[发明专利]一种利用CNN的U-NET结构进行远场语音去混响的方法

摘要

本发明公开了一种利用CNN的U‑NET结构进行远场语音去混响的方法，属于语音信号处理技术领域，针对远场情况下混响比较大从而引起语音识别的识别准确率严重下降的情况，提出一种CNN的U‑NET结构，以2014年的REVERB Challenge数据集作为处理对象，主要包括以下步骤：对该数据集中的含混响的语音和与其对应的不含混响的语音进行特征提取；针对所提取的特征进行从含混响的语音特征到不含混响语音特征映射；将通过所提出的网络框架所增强后的特征进行声学模型训练及其解码。

主权项

1.一种利用CNN的U‑NET结构进行远场语音去混响的方法，其特征在于，包括以下步骤：步骤一：数据的特征提取；预加重：将数据集中任意一组语音信号s(n)通过高通滤波器，加窗：取25ms为一帧，并使用汉宁窗；快速傅里叶变换(FFT)：对每一帧进行FFT变换，从时域数据转变为频域数据，并计算谱线能量；Mel滤波：把求出的每帧谱线能量通过Mel滤波器，并计算在Mel滤波器中的能量；计算DCT倒谱：把Mel滤波器中的能量取对数后计算DCT，就可以得到Mel频率倒谱系数MFCC；步骤二：前端特征增强的神经网络框架的设计使用步骤二中得到的MFCC特征作为输入，卷积层的宽设置为MFCC的维度，卷积层的高设置为11，然后设置卷积层的filter大小分别为[12,12,24,24,32,32,24,24,12,12]，相当于一个encoder‑decoder的网络结构，同时使用Resnet的结构连接了encoder和decoder，即将第二和第四个卷积层分别和第七个和第九个的输出相加，将输入的11帧的特征直接整合成一帧来和U‑NET网络的输出进行拼接，添加两个全连接神经网络，通过输出层输出干净语音的MFCC特征。步骤三：语音识别模型的训练及其解码使用干净语音的MFCC特征进行归一化，然后求其一阶差分和二阶差分，将进行差分后的特征来进行单因素以及三音素训练，使用数据集中多场景下进行语音去混响之后MFCC特征进行声学模型的训练，将去混响之后的测试集数据进行解码。