[发明专利]一种语音增强网络模型、单通道的语音增强方法及系统

说明书

本发明提供一种单通道的语音增强方法，该方法通过语音增强网络模型实现。语音增强网络模型包括：一个分析层、一个编码器、一个时间卷积模块、一个解码器和一个合成层。本发明中一种单通道的语音增强方法，通过加入了基于卷积层设计的准短时加窗傅里叶变换的分析层和准逆短时加窗傅里叶变换的合成层，进而在变换域内更好地挖掘语音的特性。此外，采用门控卷积层搭建编码器和解码器以扩大感受野，更好地控制信息在层级结构中的传递，在编码器和解码器中间加入时间卷积模块以更好地学习语音的长时记忆特性，从而提高语音增强效果。同时，本发明提供了一种单通道的语音增强系统及一种语音增强网络模型。

技术领域

本发明涉及语音信号处理技术领域，特别是涉及一种单通道的语音增强方法、一种单通道的语音增强系统及一种语音增强网络模型。

背景技术

语音增强是指利用音频信号处理技术及各种算法提高失真语音信号的可懂度或整体感知质量，从而进一步在语音识别、语音通话、听力辅助以及声纹识别等场景中改善应用效果。传统的单通道语音增强算法包括谱减法、基于统计模型的算法和子空间算法等。但这类算法通常需要对语音信号和噪声各自的特性以及彼此是否相关等方面做出一定的前提假设，使其增强性能受到了限制。基于深度学习的语音增强算法目前大多采用的都是频域特征，如短时傅里叶变换幅度谱或者是对数功率谱，而增强语音的相位则由带噪语音的相位来代替，使得增强语音中相位和幅度存在一定的不匹配，导致“不一致语谱”问题。

发明内容

本发明的目的是提供一种单通道的语音增强方法，其通过加入了基于卷积层设计的准短时加窗傅里叶变换的分析层和准逆短时加窗傅里叶变换的合成层，进而在变换域内更好地挖掘语音的特性。此外，采用门控卷积层搭建编码器和解码器以扩大感受野，更好地控制信息在层级结构中的传递，在编码器和解码器中间加入时间卷积模块以更好地学习语音的长时记忆特性，从而提高语音增强效果。

本发明一方面提供了一种单通道的语音增强方法，该方法通过语音增强网络模型实现。语音增强网络模型包括：一个分析层、一个编码器、一个时间卷积模块、一个解码器和一个合成层。

分析层配置为根据具有多个采样点的带噪音采样数据获取初始维度的采样语音时域特征。

编码器设置于分析层的输出端且从分析层接收初始维度的采样语音时域特征。编码器具有多层的门控卷积层。编码器通过多层的门控卷积层识别初始维度的采样语音时域特征，获取采样语音时域特征的第一识别权重值。

编码器的门控卷积层具有两个数据流。两个数据流对应两个残差连接。两个残差连接分别为门控残差连接和非门控残差连接。

时间卷积模块设置于编码器的输出端且能够从编码器接收第一识别权重值。时间卷积模块通过空洞卷积第一识别权重值获取第二识别权重值。

解码器设置于时间卷积模块的输出端且接收第二识别权重值。解码器具有多层的门控反卷积层。多层的门控反卷积层连接门控残差连接和非门控残差连接。解码器反卷积第二识别权重值获取具有初始维度的增强后语音时域特征。以及

合成层设置于解码器的输出端且从解码器获取增强后语音时域特征。合成层根据增强后语音时域特征获取增强后的语音数据。

本发明的第二方面，提供了一种语音增强网络模型，其包括：一个分析层、一个编码器、一个时间卷积模块、一个解码器和一个合成层。

分析层配置为根据具有多个采样点的带噪音采样数据获取初始维度的采样语音时域特征。

编码器设置于分析层的输出端且从分析层接收初始维度的采样语音时域特征。编码器具有多层的门控卷积层。编码器通过多层的门控卷积层识别初始维度的采样语音时域特征，获取采样语音时域特征的第一识别权重值。

编码器的门控卷积层具有两个数据流。两个数据流对应两个残差连接。两个残差连接分别为门控残差连接和非门控残差连接。