[发明专利]一种面向语音识别的语音增强方法

说明书

本发明公开了一种面向语音识别的语音增强方法，包括：步骤1，利用近端麦克风和远端麦克风录制得到的语音，对干净语音进行估计；步骤2，将步骤1中得到的估计语音作为参考语音信号，计算参考语音和待测降噪语音的包络相关系数，构造和语音识别相关的模型优化目标函数；步骤3，构建语音增强的深度神经网络模型，训练目标为估计语音，模型优化目标函数由步骤2得到；根据优化结果实现语音增强。本发明方法利用估计语音提高语音识别性能，并保证了人耳听觉感知质量，更适用于面向语音识别的语音增强。

技术领域

本发明属于声学技术领域，涉及一种语音增强方法，尤其涉及一种面向语音识别的语音增强方法。

背景技术

随着深度学习在图像领域的迅速发展，人们也开始在语音信号处理中广泛地应用深度神经网络，特别是基于神经网络的单通道语音增强。基于神经网络的语音增强方法充分利用了现有的语音数据，学习到了语音和噪声的统计特性，其对于复杂噪声环境下的鲁棒性更好，因而相比传统方法能得到更优的增强性能。

基于深度学习的语音增强将有噪声的语音映射为干净的语音。在训练阶段，常采用目标函数对模型参数进行优化。但是，改进后的语音模型优化准则与评价准则存在不一致之处。例如，在测量语言可懂度时，大多数评价度量是基于短时间客观可懂度(STOI)进行测量，而模型的优化大多是估计语音和干净语音的均方误差(MSE)。MSE通常在线性频率范围内定义，而人的听觉感知则遵循Mel-频率尺度。于是，2018年Szu-Wei Fu通过将STOI集成到模型优化中，提高了增强语音的可懂度。但在语音识别的实验中，其性能并没有提高。

在2017年，E Vincent等人在实验中指出，影响语音识别性能的可能原因是语音增强的目标。于是，E Vincent等人改进了语音增强的目标信号，不改变语音增强模型，结果发现确实提高了语音识别性能。但此时使用的模型优化目标函数仍然是MSE，没有与人耳听觉感知标准匹配。

为了在保证人耳听觉感知质量的情况下，又能同时提高语音识别性能，本发明提出了一种面向语音识别的语音增强。

发明内容

本发明在保证与人耳听觉感知标准高度匹配的情况下，又能提高语音识别性能，提出了一种面向语音识别的语音增强。

本发明所采用的技术方案是一种面向语音识别的语音增强方法，包括以下步骤：

步骤1，利用近端麦克风和远端麦克风录制得到的语音，对干净语音进行估计；

步骤2，将步骤1中得到的估计语音作为参考语音信号，计算参考语音和待测降噪语音的包络相关系数，构造和语音识别相关的模型优化目标函数；

步骤3，构建语音增强的深度神经网络模型，训练目标为估计语音，模型优化目标函数由步骤2得到；根据优化结果实现语音增强。

而且，步骤1的实现包括以下子步骤，

步骤1.1，对近端和远端麦克风录制的带噪语音分别做分帧、加窗和短时傅里叶变换，得到C(n,f)和X_i(n,f)，其中n为帧索引，f为频点索引，i为远端阵列麦克风的索引；

步骤1.2，估计干净语音为S_i(n,f)，计算每个时频单元的残差R_i(n,f)，公式如下，

R_i(n,f)＝X_i(n,f)-S_i(n,f)

其中，设定帧搜索范围l，L_min为向前搜索参数，L_max为向后搜索参数，G_i(l,f)表示从近端麦克风信号到远端麦克风的传输函数，由最小化总残差推出，公式如下，