CN116403594B - 基于噪声更新因子的语音增强方法和装置 - Google Patents
基于噪声更新因子的语音增强方法和装置 Download PDFInfo
- Publication number
- CN116403594B CN116403594B CN202310671651.2A CN202310671651A CN116403594B CN 116403594 B CN116403594 B CN 116403594B CN 202310671651 A CN202310671651 A CN 202310671651A CN 116403594 B CN116403594 B CN 116403594B
- Authority
- CN
- China
- Prior art keywords
- noise
- signal
- noisy
- power spectrum
- voice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000009467 reduction Effects 0.000 claims abstract description 65
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 133
- 238000000605 extraction Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000007493 shaping process Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 239000004973 liquid crystal related substance Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000021615 conjugation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 201000007201 aphasia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明涉及一种基于噪声更新因子语音增强的方法和装置，该方法包括：获取带噪语音；对带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；对带噪傅里叶系数进行特征提取，得到带噪Fbank特征；将带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数；根据降噪后的目标语音傅里叶系数生成降噪后语音波形信号。本发明具有显著的性能提升，既能处理平稳噪声，又能应对非平稳噪声，生成的纯净语音质量较高，同时鲁棒性高，在各自声学场景中性能稳定，提升用户体验。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及基于噪声更新因子的语音增强方法和装置。
背景技术
在真实环境中，获取到的语音信号不可避免地会被各种噪声和混响干扰，这极大地降低了语音的可懂度和感知质量，也损害了语音识别的性能。在时频域，语音信号的能量分布是稀疏的，这使得背景噪声的连续追踪和实现噪声消除成为可能。一般通过连续的噪声功率谱估计，可以构建降噪滤波器，实现对噪声信号的消除。时间帧上的滑动平均是估计噪声功率谱的常用方法，通常使用语音活性检测（VAD）来判断是否更新噪声功率谱，这种方式是时间帧级别的更新，缺乏细粒度精准的噪声功率谱信息。基于语音存在概率（SPP）噪声功率谱估计是一种更精细的方法，可以对每个频点进行噪声功率谱更新，能够获得更精确的噪声功率谱。
然而，这些方法通常假设噪声是稳定的或慢变的，这真实环境中很难满足，真实环境中既有平稳噪声，也有非平稳噪声。现有方法在非平稳噪声条件下实现了可靠的性能，但降噪性能有限，噪声残留较多，在真实环境中的基于噪声更新因子的语音增强仍然面临着巨大的挑战，其性能远未达到令人满意结果。例如，训练过程中未见过的噪声类型和未见过的输入信噪比时，降噪性能会急剧下降。由于对噪声估计不准，噪声过估计会造成语音损失较大，而噪声欠估计会导致噪声残留较多。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于噪声更新因子的语音增强的方法和装置，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种基于噪声更新因子的语音增强的方法，该方法包括：获取带噪语音；对上述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；对上述带噪傅里叶系数进行特征提取，得到带噪Fbank特征；将上述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波得到降噪后的语音信号的傅里叶系数，其中，上述语音降噪模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块； 深度噪声追踪网络用于确定语音存在概率和噪声更新因子，功率谱更新模块用于根据语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，维纳滤波模块用于获取样本降噪信号傅里叶系数；根据上述降噪后的目标语音信号的傅里叶系数得到降噪后的目标语音波形信号。
