и улучшение разборчивости речи. Результаты исследования подтверждают эффективность гибридного подхода для улучшения качества речевых данных и повышения точности систем автоматического распознавания речи в сложных акустических условиях.