[发明专利]基于GMM噪声估计的语音增强方法

说明书

技术领域

本发明属于语音识别技术领域，具体涉及到用高斯混合模型(GMM：Gaussian Mixture Model)估计背景噪声和谱减系数，对含噪语音进行谱减，恢复纯净语音的语音增强方法。

背景技术

在实际应用中，语音通信不可避免地会受到环境噪声的干扰。为了减小噪声对语音信号的影响，在语音通信中，需要采用某些方法抑制噪声干扰，增强有用语音信号，增加语音的可懂度，这些方法就是语音增强。根据语音通道的个数，语音增强可以分为单通道语音增强、双通道语音增强和多通道语音增强。虽然双通道和多通道语音增强可以取得更好的增强效果，但是在很多情况下，只有一路语音信号可用，因此单通道语音增强的研究仍然具有重要的意义。

谱减法是一种基于短时谱估计的单通道语音增强方法，具有运算量小、易于实现的特点，因而受到广泛应用。在谱减法中，根据非语音段估得的噪声频谱均值，从含噪语音频谱中减去噪声频谱均值，即可得到纯净语音频谱。由于噪声的频谱是一个随机变量，在非语音段，只能估计其均值；对语音段的每一帧频谱，由于无法获得噪声频谱的分布信息，只能减去噪声频谱的均值，这就导致谱减后的语音存在较多的残留噪声，与实际纯净语音相差较大。因此，在谱减法中，通常设置谱减系数，其设置原则为：在纯噪声频段，谱减系数较大，减去较多的噪声；在含有语音的频段，谱减系数较小，避免损伤语音。

噪声估计一直是谱减法语音增强的关键技术之一，一般通过对语音间隙期的噪声功率谱进行平滑得到噪声频谱的均值。然而，环境噪声往往是非平稳的，在语音段，噪声的类型或强度也有可能发生变化，因此噪声估计不能仅仅局限于语音间隙期，在语音存在期间也应该连续更新噪声。目前，逐帧估计噪声的主要方法是搜索一段时间内含噪语音频谱的最小值，用含噪语音频谱的最小值代表噪声频谱大小。这种方法的主要缺点是噪声估计存在一定的延迟，无法实时跟踪非平稳噪声。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于高斯混合模型(GMM)噪声估计的语音增强方法。

技术方案：一种基于GMM噪声估计的语音增强方法，首先，含噪语音经过预处理得到含噪语音的幅度和相位，幅度用于噪声估计和谱减，相位用于恢复时域信号；然后利用GMM从含噪语音中实时估计噪声参数和纯净语音MFCC(Mel frequency cepstral coefficient)，并根据估得的纯净语音特征MFCC计算谱减系数；最后，对含噪语音的频谱进行谱减，恢复时域信号，并用重叠相加法得到增强后的语音。

方法的具体过程如下：

(1)对含噪语音进行预处理，包括加窗、分帧和FFT(Fast Fourier Transform)，并将每帧信号的频谱分为幅度部分和相位部分；

(2)根据含噪语音幅度谱，提取含噪语音MFCC；

(3)利用训练阶段生成的GMM从含噪语音MFCC中估计噪声的均值和方差，在噪声估计中不区分非语音帧和语音帧；

(4)利用估得的噪声参数对GMM的均值和方差进行变换，使之与当前环境相匹配，并用最小均方误差算法估计纯净语音MFCC；

(5)将估得的纯净语音MFCC变换到线性谱域，计算人耳的掩蔽阈值，得到每个离散数字频率k处的掩蔽阈值T(k)，并根据T(k)计算谱减系数；

(6)对每帧含噪语音进行端点检测，判断其是语音帧还是非语音帧；

(7)根据估得的噪声均值和谱减系数，对语音帧的含噪语音频谱进行幅度谱减，得到增强后的语音幅度谱；

(8)对非语音帧的幅度谱进行处理，一般只需要乘以一个较小的系数即可，系数值一般取0.01；

(9)对增强后的每帧信号进行IFFT(Inverse FFT)运算，得到每帧时域信号，在进行IFFT运算时，相位采用该帧含噪语音的相位；

(10)对语音全部帧的时域信号进行重叠相加，得到增强后的语音。

本发明采用上述技术方案，具有以下有益效果：在本发明的语音增强方法中，噪声估计不局限于语音间隙期的静音段，而是通过GMM模型逐帧估计噪声参数，不区分静音段和语音段，无需端点检测算法。因此，在非平稳环境中，基于GMM噪声估计的语音增强方法可以更好地跟踪环境噪声的变化，得到更加准确的纯净语音信号，优于传统的语音增强算法。

附图说明

图1为本发明实施例的方法流程图，该方法主要包括语音预处理、特征提取、噪声参数估计、纯净语音估计、谱减系数估计、端点检测、语音帧谱减、非语音帧处理、IFFT和重叠相加10个模块。

具体实施方式