第二方面，本公开的一些实施例提供了一种基于噪声更新因子的语音增强装置，装置包括：获取单元，被配置成获取带噪语音；分解单元，被配置成对上述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；提取单元，被配置成对上述带噪傅里叶系数进行特征提取，得到带噪Fbank特征；第一生成单元，被配置成将上述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，其中，上述语音降噪模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块；深度噪声追踪网络用于确定语音存在概率和噪声更新因子，功率谱更新模块用于根据语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，维纳滤波模块用于获取样本降噪信号傅里叶系数；第二生成单元，被配置成根据上述降噪后的目标语音傅里叶系数生成降噪后语音波形信号。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：
首先获取带噪语音，之后，对带噪语音进行傅里叶变换分解，以得到带噪傅里叶系数，再对带噪傅里叶系数进行特征提取，得到带噪Fbank特征，接着，将带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波得到滤波后的语音信号的傅里叶系数，最后，根据降噪后的目标语音傅里叶系数生成降噪后语音波形信号。本发明提出的基于噪声更新因子的语音增强方法在基于信号处理的传统语音增强框架中结合了深度学***稳噪声，又能应对非平稳噪声，生成的纯净语音的语音质量较高,同时鲁棒性高，在各自声学场景中性能稳定，提升用户体验。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的一种基于噪声更新因子的语音增强方法的一个场景应用图；
图2是根据本公开的基于噪声更新因子的语音增强方法的一些实施例的流程图；
图3是根据本公开的一些实施例的深度噪声追踪网络的结构示意图；
图4是根据本公开的一些实施例的噪声信号功率谱、带噪信号功率谱以及维纳滤波器系数的确定方式示意图；
图5是根据本公开的基于噪声更新因子的语音增强装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的基于噪声更新因子的语音增强方法的一个应用场景的示意图。
如图1所示，服务器101可以获取带噪语音102，之后服务器101可以对上述带噪语音102进行傅里叶变换分解，得到带噪傅里叶系数103，接着，对上述带噪傅里叶系数103进行特征提取，得到带噪Fbank特征104，再将上述带噪Fbank特征104输入至预先训练的语音降噪模型105，得到降噪后的目标语音信号的傅里叶系数106，最后，根据上述降噪后的目标语音的傅里叶系数106生成降噪后的目标语音的波形信号107。
可以理解的是，基于噪声更新因子的语音增强方法的执行主体可以是各种软件，可以是终端设备或者也可以是服务器101，上述方法的执行主体还可以包括上述终端设备与上述服务器101通过网络相集成所构成的设备。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当信息呈现方法的执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。
继续参考图2，示出了根据本公开的基于噪声更新因子的语音增强方法的一些实施例的流程200。该基于噪声更新因子的语音增强方法，包括以下步骤：
步骤201，获取带噪语音。
在一些实施例中，基于噪声更新因子的语音增强方法的执行主体（例如图1所示的服务器）可以通过有线连接方式或者无线连接方式从用户的终端设备获取带噪语音。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
在这里，上述带噪语音通常是指由用户选取的或由用户指定的带有噪音的，或需要进行语音增强的语音。作为示例，带噪语音可以是带有空调噪声、风噪、咖啡厅噪声、广场噪声等噪声的语音。
步骤202，对带噪语音进行傅里叶变换分解，得到带噪傅里叶系数。
在一些实施例中，上述执行主体可以对上述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数。具体的，上述带噪傅里叶系数通常是指上述带噪语音的傅里叶系数。
在这里，上述傅里叶变换分解通常是指对带噪语音进行分帧，（作为示例，帧长可以是512，帧移可以是256）然后对分帧后的带噪语音进行加窗处理，（作为示例，上述加窗处理可以是以加汉明窗的方式进行处理）再利用对加窗后的带噪语音进行傅里叶变换得到带噪语音的带噪傅里叶系数的方式。
步骤203，对带噪傅里叶系数进行特征提取，得到带噪Fbank特征。
