[发明专利]一种基于语音前端噪声消除的提高语音识别准确率的方法

权利要求书

1.一种基于语音前端噪声消除的提高语音识别准确率的方法，其特征在于：所述方法采用计算听觉场景分析(CASA)实现语音识别前端的噪声消除，所述方法包括以下步骤：

A.16KHz采样的带噪语音，先通过一个32通道的Gammatone滤波器，中心频率为50Hz～8KHz，对滤波后的信号加时间分辨率为20ms的矩形窗，帧率为100Hz；

B.计算第i个频率第j帧的听觉谱的噪声包络和语音包络，计算公式为：

$\left\{\begin{array}{c}{\mathrm{env}}_L(i,j)=\left|\underset{n=0}{\overset{N-1}{\Σ}}{x}_L^{i,j}\left(n\right)\right|\\ {\mathrm{env}}_R(i,j)=\left|\underset{n=0}{\overset{N-1}{\Σ}}{x}_R^{i,j}\left(n\right)\right|\end{array}\right.$

其中，i，j分别表示第i个频率，第j帧；N是一帧内的采样点的个数；

x表示信号的时域振幅，下标L和R表示两个不同的声道；

C.计算噪声通道和语音通道的互相关函数

${\mathrm{CC}}^{i,j}\left(\mathrm{\τ}\right)=\frac{\frac{1}{N}\underset{0}{\overset{N-1}{\Σ}}\left|x_S^{i,j}\left(n\right)x_N^{i,j}(n-\mathrm{\τ})\right|}{\sqrt{\frac{1}{N}\underset{0}{\overset{N-1}{\Σ}}{\left|x_S^{i,j}\left(n\right)\right|}^2}\sqrt{\frac{1}{N}\underset{0}{\overset{N-1}{\Σ}}{\left|x_N^{i,j}(n-\mathrm{\τ})\right|}^2}},$

其中，τ是语音和噪声的特征时延，τ的取值范围是-16到16，对应16KHz的采样率下的-1ms到1ms的相对时间范围；

D.通过互相关函数计算计算噪声通道和语音通道的ITD和ILD：

ITD(i,j)＝argmaxCC^i,j(τ)，

$ILD(i,j)=20{\log }_{10}\[\frac{{\mathrm{env}}_L(i,j)}{{\mathrm{env}}_R(i,j)}\];$

E.通过将所有帧、所有频率信道上的互相关函数相加，求出该和的极值，即为语音和噪声的特征时延τ，

$\mathrm{\τ}=\arg max\underset{i,j}{\Σ}{\mathrm{CC}}^{i,j}\left(\mathrm{\τ}\right);$

判断哪一个声道输入的是语音信号，当τ为负时，L声道信号为纯语音；

反之，R声道的信号为纯语音；

F.采用简单的3状态单项状态跳转HMM模型计算第i个频率第j帧信号的掩模m(i,j)，掩模信息用来估计语音包络，其中，

$m(i,j)=\frac{1}{1+\exp \{\[ITD(i,j)-0.5\]\[ILD(i,j)-0.5)\]\}},$

结合B中的包络可以计算出分离出噪声的语音的包络谱：

${\mathrm{env}}_M=\left\{\begin{array}{cc}{\mathrm{env}}_L(i,j)\·m(i,j)& {\mathrm{\τ}}_{max}\<0\\ {\mathrm{env}}_R(i,j)\·m(i,j)& {\mathrm{\τ}}_{max}\≥0\end{array}\right.;$

G.通过求解对数能量，提取每一帧语音的一个12维的谱系数向量，得到的谱系数向量直接作为语音识别的特征参数，具体采用以下公式：

$c(j,k)=\underset{i=1}{\overset{I}{\Σ}}ln\[{\mathrm{env}}_M(i,j)\]cos\[\frac{k\mathrm{\π}}{I}(i-0.5)\],$

其中，I是Gammatone滤波器的数量，其取值为32，j、k分别表示第j帧中的第k个谱系数。