基于自適應(yīng)軟掩模的語音混合特征增強分析

目前，音頻處理技術(shù)獲得了眾多學者的關(guān)注與研究，相關(guān)語音處理技術(shù)也得到了開發(fā)應(yīng)用^[1-2]。例如，在開展語音增強時，需要根據(jù)語音特征來判斷語音信息，各項語音特征對應(yīng)的語音信息也存在差異，實際性能也具有明顯區(qū)別^[3]。但根據(jù)傳統(tǒng)語音特征進行分析時，濾波器存在較大限制，并不能對人耳聽覺非線性過程達到良好匹配性，這對系統(tǒng)語音增強過程具有明顯阻礙^[4]。其中，梅爾濾波器組在高頻率段表現(xiàn)為更加稀疏的特點，由此造成高頻特征丟失的結(jié)果，按照人耳耳蝸結(jié)構(gòu)構(gòu)建的伽馬通濾波器組能夠非常準確體現(xiàn)人耳基底膜結(jié)構(gòu)特征，同時實現(xiàn)優(yōu)異魯棒性能^[5,6]。

根據(jù)上述研究結(jié)果，本文設(shè)計了一種以自適應(yīng)軟掩模與混合特征共同分析的算法來實現(xiàn)語音增強的效果。以混合特征進行分析時，可以消除單一梅爾域濾波器無法提供高頻特征的缺陷。

1 本文方案

選擇IRM作為學習目標時，可以根據(jù)語音能量與噪語音強度比例將其設(shè)置于0~1 區(qū)間內(nèi)。采用IRM 建立學習目標時，可以獲得較小失真度的增強語音，同時有效消除背景殘留噪聲。關(guān)于上述傳統(tǒng)學習目標控制情況，本文開發(fā)了一種以語音相位差實現(xiàn)的自適應(yīng)軟掩模語音增強方法。上述學習目標綜合考慮了語音幅度與相位差，能夠?qū)栴}形成更深刻的理解。

以混合特征組成深度神經(jīng)網(wǎng)絡(luò)輸入，再以融合相位

參數(shù)的自適應(yīng)軟掩模來實現(xiàn)語音增強的效果。此算法由訓練與測試2個過程構(gòu)成，從圖1 中可以看到包含混合特征與融合相位的系統(tǒng)框圖。

圖1 本文語音增強算法系統(tǒng)

1.1 訓練階段訓練階段

第1 步先對純凈語音、信號噪聲、含噪語音實施預處理，之后利用Gammatone 濾波器對上述音頻信號開展時頻分解，由此獲得耳蝸值。進行反向調(diào)優(yōu)時采用最小均方誤差法進行處理，結(jié)果見式（1）：

   （1）

式中，V_soft(t,f)與_soft(t,f) 分別對應(yīng)第t 幀與第f 頻帶最優(yōu)時頻掩蔽參數(shù)與采用網(wǎng)絡(luò)模型估計得到的輸出結(jié)果，T 為語音幀的總數(shù)量。

1.2 測試階段測試階段

先提取獲得語音特征參數(shù)，再將其輸入神經(jīng)網(wǎng)絡(luò)模型內(nèi)，并根據(jù)網(wǎng)絡(luò)模型確定學習目標。綜合考慮測試集含噪語音特征與時頻掩蔽值確定增強語音特征，最終利用含噪相位完成語音數(shù)據(jù)的重構(gòu)。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)的選取

為了對本文混合特征與自適應(yīng)軟掩模過程的性能特點進行驗證，從IEEE 語音數(shù)據(jù)庫內(nèi)選出90 條獨立語音，信號頻率保持一致。按照同樣信噪比對剩余20 條純凈語音與噪聲后半段進行混合處理形成測試集。

2.2 對比實驗分析

根據(jù)表1給出的對比算法對本文混合與學習目標進行有效性測試。

表1 對比實驗內(nèi)容及其編號

以對比算法1 進行處理是為了對本文混合特征性能優(yōu)異性進行驗證，根據(jù)對比算法2 與3 可知，本文建立的融合相位自適應(yīng)軟掩模能夠滿足有效性要求。為實現(xiàn)對本文算法性能的更直觀判斷，將語音置于Factory 噪聲環(huán)境中，控制信噪比為5 dB 條件下獲得增強算法時域波形。

為綜合分析本文算法的實際處理性能，設(shè)置了PESQ 與STOI 兩個指標對混合特征與自適應(yīng)軟掩模進行有效性驗證，得到表2~4 中在不同噪聲與信噪比環(huán)境中的PESQ 與STOI。根據(jù)表2 可知，帶噪語音信噪比為-5dB 的情況下，算法1 與2 顯示，對于各噪聲條件，PESQ 值提升了0.11 的均值水平，STOI 值則獲得了0.02的提升。會與算法2、3 相比，PESQ 值提升了0.21，同時STOI 提升了0.02。

表2 信噪比為-5dB的性能對比

根據(jù)表3 可知，帶噪語音信噪比為0dB 的條件下，各噪聲下的PESQ 值都提升達到0.18，STOI 值提升了0.01。與算法2、3 相比，PESQ 值提升了0.16，同時STOI 提升了0.01。