在一些实施例中，上述执行主体可以对上述带噪傅里叶系数进行特征提取，得到带噪Fbank特征。
在这里，上述特征提取通常是指对语音信号或信号的傅里叶系数进行预加重、分帧、加窗等等处理方式，以便最大化语音中的某些信息，以达到最好特征参数的提取。具体的，带噪Fbank特征通常是指以类似于人耳的方式对音频进行处理后得到的语音信号特征。
步骤204，将带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数。
在一些实施例中，上述执行主体可以将上述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，其中，上述语音降噪模型通常用于表征带噪Fbank特征以及降噪后的目标语音傅里叶系数的对应关系，上述语音降噪模型通常包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块，深度噪声追踪网络用于确定语音存在概率和噪声更新因子，功率谱更新模块用于根据语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，维纳滤波模块用于获取样本降噪信号傅里叶系数。
在这里，上述深度噪声追踪网络通常是指由门控递归单元以及全连接前馈网络组成的神经网络，上述深度噪声追踪网络的输入为带噪信号的fbank特征，输出为语音存在概率和帧级别噪声功率谱的更新因子。具体的，上述帧级别噪声功率谱更新因子反映了当前时刻带噪信号的平稳性。
带噪语音的Fbank特征输入门控递归单元网络可得到语音存在概率,门控递归单元网络的隐层输出代表带噪语音信号中的长时信息，而当前时刻带噪语音的Fbank特征代表短时信息，它们一起作为全连接前馈网络的输入可以对比出当前时刻的噪声平稳性差异，从而可以计算出帧级别噪声功率谱的更新因子。
在这里，上述功率谱更新模块用于利用语音存在概率和帧级别的噪声功率谱更新因子，通过滑动平均的方式确定带噪信号的功率谱和噪声信号的功率谱。
功率谱更新的关键信息都来自深度噪声追踪网络，传统方法需要再通过传统信号处理的方法进行一些信息（先验信噪比，后验信噪比等）的估计，然后才能更新噪声功率谱，本发明的更新方式更简单。
另外，上述维纳滤波模块用于通过更新后的带噪信号的功率谱和噪声信号的功率谱计算维纳滤波系数，并将其应用于带噪语音信号的傅里叶系数进行滤波得到降噪后目标语音信号的傅里叶系数。
具体的，上述降噪后目标语音信号的傅里叶系数通常是指通过语音降噪模型对带噪傅里叶系数进行去噪处理后得到的傅里叶系数。
在一些实施例的一些可选的实现方式中，上述深度噪声追踪网络包括：2层门控递归单元（GRU）和2层全连接前馈网络。在这里，上述门控递归单元通常是指一种特殊的长短期记忆网络(Long Short-Term Memory,LSTM)，它是一种比长短期记忆网络更加简单的循环神经网络，与长短期记忆网络不同的是，它不引入额外的记忆单元，它将长短期记忆网络中的输入门和遗忘门组合成“更新门”，它的另一个门是“重置门”。它简化了结构，减少了运算量，对于模型的训练学习更加容易。
另外，上述全连接前馈网络通常是指每一个神经元的输出都连接到下一层神经元的每一个神经元，每一个神经元的输入都来自上一层的每一个神经元，并且从信号流向来理解就是输入信号进入网络后，信号流动是单向的，即信号从前一层流向后一层，一直到输出层，其中任意两层之间的连接并没有反馈（feedback），亦即信号没有从后一层又返回到前一层的方式。
具体的，如图3所示，图3是深度噪声追踪网络的结构示意图，上述深度噪声追踪网络由2层门控递归单元和2层全连接前馈网络组成，每层门控递归单元有512个结点，每层全连接前馈网络512个结点，门控递归单元的输出层是一个256个结点的全连接层，激活函数为sigmoid，全连接前馈网络的输出层为1个结点的全连接层，激活函数为sigmoid。
在这里，上述sigmoid通常是指激活函数的一种，它对于神经元的激活频率有良好的解释：从完全不激活（0）到在求和后的最大频率处的完全饱和（saturated）的激活（1）。
在一些实施例的一些可选的实现方式中，上述语音降噪模型是根据以下步骤得到的：获取样本，其中，上述样本包括样本纯净噪声信号，样本纯净语音信号以及根据上述样本纯净噪声信号和上述样本纯净语音信号生成的样本带噪语音信号；对上述样本带噪语音信号进行特征提取，得到带噪Fbank特征；将上述带噪Fbank特征输入至待训练模型的深度噪声追踪网络，得到语音存在概率和帧级别噪声功率谱的更新因子；将上述语音存在概率和帧级别噪声功率谱的更新因子输入至功率谱更新模块，得到噪声信号功率谱和带噪信号功率谱；将上述噪声信号功率谱和带噪信号功率谱输入至维纳滤波模块，得到样本降噪信号傅里叶系数；根据样本降噪信号傅里叶系数和上述样本纯净语音信号傅里叶系数，计算频谱距离，通过频谱距离损失优化整个语音降噪网络；响应于上述频谱距离满足预设条件，确定上述待训练模型训练完成，将上述待训练模型确定为语音降噪模型。
在这里，上述获取样本通常是指收集和整理开源纯净语音数据集“863-1中文语音数据”、“AISHELL-1”、“AISHELL-2”以及收集和整理噪声集“NOISEX-92”、空调噪声、风噪、咖啡厅噪声、广场噪声的方式。
