[發(fā)明專利]一種基于DNN噪聲分類的語音增強(qiáng)方法

在審

• 申請?zhí)枺?/td>: 201811587392.0
• 申請日: 2018-12-25
• 公開（公告）號: CN109559755A
• 公開（公告）日: 2019-04-02
• 發(fā)明（設(shè)計）人: 高天寒;陳爽
• 申請（專利權(quán)）人: 沈陽品尚科技有限公司
• 主分類號: G10L21/02
• 分類號: G10L21/02;G10L25/30;G10L25/24;G10L15/16;G10L15/06;G10L25/18
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 劉曉嵐

本發(fā)明提供一種基于DNN噪聲分類的語音增強(qiáng)方法，涉及語音識別技術(shù)領(lǐng)域。該方法首先對噪聲信號進(jìn)行預(yù)處理，確定非語音段信號；然后對每幀語音信號進(jìn)行快速傅里葉變換并計算譜線能量；使語音信號的頻譜通過梅爾濾波器組，用頻譜能量乘以梅爾濾波器的頻率響應(yīng)來獲得梅爾濾波能量；然后對每幀信號的梅爾濾波能量的對數(shù)進(jìn)行離散余弦變換，得到梅爾倒譜參數(shù)，將其作為語音每幀的梅爾濾波的特征向量；將每幀的梅爾濾波的特征向量作為一個24維的向量，并作為深度神經(jīng)網(wǎng)絡(luò)的輸入；利用深度神經(jīng)網(wǎng)絡(luò)模型對噪聲進(jìn)行訓(xùn)練與分類；本發(fā)明的基于DNN噪聲分類的語音增強(qiáng)方法，通過對噪聲的分類使得后續(xù)的語音增強(qiáng)質(zhì)量在主觀/客觀測試中得到了顯著的提高。

技術(shù)領(lǐng)域

本發(fā)明涉及語音識別技術(shù)領(lǐng)域，尤其涉及一種基于DNN噪聲分類的語音增強(qiáng)方法。

背景技術(shù)

語音增強(qiáng)是一種從背景噪聲中提取有用語音信號的技術(shù)，在語音信號被各種噪聲干擾后，抑制和減少噪聲干擾。語音增強(qiáng)是解決語音信號噪聲污染的有效方法。它也是語音信號處理的關(guān)鍵環(huán)節(jié)和步驟，廣泛應(yīng)用于人們的生產(chǎn)和生活。背景噪聲的干擾使語音信號處理的性能，如語音編碼、語音合成、語音識別等效果惡化。例如，語音識別是使用語音信號進(jìn)行人機(jī)交互的關(guān)鍵步驟，現(xiàn)有語音識別系統(tǒng)在安靜環(huán)境中具有很高的識別率，但在強(qiáng)噪聲環(huán)境下，識別率將迅速下降，無法滿足實際應(yīng)用的需要。對于各種語言控制系統(tǒng)，其實現(xiàn)的根源是對語音的正確認(rèn)識和理解：而且它對語音的質(zhì)量也有更高的要求。強(qiáng)烈的背景噪音會導(dǎo)致系統(tǒng)對語音產(chǎn)生錯誤的識別和理解，然后執(zhí)行錯誤的操作。因此，應(yīng)將語音增強(qiáng)模塊添加到這些系統(tǒng)中，以抑制背景噪聲，提高語音信號的質(zhì)量，從而提高語音信號處理系統(tǒng)的性能。對于實際應(yīng)用的語音處理系統(tǒng)，語音增強(qiáng)通常被用作前端處理，在各種形式的語音信號處理前過濾噪聲語音，如圖1所示。通過引入語音增強(qiáng)技術(shù)，可以提高語音信號處理系統(tǒng)的魯棒性，在噪聲環(huán)境下的應(yīng)用也可以進(jìn)一步擴(kuò)展。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是針對上述現(xiàn)有技術(shù)的不足，提供一種基于DNN噪聲分類的語音增強(qiáng)方法，去除語音中的噪聲。

為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種基于DNN噪聲分類的語音增強(qiáng)方法，包括以下步驟：

步驟1、通過均值、標(biāo)準(zhǔn)化和預(yù)加重，分幀加窗這些方法對噪聲信號進(jìn)行預(yù)處理，在語音處理系統(tǒng)的語音活動檢測模塊中加窗確定非語音段信號；然后對每幀語音信號進(jìn)行快速傅里葉變換并計算譜線能量；使語音信號的頻譜通過梅爾濾波器組，用頻譜能量乘以梅爾濾波器的頻率響應(yīng)H_m(k)來獲得梅爾濾波能量，如下公式所示：

其中，s(m)為梅爾濾波能量，X_a(k)為輸入語音離散余弦變換值，k為濾波器個數(shù)，N表示傅里葉變換點數(shù)，m表示當(dāng)前幀，M表示該語音中包含的所有幀數(shù)；

然后對每幀信號的梅爾濾波能量的對數(shù)進(jìn)行離散余弦變換，得到梅爾倒譜參數(shù)，將其作為語音每幀的梅爾濾波的特征向量，如下公式所示：

其中，C(n)為每幀信號的梅爾倒譜參數(shù)，n表示進(jìn)行離散余弦變換的每幀信號，L表示該語音中包含的進(jìn)行離線變換的所有幀數(shù)；

步驟2、將每幀的梅爾濾波的特征向量作為一個24維的向量，并作為深度神經(jīng)網(wǎng)絡(luò)的輸入；

所述深度神經(jīng)網(wǎng)絡(luò)采用具有3個反向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)系列的深度神經(jīng)網(wǎng)絡(luò)模型，該模型分為輸入層，輸出層和競爭層，并且3個反向神經(jīng)網(wǎng)絡(luò)處于并行模式；

步驟3、利用步驟2所述的深度神經(jīng)網(wǎng)絡(luò)模型對噪聲進(jìn)行訓(xùn)練與分類，具體方法為：

步驟3.1、由學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)將N種噪聲信號分為3大類，然后由反向傳播神經(jīng)網(wǎng)絡(luò)再細(xì)分為15個類，設(shè)定輸出層的每一類的值為z，如下公式所示：