表3 信噪比為0dB的性能對比

對表4 進行分析可知，設(shè)置帶噪語音信噪比5dB 的條件下，各種噪聲下的PESQ 值都提升了近0.12，此時STOI 值提升了0.01。PESQ 值提升0.16，STOI 指標提升0.01。

表4 信噪比為5dB的性能對比

綜合分析表2~4 中各項參數(shù)得到以下結(jié)果：

1）對比算法1 與2 結(jié)果可知，混合特征增強語音屬于單特征MFCC，在所有信噪比與噪聲環(huán)境中，PESQ 值都提升了0.14，同時STOI 提升了0.01。根據(jù)算法1 與2 結(jié)果可以判斷本文設(shè)計的混合特征具備明顯優(yōu)勢，對提升語音質(zhì)量發(fā)揮著關(guān)鍵作用。

2）通過對比算法2 與3 結(jié)果可以發(fā)現(xiàn)，以本文融合相位差自適應(yīng)軟掩模可以獲得比IRM 更顯著優(yōu)勢，對于本文信噪比與噪聲環(huán)境，增強語音PESQ 值提升了0.18，同時提升了0.01 的 STOI。算法2 與3 表明采用本文融合相位差自適應(yīng)軟掩模能夠在獲得更優(yōu)增強語音質(zhì)量的條件下改善可懂度。

3）比較算法1 與3 測試結(jié)果可知，經(jīng)過優(yōu)化處理的語音特征與學習目標構(gòu)建得到的語音增強算法能夠促進語音質(zhì)量的明顯提升。增強語音PESQ 值提升0.32，STOI 提升了0.03。表明本文設(shè)計的算法具備明顯優(yōu)勢。

為準確分析實驗結(jié)果，將各算法對應(yīng)的PESQ 與STOI 均值具體見圖2 與圖3。從以上結(jié)果中可以推斷本文設(shè)計的混合特征與融合相位自適應(yīng)軟掩模具備明顯優(yōu)越性。

圖2 給出了各信噪比下以不同算法獲得的增強語音PESQ 均值，結(jié)果發(fā)現(xiàn)，以自適應(yīng)軟掩模與混合特征訓練神經(jīng)網(wǎng)絡(luò)處理獲得的各信噪比PESQ 均值都超過其余兩種算法。由此表明采用本文經(jīng)過改進后的語音特征與目標達到更優(yōu)的算法性能。

圖2 不同信噪比下增強語音PESQ平均值

圖3給出了各信噪比下以不同算法獲得的增強語音STOI均值，對圖3進行分析可以發(fā)現(xiàn)，選擇自適應(yīng)軟掩模與混合特征訓練神經(jīng)網(wǎng)絡(luò)進行處理時獲得的各個信噪比下的STOI值達到了最大。因此采用本文設(shè)計的混合特征能夠?qū)φZ音特性達到更準確評價的效果，并且利用融合相位差的自適應(yīng)軟掩模能夠?qū)r頻單元掩蔽結(jié)果進行準確評估。通過上述兩者的結(jié)合后能夠在獲得更優(yōu)增強語音質(zhì)量的條件下進一步促進可懂度的提高。

圖3 不同信噪比下增強語音STOI平均值

3 結(jié)束語

1）選擇融合相位自適應(yīng)軟掩模方式時，能最大程度去除背景噪聲，滿足有效性要求。

2）經(jīng)過優(yōu)化處理的語音特征與學習目標構(gòu)建得到的語音增強算法能夠促進語音質(zhì)量提升。

3）以自適應(yīng)軟掩模與混合特征訓練神經(jīng)網(wǎng)絡(luò)處理獲得的各信噪比PESQ和STOI值都超過其余兩種算法，采用本文經(jīng)過改進后的語音特征與目標達到更優(yōu)的算法性能。

參考文獻：

[1] 李如瑋,孫曉月,李濤.基于冪函數(shù)壓縮梅爾倒譜系數(shù)和掩膜后處理的多目標學習語音增強算法[J].電子與信息學報,2021,43:1-8.

[2] 孫坤倫,夏秀渝,孫文慧.基于聽覺掩蔽效應(yīng)的改進型維納濾波算法[J].計算機與網(wǎng)絡(luò),2020,46(13):4.

[3] 葛宛營,張?zhí)祢U.基于掩蔽估計與優(yōu)化的單通道語音增強算法[J].計算機應(yīng)用,2019,39(10): 6.

[4] 鮑長春,項揚.基于深度神經(jīng)網(wǎng)絡(luò)的單通道語音增強方法回顧[J].信號處理,2019,35(12):11.

[5] 李鴻燕,屈俊玲,張雪英.基于信號能量的濁語音盲信號分離算法[J].吉林大學學報(工學版),2015,(5):6.

[6] 李如瑋,孫曉月,李濤.基于冪函數(shù)壓縮梅爾倒譜系數(shù)和掩膜后處理的多目標學習語音增強算法[J].電子與信息學報,2021,43:1-8.

（本文來源于《電子產(chǎn)品世界》雜志2023年8月期）