另外，上述样本带噪语音信号通常是指从上述纯净语音数据集中随机选择语音并从上述纯净噪声数据集中随机选择噪声，根据随机产生0.0到10.0的信噪比，通过纯净语音和纯净噪声进行混合得到10,000,000的方式得到的。
具体的，上述更新因子通常是指利用GRU网络的隐层输出和当前时刻带噪语音的Fbank特征一起作为前馈网络的输入，通过计算得到的帧级别的噪声功率谱更新因子，帧级别的噪声功率谱更新因子反映了当前时刻噪声信号的平稳性。
需要说明的是，上述待训练模型通常是指未完成参数填充的模型或实际输出不满足期望输出的模型，上述待训练模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块。
上述频谱距离通常是指用于计算音频信号相似性的指标，能够有效的区分出不同音频信号之间的差异。作为示例，可以利用样本降噪信号傅里叶系数和样本纯净语音信号傅里叶系数的损失计算方式来确定频谱距离。
具体的，上述预设条件通常由用户预先设置，作为示例，上述预设条件可以是上述频谱距离满足预设阈值。
在一些实施例的一些可选的实现方式中，响应于上述频谱距离未满足预设条件，上述执行主体可以根据上述频谱距离/>，采用Adam优化器，使用Warmup策略对深度噪声追踪网络，功率谱更新模块和维纳滤波模块进行联合优化。
在这里，上述Adam优化器通常是指一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，是最常用的优化器之一。
具体的，上述Warmup策略通常是指采用mini-batch数据筛选进行训练的方式。作为示例，Warmup策略可以是采用批处理尺寸为64，总训练轮数为50轮，直到收敛的方式。mini- batch通常是指将待训练数据分割成若干份，一次学习一份的数据筛选方式。这种方法的优点是可以均衡性能和训练时间上的需求。
如图4所示，图4是噪声信号功率谱、带噪信号功率谱以及维纳滤波器系数的确定方式示意图。
在一些实施例的一些可选的实现方式中，上述执行主体可以根据语音存在概率和帧级别噪声功率谱的更新因子，基于以下公式采用滑动平均方式确定噪声信号功率谱和带噪信号功率谱：
；
；
，
其中，为帧级别噪声功率谱的更新因子，/>表示噪声功率谱更新因子，t表示时间帧，f表示频率；/>表示语音存在概率，/>表示噪声信号在时间帧t和频带f的功率谱；/>表示带噪语音信号在时间帧t和频带f的功率谱；/>表示带噪信号在时间帧t和频带f的傅里叶系数；/>表示/>的共轭；/>表示带噪语音信号功率谱/>的更新因子，通常设置为常数。作为示例，上述更新因子/>通常设置为0.8。
在一些实施例的一些可选的实现方式中，上述执行主体可以根据噪声信号功率谱和带噪信号功率谱/>，基于以下公式确定维纳滤波器的系数：，
其中，表示在时间帧t和频带f的维纳滤波器系数；根据上述维纳滤波器系数/>，基于以下公式确定样本降噪信号傅里叶系数/>：，其中，/>表示维纳滤波器系数/>的共轭。
在一些实施例的一些可选的实现方式中，上述频谱距离是根据以下公式确定的：
，其中，t表示时间帧，f表示频率；/>为频谱距离，/>为样本降噪信号傅里叶系数，/>为样本纯净语音信号傅里叶系数，T表示时间帧数，F表示频带数，为256。
在这里，上述频谱距离通常是指用于计算音频信号相似性的指标，能够有效的区分出不同音频信号之间的差异。
步骤205，根据降噪后的目标语音傅里叶系数生成降噪后语音波形信号。
在一些实施例中，上述执行主体可以根据上述降噪后的目标语音傅里叶系数生成降噪后语音波形信号。
具体的，上述降噪后语音波形信号通常是指通过逆傅里叶变换得到降噪后的语音。作为示例，上述执行主体可以通过对降噪后的目标语音傅里叶系数进行逆傅里叶变换以生产降噪后语音波形信号。具体的，逆傅里叶变换是傅里叶变换的逆变换，它是一种将时域信号转换为频域信号的变换方式。
本公开的上述各个实施例具有如下有益效果：首先获取带噪语音，之后，对带噪语音进行傅里叶变换分解，以得到带噪傅里叶系数，再对带噪傅里叶系数进行特征提取，得到带噪Fbank特征，接着，将带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，最后，根据降噪后的目标语音傅里叶系数生成降噪后语音波形信号。本发明提出的基于噪声更新因子的语音增强方法在基于信号处理的传统语音增强框架中结合了深度学***稳噪声，又能应对非平稳噪声，生成的纯净语音的语音质量较高，提升用户体验。
进一步参考图5作为对上述各图所示方法的实现，本公开提供了一种基于噪声更新因子的语音增强装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的基于噪声更新因子的语音增强装置500包括：获取单元501、分解单元502、提取单元503、第一生成单元504和第二生成单元505。其中，获取单元501被配置成获取带噪语音；分解单元502被配置成对上述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；提取单元503被配置成对上述带噪傅里叶系数进行特征提取，得到带噪Fbank特征；第一生成单元504，被配置成将上述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，其中，上述语音降噪模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块；深度噪声追踪网络用于确定语音存在概率和噪声更新因子，功率谱更新模块用于根据语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，维纳滤波模块用于获取样本降噪信号傅里叶系数；而第二生成单元505，被配置成根据上述降噪后的目标语音傅里叶系数生成降噪后语音波形信号。
