[發明專利]基于深度學習的語音音質增強方法、裝置和系統

有效

• 申請號: 201810583123.0
• 申請日: 2018-06-05
• 公開（公告）號: CN109147806B
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 秦宇;姚青山;喻浩文;盧峰
• 申請（專利權）人: 安克創新科技股份有限公司
• 主分類號: G10L21/007
• 分類號: G10L21/007;G10L25/30
• 代理公司: 北京市磐華律師事務所 11336
• 代理人: 高偉;卜璐璐

1.一種基于深度學習的語音音質增強方法，其特征在于，所述方法包括：

獲取待處理語音數據，并對所述待處理語音數據進行解碼和特征提取以得到所述待處理語音數據的特征；以及

將所述待處理語音數據的特征輸入到訓練好的語音重構神經網絡，由所述語音重構神經網絡對輸入的特征進行重構得到重構語音特征；

基于所述重構語音特征生成輸出語音數據，其中所述輸出語音數據的語音質量高于所述待處理語音數據的語音質量，所述語音質量的衡量指標包括碼率；

其中，所述語音重構神經網絡的訓練包括：

獲取第一語音樣本和第二語音樣本，其中所述第二語音樣本的語音質量低于所述第一語音樣本的語音質量，且所述第二語音樣本由所述第一語音樣本通過轉碼而得到；

對所述第一語音樣本和所述第二語音樣本分別進行特征提取以分別得到所述第一語音樣本的特征和所述第二語音樣本的特征；以及

將得到的所述第二語音樣本的特征作為所述語音重構神經網絡的輸入層的輸入，并將得到的所述第一語音樣本的特征作為所述語音重構神經網絡的輸出層的目標，以訓練所述語音重構神經網絡；

其中，所述第一語音樣本具有第一碼率，所述第二語音樣本具有第二碼率，所述第一碼率高于或等于所述第二碼率。

2.根據權利要求1所述的方法，其特征在于，所述第一語音樣本具有第一采樣頻率，所述第二語音樣本具有第二采樣頻率，所述第一采樣頻率高于或等于所述第二采樣頻率。

3.根據權利要求1所述的方法，其特征在于，所述特征提取得到的特征包括頻域幅度和/或能量信息。

4.根據權利要求3所述的方法，其特征在于，所述特征提取得到的特征還包括頻譜相位信息。

5.根據權利要求4所述的方法，其特征在于，所述特征提取的方式包括短時傅里葉變換。

6.根據權利要求1所述的方法，其特征在于，所述語音重構神經網絡的訓練還包括：

在對所述第一語音樣本和所述第二語音樣本進行特征提取之前，對所述第一語音樣本和所述第二語音樣本分別進行分幀，并且所述特征提取是針對分幀后得到的語音樣本逐幀進行的。

7.根據權利要求6所述的方法，其特征在于，所述語音重構神經網絡的訓練還包括：

在對所述第一語音樣本和所述第二語音樣本進行分幀之前，將所述第一語音樣本和所述第二語音樣本分別解碼為時域波形數據，并且所述分幀是針對解碼后得到的時域波形數據進行的。

8.根據權利要求1所述的方法，其特征在于，所述利用訓練好的語音重構神經網絡將所述待處理語音數據重構為輸出語音數據包括：

將所述待處理語音數據的特征作為所述訓練好的語音重構神經網絡的輸入，并由所述訓練好的語音重構神經網絡輸出重構語音特征；以及

基于所述重構語音特征生成時域語音波形以作為所述輸出語音數據。