[發(fā)明專利]噪聲降低方法和裝置

有效

• 申請?zhí)枺?/td>: 201380012027.6
• 申請日: 2013-02-08
• 公開（公告）號: CN104205214B
• 公開（公告）日: 2016-11-23
• 發(fā)明（設(shè)計）人: 市川治;S·J·倫尼
• 申請（專利權(quán)）人: 國際商業(yè)機器公司
• 主分類號: G10L21/0264
• 分類號: G10L21/0264;G10L15/20;G10L21/0216
• 代理公司: 北京市金杜律師事務(wù)所 11256
• 代理人: 酆迅

技術(shù)領(lǐng)域

本發(fā)明涉及語音識別技術(shù)，并且更具體地，涉及噪聲降低技術(shù)。

背景技術(shù)

在語音識別技術(shù)中，背景噪聲的影響的移除是令人關(guān)注的問題，它對于提高話語(utterance)識別的準(zhǔn)確性是重要的。當(dāng)背景噪聲相對小時，相關(guān)領(lǐng)域的濾波技術(shù)(諸如譜相減(spectral?subtraction)方法和維納(Wiener)濾波)具有一定程度的成功，但是在大的背景噪聲上無法獲得所期望的結(jié)果，因為目標(biāo)語音陷入在該噪聲中。

因此，近年來已經(jīng)將注意力放在使用干凈語音(clean?speech)(沒有任何噪聲被疊加在其上的話語語音)的概率模型的方法。這些基于模型的噪聲降低方法已經(jīng)被報道為甚至是在大的背景噪聲上也顯示出高的性能。關(guān)于這個方面，日本專利申請公開第2008-298844號(專利文獻1)公開了一種采用基于模型的噪聲降低的語音識別系統(tǒng)。

[引用列表]

[專利引用]

[專利引用1]日本專利申請公開第2008-298844號

發(fā)明內(nèi)容

[技術(shù)問題]

本發(fā)明的目的在于提供一種被應(yīng)用于語音識別前端的創(chuàng)新的噪聲降低方法。

[對問題的技術(shù)方案]

發(fā)明人已經(jīng)努力地實驗出一種被應(yīng)用于語音識別前端的創(chuàng)新的噪聲降低方法，并且因此構(gòu)思出一種配置，該配置利用包括針對觀測語音的每個頻帶的置信度指數(shù)的因數(shù)模型，從而完成了本發(fā)明。

也就是，根據(jù)本發(fā)明，提供了一種噪聲降低方法，該方法包括：基于觀測語音的頻譜而生成針對每個頻帶的置信度指數(shù)的步驟；生成概率模型的步驟，所述概率模型被表示為具有針對每個頻帶的維度的混合多維度正態(tài)分布，每個正態(tài)分布被表示為第一正態(tài)分布和第二正態(tài)分布的乘積；以及通過在所述概率模型上執(zhí)行MMSE估計來估計失配向量估計值、以及基于所述失配向量估計值來獲得干凈語音估計值的步驟。第一正態(tài)分布是基于所述觀測語音而生成的失配向量的概率分布。第二正態(tài)分布被定義為如下的函數(shù)，該函數(shù)具有零的均值并且輸出隨著所述置信度指數(shù)變得更大而變成更小的值的方差。

而且，根據(jù)本發(fā)明，提供了一種噪聲降低方法，該方法包括：基于觀測語音的頻譜而生成針對每個頻帶的置信度指數(shù)的步驟；生成概率模型的步驟，所述概率模型被表示為具有針對每個頻帶的維度的混合多維度正態(tài)分布，每個正態(tài)分布被表示為第一正態(tài)分布和第二正態(tài)分布的乘積；以及通過在所述概率模型上執(zhí)行MMSE估計來獲得干凈語音估計值的步驟。第一正態(tài)分布是基于所述觀測語音而生成的干凈語音的概率分布。第二正態(tài)分布被定義為如下的函數(shù)，該函數(shù)具有以觀測值為均值并且輸出隨著所述置信度指數(shù)變得更大而變成更小的值的方差。

進一步地，根據(jù)本發(fā)明，提供了一種計算機程序產(chǎn)品，用于使得計算機執(zhí)行這些方法中的每個方法，以及提供了一種噪聲降低裝置，實施用于實現(xiàn)這些方法中的每個方法的功能。

[本發(fā)明的有益效果]

如以上所描述的，根據(jù)本發(fā)明，通過利用包含針對觀測語音的每個頻帶的置信度指數(shù)的因數(shù)模型來優(yōu)化前端的輸出。

附圖說明

[圖1]圖1是圖示相關(guān)領(lǐng)域的語音識別系統(tǒng)中的前端的配置的示意圖。

[圖2]圖2包括圖示根據(jù)觀測語音的頻譜生成梅爾(mel)LPW的步驟的示意圖。

[圖3]圖3包括圖示根據(jù)梅爾LPW生成置信度指數(shù)β的步驟的示意圖。

[圖4]圖4是圖示實施例的語音識別系統(tǒng)中的前端的配置的示意圖。

[圖5]圖5是圖示由實施例的前端執(zhí)行的過程的流程圖。

具體實施方式

在下文中，將參照在附圖中圖示的實施例來描述本發(fā)明。然而，本發(fā)明不限于在附圖中圖示的實施例。注意，在以下參照的附圖中，相同元件以相同參照標(biāo)號給出，并且其描述被適當(dāng)?shù)厥÷浴?/p>

一般而言，語音識別系統(tǒng)包括前端和后端，前端將特定轉(zhuǎn)換應(yīng)用到話語語音的聲學(xué)信號以提取特征量，后端基于在前端中提取的特征量來搜索數(shù)據(jù)庫，以指明話語的內(nèi)容。本發(fā)明提供了一種創(chuàng)新技術(shù)，其將包含觀測語音的頻譜的置信度指數(shù)的因數(shù)模型用于被應(yīng)用到前端的基于模型的噪聲補償。

<基于模型的噪聲補償>

在開始本發(fā)明的實施例的描述之前，將基于圖1來描述被應(yīng)用到前端的基于模型的噪聲補償。注意，在以下描述中，“觀測語音”指的是其中背景噪聲被疊加在話語語音上的實際觀測的聲音；“干凈語音”指的是沒有任何噪聲被疊加在其上的話語語音；并且“干凈語音估計值”指的是從觀測語音所估計的干凈語音的估計值。而且，“頻譜”指的是功率譜或者幅度譜。