在一些实施例的可选实现方式中，上述深度噪声追踪网络，包括：
2层门控递归单元和2层全连接前馈网络，其中，每层门控递归单元有512个结点，每层全连接前馈网络512个结点，门控递归单元的输出层是一个256个结点的全连接层，激活函数为sigmoid，全连接前馈网络的输出层为1个结点的全连接层，激活函数为sigmoid。
在一些实施例的可选实现方式中，上述语音降噪模型是根据以下步骤得到的：获取样本，其中上述样本包括样本纯净噪声信号，样本纯净语音信号以及根据上述样本纯净噪声信号和上述样本纯净语音信号生成的样本带噪语音信号；对上述样本带噪语音信号进行特征提取，得到带噪Fbank特征；将上述带噪Fbank特征输入至待训练模型的深度噪声追踪网络，得到语音存在概率和帧级别噪声功率谱的更新因子；将上述语音存在概率和帧级别噪声功率谱的更新因子输入至功率谱更新模块，得到噪声信号功率谱和带噪信号功率谱；将上述噪声信号功率谱和带噪信号功率谱输入至维纳滤波模块，得到样本降噪信号傅里叶系数；确定上述样本纯净语音信号的样本纯净语音信号傅里叶系数，以及根据样本降噪信号傅里叶系数和上述样本纯净语音信号傅里叶系数，确定频谱距离；响应于上述频谱距离满足预设条件，确定上述待训练模型训练完成，将上述待训练模型确定为语音降噪模型。
在一些实施例的可选实现方式中，上述装置还包括优化单元，被配置成：响应于上述频谱距离未满足预设条件，根据上述频谱距离/>，采用Adam优化器，使用Warmup策略对深度噪声追踪网络，功率谱更新模块和维纳滤波模块进行联合优化。
在一些实施例的可选实现方式中，上述第一生成单元被进一步配置成：将上述语音存在概率和帧级别噪声功率谱的更新因子/>输入至功率谱更新模块，得到噪声信号功率谱/>和带噪信号功率谱/>，包括：根据语音存在概率和帧级别噪声功率谱的更新因子，以下公式采用滑动平均方式确定噪声信号功率谱和带噪信号功率谱：
；
；
，
其中，表示根据/>和/>计算的噪声功率谱在时间帧t和频带f的更新因子；
表示噪声信号在时间帧t和频带f的功率谱；/>表示带噪语音信号在时间帧t和频带f的功率谱；/>表示带噪信号在时间帧t和频带f的傅里叶系数；表示/>的共轭；/>表示带噪语音信号功率谱/>的更新因子，通常设置为常数。
在一些实施例的可选实现方式中，上述第一生成单元被进一步配置成：将上述噪声信号功率谱和带噪信号功率谱/>输入至维纳滤波模块，得到样本降噪信号傅里叶系数/>，包括：根据噪声信号功率谱/>和带噪信号功率谱/>，基于以下公式确定维纳滤波器的系数：/>，其中，/>表示在时间帧t和频带f的维纳滤波器系数；根据上述维纳滤波器系数/>和以下公式确定样本降噪信号傅里叶系数/>：/>，其中，/>表示维纳滤波器系数/>的共轭。
在一些实施例的可选实现方式中，上述频谱距离是根据以下公式确定的：。其中，t表示时间帧，f表示频率；/>为频谱距离，为样本降噪信号傅里叶系数，/>为样本纯净语音信号傅里叶系数，T表示时间帧数，F表示频带数，设置为256。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
本公开的上述各个实施例具有如下有益效果：
首先获取带噪语音，之后，对带噪语音进行傅里叶变换分解，以得到带噪傅里叶系数，再对带噪傅里叶系数进行特征提取，得到带噪Fbank特征，接着，将带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，最后，根据降噪后的目标语音傅里叶系数生成降噪后语音波形信号。本发明提出的基于噪声更新因子的语音增强方法在基于信号处理的传统语音增强框架中结合了深度学***稳噪声，又能应对非平稳噪声，生成的纯净语音的语音质量较高，提升用户体验。
下面参考图6其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的服务器）600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取带噪语音；对上述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；对上述带噪傅里叶系数进行特征提取，得到带噪Fbank特征；将上述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，其中，上述语音降噪模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块；深度噪声追踪网络用于确定语音存在概率和噪声更新因子，功率谱更新模块用于根据语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，维纳滤波模块用于获取样本降噪信号傅里叶系数；根据上述降噪后的目标语音傅里叶系数生成降噪后语音波形信号。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分解单元、提取单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取带噪语音的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上***（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于噪声更新因子语音增强的方法，包括：
