[发明专利]语音信号加噪方法、装置及存储介质

说明书

本发明实施例提出一种语音信号加噪方法、装置及计算机可读存储介质。其中语音信号加噪方法包括：读取语音信号和噪声信号；产生符合特定分布特性的信噪比；根据所述语音信号的语音活动检测信息、所述噪声信号和所述信噪比计算加噪控制参数；根据所述加噪控制参数和所述噪声信号对语音信号进行加噪处理。本发明实施例改进了加噪控制参数，使加噪方式更加合理，从而使噪声抑制的效果更好，语音识别的性能大大提高。

技术领域

本发明涉及信息技术领域，尤其涉及一种语音信号加噪方法、装置及计算机可读存储介质。

背景技术

语音交互中很重要的一个应用场景就是高噪声情况下的语音识别。在安静情况下，语音识别的准确率已经可以达到97％以上。但是高噪声情况下，人类的听觉系统可以分辨出嘈杂环境中的感兴趣的声音，这个现象叫做“鸡尾酒会效应”。鸡尾酒会效应就是在嘈杂的鸡尾酒会上，还是能够听到感兴趣的目标说话人的声音。

“鸡尾酒会效应”在技术上通常被描述为盲源分离问题，也就是在没有参考信号的情况下，把感兴趣的“前景音”从嘈杂的“背景音”中分离出来。

盲源分离算法的应用场景通常在下面几个方面：

(1)可以将目标说话人的语音从一段多人同时说话的音频中提取出来。例如，客厅里电视正在播放新闻联播，用户想和茶几上智能音箱进行交互。音箱同时接收到了用户的语音请求和新闻联播中主持人的播报。也就是说，同一时刻，两个人在说话，这时需要将用户的语音提取出来。

(2)可以将语音从背景噪声中分离出来。例如，车载环境下的语音识别就属于这种场景。开车的时候，车载信息娱乐产品或者手机的麦克风会接收到各种噪声，如风噪、路噪，鸣笛等，盲源分离算法可以抑制这些环境噪声，只把语音增强取出，送到语音识别系统中。

上面举的例子都是比较理想的情况。盲源分离本身是个回归模型，如果模型性能不理想，就会出现badcase(坏案例)。典型的坏案例有：噪声没有消除干净，语音被损伤了。这个情况最为普遍，也就是在某些时频点，噪声被保留了下来；而在另一些时频点，语音却被消除了。

因此，盲源分离最核心的两个能力是：噪声抑制和不损伤语音。一个好的盲源分离系统，应该能够在尽量少地损伤语音的情况下，把背景噪声抑制到最强程度。

分析了盲源分离算法的上述坏案例可以发现，其中最核心的问题是如何加噪声。当前主要的加噪方式是随机出一个snr(Signal to Noise Ratio，信噪比)，按照信噪比计算语音和噪声的能量，然后按照一定的系数加噪。上述加噪的方式比较粗糙。这里有个假设，就是语音文件全部是语音，而噪声文件全部是噪声。待加噪的语音本身可能来自嘈杂的录音环境，它本身就是带噪声的。因此，如果整个语音文件样本不加区分地一起参与计算显然会产生偏差。

发明内容

本发明实施例提供一种语音信号加噪方法、装置及计算机可读存储介质，以至少解决现有技术中的一个或多个技术问题。

第一方面，本发明实施例提供了一种语音信号加噪方法，包括：读取语音信号和噪声信号；产生符合特定分布特性的信噪比；根据所述语音信号的语音活动检测信息、所述噪声信号和所述信噪比计算加噪控制参数；根据所述加噪控制参数和所述噪声信号对语音信号进行加噪处理。

结合第一方面，本发明实施例在第一方面的第一种实现方式中，根据语音信号的语音活动检测信息和所述信噪比计算加噪控制参数，包括采用以下公式计算加噪控制参数：

其中，a表示加噪控制参数；表示语音信号采样值中有声段y的方差；表示语音信号采样值中无声段v的方差；σ_n表示噪声信号采样值n的标准差；snr表示信噪比；sqrt表示取平方根。