[發(fā)明專利]語音降噪方法、裝置、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010522631.5
• 申請日: 2020-06-10
• 公開（公告）號: CN111429932A
• 公開（公告）日: 2020-07-17
• 發(fā)明（設(shè)計）人: 丁大為;王哲;嵇望
• 申請（專利權(quán)）人: 浙江遠(yuǎn)傳信息技術(shù)股份有限公司
• 主分類號: G10L21/0208
• 分類號: G10L21/0208;G10L21/0232;G10L21/0264
• 代理公司: 杭州創(chuàng)智卓英知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33324
• 代理人: 張迪

本發(fā)明公開了一種語音降噪方法，涉及機器學(xué)習(xí)領(lǐng)域，用于解決現(xiàn)有語音降噪計算量大、資源占用多的問題，該方法包括以下步驟：獲取語音數(shù)據(jù)；對所述語音數(shù)據(jù)進行預(yù)處理，并提取預(yù)處理后的所述語音數(shù)據(jù)的多維特征；將所述多維特征輸入預(yù)設(shè)語音降噪模型，得到頻帶增益系數(shù)；將所述語音數(shù)據(jù)分為若干頻帶，根據(jù)所述頻帶增益系數(shù)過濾所述頻帶中的噪音數(shù)據(jù)；將過濾后的所述語音數(shù)據(jù)恢復(fù)成語音數(shù)據(jù)流，輸出所述語音數(shù)據(jù)流。本發(fā)明還公開了一種語音降噪裝置、電子設(shè)備和計算機存儲介質(zhì)。本發(fā)明通過計算頻帶增益系數(shù)，進而實現(xiàn)語音降噪。

技術(shù)領(lǐng)域

本發(fā)明涉及機器學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種語音降噪方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

噪聲抑制從上世紀(jì)70年代開始就已經(jīng)成為了高關(guān)注度的話題。傳統(tǒng)噪聲抑制算法都需要噪聲頻譜估計器，噪聲頻譜估計器本身由語音活動檢測器（VAD）或類似的算法驅(qū)動，噪聲頻譜估計器的每個組件都需要準(zhǔn)確的估計器，對精度要求高，需要大量的人工調(diào)參工作，效率低，只要有一個參數(shù)不夠精確，就容易影響降噪效果。

現(xiàn)有技術(shù)開始通過深度學(xué)習(xí)技術(shù)進行噪聲抑制，普遍做法是在工程問題中引入深層神經(jīng)網(wǎng)絡(luò)，這樣的方法稱為端到端——神經(jīng)元接受并傳遞信息，使得誤差最小化；端對端方法已被應(yīng)用于語音識別和語音合成等工程問題，并且效果顯著。但是，深度學(xué)習(xí)的模型需要占用大量資源，造成資源的浪費。例如，噪聲抑制的一些方法使用具有數(shù)千個神經(jīng)元和數(shù)千萬個權(quán)重的層來執(zhí)行噪聲抑制，導(dǎo)致模型運行網(wǎng)絡(luò)所需的計算成本巨大，模型本身的規(guī)模也難以控制，并且需要存儲數(shù)千行代碼以及幾十兆字節(jié)的神經(jīng)元權(quán)重；通過這些方法進行語音降噪時，對系統(tǒng)的要求高，計算量大。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供一種語音降噪方法，其通過提取語音數(shù)據(jù)的多維特征并輸入語音降噪模型，進而得到頻帶增益系數(shù)，并根據(jù)頻帶增益系數(shù)對語音數(shù)據(jù)進行分頻帶降噪。

本發(fā)明的目的之一采用以下技術(shù)方案實現(xiàn)：

一種語音降噪方法，包括以下步驟：

獲取語音數(shù)據(jù)；

對所述語音數(shù)據(jù)進行預(yù)處理，提取預(yù)處理后的所述語音數(shù)據(jù)的多維特征；

將所述多維特征輸入預(yù)設(shè)語音降噪模型，得到頻帶增益系數(shù)及語音活動檢測參數(shù)；

當(dāng)所述語音活動檢測參數(shù)為1時，將所述語音數(shù)據(jù)分為若干頻帶，根據(jù)所述頻帶增益系數(shù)過濾所述頻帶中的噪音數(shù)據(jù)；

當(dāng)所述語音活動檢測參數(shù)為0時，將所述頻帶增益系數(shù)設(shè)為0，并過濾所述頻帶中的噪音數(shù)據(jù)；

將過濾后的所述語音數(shù)據(jù)恢復(fù)成語音數(shù)據(jù)流，輸出所述語音數(shù)據(jù)流。

進一步地，獲取語音數(shù)據(jù)，包括以下步驟：

每隔10ms采集一幀所述語音數(shù)據(jù)，采樣率為48kHz。

進一步地，所述預(yù)處理包括：對所述語音數(shù)據(jù)進行FFT變換。

進一步地，將所述語音數(shù)據(jù)分為若干頻帶，根據(jù)所述頻帶增益系數(shù)過濾所述頻帶中的噪音數(shù)據(jù)，包括以下步驟：

通過梳狀濾波器過濾所述語音數(shù)據(jù)，并根據(jù)所述預(yù)設(shè)語音降噪模型中的頻帶數(shù)量，將過濾后的所述語音數(shù)據(jù)分為若干頻帶；

根據(jù)所述頻帶增益系數(shù)對每個頻帶的語音數(shù)據(jù)進行濾波，過濾噪音數(shù)據(jù)。

進一步地，提取預(yù)處理后的所述語音數(shù)據(jù)的多維特征，包括以下步驟：

將每一幀所述語音數(shù)據(jù)的頻譜劃分為22個不等分頻帶，并對每個所述頻帶的能量進行dct變換，得到22個巴克頻率倒譜系數(shù)，作為第一特征；

提取所述第一特征中的前6維特征，計算一階和二階導(dǎo)數(shù)，得到12維特征，作為第二特征；