获取带噪语音；
对所述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；
对所述带噪傅里叶系数进行特征提取，得到带噪Fbank特征；
将所述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，其中，所述语音降噪模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块，所述深度噪声追踪网络用于确定语音存在概率和噪声更新因子，所述功率谱更新模块用于根据所述语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，所述维纳滤波模块用于获取样本降噪信号傅里叶系数；
根据所述降噪后的目标语音傅里叶系数生成降噪后语音波形信号；
其中，所述语音降噪模型是根据以下步骤得到的：
获取样本，其中所述样本包括样本纯净噪声信号，样本纯净语音信号以及根据所述样本纯净噪声信号和所述样本纯净语音信号生成的样本带噪语音信号；
对所述样本带噪语音信号进行特征提取，得到带噪Fbank特征；
将所述带噪Fbank特征输入至待训练模型的深度噪声追踪网络，得到语音存在概率和帧级别噪声功率谱的更新因子；
将所述语音存在概率和帧级别噪声功率谱的更新因子输入至功率谱更新模块，得到噪声信号功率谱和带噪信号功率谱；
将所述噪声信号功率谱和带噪信号功率谱输入至维纳滤波模块，得到样本降噪信号傅里叶系数；
根据样本降噪信号傅里叶系数和所述样本纯净语音信号傅里叶系数，计算频谱距离，通过频谱距离损失优化整个语音降噪网络；
响应于所述频谱距离满足预设条件，确定所述待训练模型训练完成，将所述待训练模型确定为语音降噪模型。
2.根据权利要求1所述的方法，其中，所述深度噪声追踪网络包括：
两层门控递归单元和两层全连接前馈网络，其中，每层门控递归单元有512个结点，每层全连接前馈网络512个结点，门控递归单元的输出层是一个256个结点的全连接层，激活函数为sigmoid，全连接前馈网络的输出层为1个结点的全连接层，激活函数为sigmoid。
3.根据权利要求1所述的方法，其中，所述方法还包括：
响应于所述频谱距离未满足预设条件，根据所述频谱距离，采用Adam优化器，使用Warmup策略对深度噪声追踪网络，功率谱更新模块和维纳滤波模块进行联合优化。
4.根据权利要求1所述的方法，其中，所述将所述语音存在概率Pt和帧级别噪声功率谱的更新因子αv输入至功率谱更新模块，得到噪声信号功率谱和带噪信号功率谱，包括：
根据语音存在概率和帧级别噪声功率谱的更新因子，基于以下公式采用滑动平均方式确定噪声信号功率谱和带噪信号功率谱：
其中，αv为帧级别噪声功率谱的更新因子，表示噪声功率谱更新因子，t表示时间帧，f表示频率；
p(f,t)表示语音存在概率；
表示噪声信号在时间帧t和频带f的功率谱；
表示带噪语音信号的功率谱；
x(f,t)表示带噪信号的傅里叶系数；
x*(f,t)表示x(f,t)的共轭；
αx表示带噪语音信号功率谱的更新因子。
5.根据权利要求1所述的方法，其中，所述将所述噪声信号功率谱和带噪信号功率谱/>输入至维纳滤波模块，得到样本降噪信号傅里叶系数/>包括：
根据噪声信号功率谱和带噪信号功率谱/>基于以下公式确定维纳滤波器的系数：
其中，h(f,t)表示在时间帧t和频带f的维纳滤波器系数；
根据所述维纳滤波器系数h(f,t)，基于以下公式确定样本降噪信号傅里叶系数
其中，h*(f,t)表示维纳滤波器系数h(f,t)的共轭，x(f,t)表示带噪信号的傅里叶系数。
6.根据权利要求1或3所述的方法，其中，所述频谱距离是根据以下公式确定的：
其中，t表示时间帧，f表示频率；为频谱距离，/>为样本降噪信号傅里叶系数，y(f,t)为样本纯净语音信号傅里叶系数，T表示时间帧数，F表示频带数。
7.一种基于噪声更新因子的语音增强装置，包括：
获取单元，被配置成获取带噪语音；
分解单元，被配置成对所述带噪语音进行傅里叶变换分解，得到带噪傅里叶系数；
提取单元，被配置成对所述带噪傅里叶系数进行特征提取，得到带噪Fbank特征；
第一生成单元，被配置成将所述带噪Fbank特征输入至预先训练的语音降噪模型，通过维纳滤波对带噪信号进行滤波，得到降噪后的目标语音信号的傅里叶系数，其中，所述语音降噪模型包括深度噪声追踪网络、功率谱更新模块和维纳滤波模块；所述深度噪声追踪网络用于确定语音存在概率和噪声更新因子，所述功率谱更新模块用于根据所述语音存在概率和噪声更新因子得到噪声信号功率谱和带噪信号功率谱，所述维纳滤波模块用于获取样本降噪信号傅里叶系数；
