[发明专利]基于定向降噪与干声提取技术的语音优化方法

说明书

本发明是一种基于定向降噪与干声提取技术的语音优化方法，该方法包括以下步骤：S1、建立声音库；S2、定义使用的环境；S3、构建深度语音去噪自监督语音增强全卷积神经网络；S4、进行声音增强。本发明能够针对餐厅、室外、马路等不同的场景进行降噪，大大提升了降噪的效果。

技术领域

本发明属于音频处理的技术领域，特别涉及一种基于定向降噪与干声提取技术的语音优化方法。

背景技术

在音频处理过程中，主要有定向降噪和干声提取两种方式。

目前，定向降噪对音频降噪算法的研究主要集中在非压缩域音频的处理，主要的降噪方法有：谱减法、维纳滤波法和门限阈值法。经典的谱减法在假定噪声和信号相互独立的条件下，从含有噪声的信号谱中减去噪声谱，从而实现降噪。谱减法相对简单，但噪声和信号相互独立的假设并不完全相符，这使得采用谱减法降噪处理后的音频中残留有很大的音乐噪声；基于音频时频块的自适应阈值降噪算法在噪声方差已知的条件下，通过最小Stein风险估计法自适应地调整时频块的参数，对各种类型的音频都具有良好的降噪效果。

干声提取方法中，也有两种：

(1)基于计算听觉场景分析(CASA)的人声分离算法根据每个说话人语音的基音、音色等特征的不同，利用聚类与DNN的方法分离人声。然而，DNN训练得到的人声分离模型常常存在排列问题，即当一段混合语音中包含两个或多个说话人时，DNN输出分离语音的顺序是未知的，导致模型在训练时无法利用目标语音与对应的分离语音间的误差来提升分离效果。

(2)Hershey等提出深度聚类(DC)算法,算法将混合语音的时频幅度谱映射到一个嵌入空间中，使同一声源的时频点间的相似度最小、不同声源的时频点间的相似度最大，从而避免了排列问题带来的影响。Luo，Chen等根据DC算法改进的深度吸引子网络(DANet)在嵌入空间中计算得到吸引子，利用各吸引子与其同源的时频点间的相似度变高这一特性来计算分离掩蔽，同时在训练时利用了目标语音与其分离语音的误差来提升网络性能。

然而，定向降噪算法需要从含有噪声的音频信号中估计出噪声方差，噪声方差估计的准确度直接影响了降噪后音频的质量。干声提取所需要的数据量较大，总而言之目前的一些音频降噪算法效果都不是十分理想。

发明内容

为解决上述问题，本发明的首要目的在于提供一种基于定向降噪与干声提取技术的语音优化方法，该方法分别使用SSD和HSD方法处理带噪语音和去噪语音信号在不同噪声类型下的平均PESQ(Perceptual evaluation of speech quality客观语音质量评估)和STOI(Short-Time Objective Intelligibility可短时客观可懂)。

本发明的另一目的在于提供一种基于定向降噪与干声提取技术的语音优化方法，该方法使用log-mel图谱系数(MFSC)省略离散余弦变换(DCT)压缩；使用能量对书谱作为输入和输出的方法和masking-based方法估计一个语音信号进行去噪，去噪效果好。

为实现上述目的，本发明的技术方案如下。

一种基于音频场景识别的的定向降噪方法，包括以下步骤：

S1、建立声音库；

S2、定义使用的环境；

S3、构建深度语音去噪自监督语音增强全卷积神经网络；

S4、进行声音增强。

其中，S1、建立声音库步骤中，

采用TIMIT语料库，语料库中的音频文件由若干个讲话者(其中，男女各一半)组成的复数个语音音频文件组成，每个音频文件长度约为15s。

上述音频文件为干净语音信号，将干净语音信号通过UrbanSound8K数据集的噪声信号破坏。