[发明专利]音频信号的掩蔽阈值估计方法、装置及存储介质

说明书

本发明实施例提出一种音频信号的掩蔽阈值估计方法、装置及计算机可读存储介质。其中音频信号的掩蔽阈值估计方法包括：将待处理音频信号输入多任务的神经网络模型，所述神经网络模型是利用样本音频信号的声学特征、音素类别的标签和掩蔽阈值的标签训练得到的；从所述神经网络模型输出所述待处理音频信号的音素类别和所述待处理音频信号的掩蔽阈值；利用所述音素类别和所述掩蔽阈值对所述神经网络模型进行优化。本发明实施例的神经网络模型除了输出掩蔽阈值之外，又采用了音素类别作为神经网络模型的另一个输出，从而使用了更多的信息，有利于让网络学习的更好，从而获得更好的性能。

技术领域

本发明涉及信息技术领域，尤其涉及一种音频信号的掩蔽阈值估计方法、装置及计算机可读存储介质。

背景技术

语音交互中很重要的一个应用场景就是高噪声情况下的语音识别。在安静情况下，语音识别的准确率已经可以达到97％以上。但是高噪声情况下，人类的听觉系统可以分辨出嘈杂环境中的感兴趣的声音，这个现象叫做“鸡尾酒会效应”。鸡尾酒会效应就是在嘈杂的鸡尾酒会上，还是能够听到感兴趣的目标说话人的声音。

“鸡尾酒会效应”在技术上通常被描述为盲源分离问题，也就是在没有参考信号的情况下，把感兴趣的“前景音”从嘈杂的“背景音”中分离出来。关于盲源分离问题，当前主要的技术手段是估计掩蔽阈值(mask)。

盲源分离算法的应用场景通常在下面几个方面：

(1)可以将目标说话人的语音从一段多人同时说话的音频中提取出来。例如，客厅里电视正在播放新闻联播，用户想和茶几上智能音箱进行交互。音箱同时接收到了用户的语音请求和新闻联播中主持人的播报。也就是说，同一时刻，两个人在说话，这时需要将用户的语音提取出来。

(2)可以将语音从背景噪声中分离出来。例如，车载环境下的语音识别就属于这种场景。开车的时候，车载信息娱乐产品或者手机的麦克风会接收到各种噪声，如风噪、路噪，鸣笛等，盲源分离算法可以抑制这些环境噪声，只把语音增强取出，送到语音识别系统中。

上面举的例子都是比较理想的情况。盲源分离本身是个回归模型，如果模型性能不理想，就会出现badcase(坏案例)。典型的坏案例有：噪声没有消除干净，语音被损伤了。这个情况最为普遍，也就是在某些时频点，噪声被保留了下来；而在另一些时频点，语音却被消除了。

因此，盲源分离最核心的两个能力是：噪声抑制和不损伤语音。一个好的盲源分离系统，应该能够在尽量少地损伤语音的情况下，把背景噪声抑制到最强程度。

在现有的方法中，通常提取每一帧的声学特征，利用神经网络，预测一个0到1之间的输出向量，这个值就是mask的值。分析了盲源分离算法的上述坏案例可以发现，产生坏案例关键的因素是估计掩蔽阈值的算法的性能不够好。因此，改进神经网络模型的结构、提升估计掩蔽阈值的算法的性能是目前亟待解决的问题。

发明内容

本发明实施例提供一种音频信号的掩蔽阈值估计方法、装置及计算机可读存储介质，以至少解决现有技术中的一个或多个技术问题。

第一方面，本发明实施例提供了一种音频信号的掩蔽阈值估计方法，包括：将待处理音频信号输入多任务的神经网络模型，所述神经网络模型是利用样本音频信号的声学特征、音素类别的标签和掩蔽阈值的标签训练得到的；从所述神经网络模型输出所述待处理音频信号的音素类别和所述待处理音频信号的掩蔽阈值；利用所述音素类别和所述掩蔽阈值对所述神经网络模型进行优化。

结合第一方面，本发明实施例在第一方面的第一种实现方式中，还包括根据所述待处理音频信号的掩蔽阈值，采用以下公式对所述待处理音频信号进行去噪处理：

estimate＝h_mask.*noisy

其中，noisy表示噪声的声学特征；estimate表示干净语音的声学特征的估计值；h_mask表示所述神经网络模型输出的掩蔽阈值。