第二生成单元，被配置成根据所述降噪后的目标语音傅里叶系数生成降噪后语音波形信号；
其中，所述语音降噪模型是根据以下步骤得到的：
获取样本，其中所述样本包括样本纯净噪声信号，样本纯净语音信号以及根据所述样本纯净噪声信号和所述样本纯净语音信号生成的样本带噪语音信号；
对所述样本带噪语音信号进行特征提取，得到带噪Fbank特征；
将所述带噪Fbank特征输入至待训练模型的深度噪声追踪网络，得到语音存在概率和帧级别噪声功率谱的更新因子；
将所述语音存在概率和帧级别噪声功率谱的更新因子输入至功率谱更新模块，得到噪声信号功率谱和带噪信号功率谱；
将所述噪声信号功率谱和带噪信号功率谱输入至维纳滤波模块，得到样本降噪信号傅里叶系数；
确定所述样本纯净语音信号的样本纯净语音信号傅立叶系数，以及根据样本降噪信号傅里叶系数和所述样本纯净语音信号傅里叶系数，确定频谱距离；
响应于所述频谱距离满足预设条件，确定所述待训练模型训练完成，将所述待训练模型确定为语音降噪模型。
8.根据权利要求7所述的装置，其中，还包括：
联合优化单元，用于响应于所述频谱距离未满足预设条件，根据所述频谱距离，采用Adam优化器，使用Warmup策略对所述深度噪声追踪网络、功率谱更新模块和维纳滤波模块进行联合优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310671651.2A CN116403594B (zh) | 2023-06-08 | 2023-06-08 | 基于噪声更新因子的语音增强方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310671651.2A CN116403594B (zh) | 2023-06-08 | 2023-06-08 | 基于噪声更新因子的语音增强方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116403594A CN116403594A (zh) | 2023-07-07 |
| CN116403594B true CN116403594B (zh) | 2023-08-18 |
Family
ID=87014578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310671651.2A Active CN116403594B (zh) | 2023-06-08 | 2023-06-08 | 基于噪声更新因子的语音增强方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116403594B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117690421B (zh) * | 2024-02-02 | 2024-06-04 | 深圳市友杰智新科技有限公司 | 降噪识别联合网络的语音识别方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108831499A (zh) * | 2018-05-25 | 2018-11-16 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 利用语音存在概率的语音增强方法 |
| CN111445919A (zh) * | 2020-03-13 | 2020-07-24 | 紫光展锐(重庆)科技有限公司 | 结合ai模型的语音增强方法、***、电子设备和介质 |
| CN111986660A (zh) * | 2020-08-26 | 2020-11-24 | 深圳信息职业技术学院 | 一种神经网络子带建模的单通道语音增强方法、***及存储介质 |
| CN112602150A (zh) * | 2019-07-18 | 2021-04-02 | 深圳市汇顶科技股份有限公司 | 噪声估计方法、噪声估计装置、语音处理芯片以及电子设备 |
| CN114005457A (zh) * | 2021-11-09 | 2022-02-01 | 西安邮电大学 | 一种基于幅度估计与相位重构的单通道语音增强方法 |
| WO2022240442A1 (en) * | 2021-05-08 | 2022-11-17 | Cerence Operating Company | Noise reduction based on dynamic neural networks |
-
2023
- 2023-06-08 CN CN202310671651.2A patent/CN116403594B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108831499A (zh) * | 2018-05-25 | 2018-11-16 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 利用语音存在概率的语音增强方法 |
| CN112602150A (zh) * | 2019-07-18 | 2021-04-02 | 深圳市汇顶科技股份有限公司 | 噪声估计方法、噪声估计装置、语音处理芯片以及电子设备 |
| CN111445919A (zh) * | 2020-03-13 | 2020-07-24 | 紫光展锐(重庆)科技有限公司 | 结合ai模型的语音增强方法、***、电子设备和介质 |
| CN111986660A (zh) * | 2020-08-26 | 2020-11-24 | 深圳信息职业技术学院 | 一种神经网络子带建模的单通道语音增强方法、***及存储介质 |
| WO2022240442A1 (en) * | 2021-05-08 | 2022-11-17 | Cerence Operating Company | Noise reduction based on dynamic neural networks |
| CN114005457A (zh) * | 2021-11-09 | 2022-02-01 | 西安邮电大学 | 一种基于幅度估计与相位重构的单通道语音增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116403594A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767783B (zh) | 语音增强方法、装置、设备及存储介质 | |
| CN110600017B (zh) | 语音处理模型的训练方法、语音识别方法、***及装置 | |
| US10679612B2 (en) | Speech recognizing method and apparatus | |
| WO2020042707A1 (zh) | 一种基于卷积递归神经网络的单通道实时降噪方法 | |
| WO2021196905A1 (zh) | 语音信号去混响处理方法、装置、计算机设备和存储介质 | |
| WO2018068396A1 (zh) | 语音质量评价方法和装置 | |
| WO2019232846A1 (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
| WO2022161277A1 (zh) | 语音增强方法、模型训练方法以及相关设备 | |
| CN112863535B (zh) | 一种残余回声及噪声消除方法及装置 | |
| CN116403594B (zh) | 基于噪声更新因子的语音增强方法和装置 | |
| WO2019232833A1 (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
| CN114898762A (zh) | 基于目标人的实时语音降噪方法、装置和电子设备 | |
| CN112259116A (zh) | 一种音频数据的降噪方法、装置、电子设备及存储介质 | |
| WO2022213825A1 (zh) | 基于神经网络的端到端语音增强方法、装置 | |
| WO2019232867A1 (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
| CN113345460A (zh) | 音频信号处理方法、装置、设备及存储介质 | |
| Martín-Doñas et al. | Dual-channel DNN-based speech enhancement for smartphones | |
| US20230186943A1 (en) | Voice activity detection method and apparatus, and storage medium | |
| Fang et al. | Integrating statistical uncertainty into neural network-based speech enhancement | |
| CN116913258A (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| CN114783455A (zh) | 用于语音降噪的方法、装置、电子设备和计算机可读介质 | |
| TWI749547B (zh) | 應用深度學習的語音增強系統 | |
| CN113763976A (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
| Li et al. | Dynamic attention based generative adversarial network with phase post-processing for speech enhancement | |
| Jing et al. | A closed-form solution to the graph total variation problem for continuous emotion profiling in noisy environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |