[发明专利]语音增强模型的训练方法及系统

权利要求书

1.一种语音增强模型的训练方法，包括：

接收纯净语音以及与所述纯净语音对应的带噪语音，其中，所述带噪语音的噪声包括：噪声语音和远场语音；

分别提取所述纯净语音的第一音频谱特征和所述带噪语音的第二音频谱特征；

对所述带噪语音的第二音频谱特征进行压缩以生成第一深度语音特征，具体包括，通过卷积神经网络对所述第二音频谱特征进行压缩，生成第一深度语音特征；

对所述第一深度语音特征进行去噪，得到去噪后的第二深度语音特征，具体包括，通过长短时记忆网络对所述第一深度语音特征进行逐帧去噪，得到去噪后的第二深度语音特征；

对所述第二深度语音特征进行音频谱恢复，得到所述带噪语音的第三音频谱特征，具体包括，基于反卷积神经网络对所述第二深度语音特征进行音频谱恢复，用于避免神经网络训练的梯度消失；

确定所述纯净语音的第一音频谱特征和所述带噪语音的第三音频谱特征的特征均方误差，基于所述均方误差训练所述语音增强模型，直至所述特征均方误差符合预设阈值，确定卷积-长短时记忆网络-反卷积结构的语音增强模型，其中，所述语音增强模型输入为带噪语音，将处理后的带噪语音作为输出。

2.根据权利要求1所述的方法，其中，所述卷积神经网络为四层卷积神经网络，所述卷积神经网络的卷积层通道数分别为8,16,32,64；

所述反卷积神经网络为四层反卷积神经网络，所述反卷积神经网络的反卷积层通道数分别为32,16,8,1。

3.一种声纹识别方法，包括：

接收带噪语音信号，提取所述带噪语音信号中的音频谱特征；

将所述音频谱特征输入至权利要求1或2所述的语音增强模型，得到去噪后的纯净音频的音频谱特征；

将所述纯净音频的音频谱特征输入至声纹识别网络，确定出纯净音频的特征向量，基于所述纯净音频的特征向量确定出识别结果。

4.根据权利要求3所述的方法，其中，所述确定出纯净音频的特征向量包括：

通过AM损失函数确定出纯净音频的特征向量，用于区分特征向量中的不同说话人。

5.根据权利要求3所述的方法，其中，所述接收带噪语音信号，提取所述带噪语音信号中的音频谱特征包括：

通过语音活性检测获取所述带噪语音信号中的人声信号，提取所述带噪语音信号中的人声信号的音频谱特征。

6.一种语音增强模型的训练系统，包括：

语音接收程序模块，用于接收纯净语音以及与所述纯净语音对应的带噪语音，其中，所述带噪语音的噪声包括：噪声语音和远场语音；

音频谱特征提取程序模块，用于分别提取所述纯净语音的第一音频谱特征和所述带噪语音的第二音频谱特征；

深度语音特征确定程序模块，用于对所述带噪语音的第二音频谱特征进行压缩以生成第一深度语音特征，具体包括，通过卷积神经网络对所述第二音频谱特征进行压缩，生成第一深度语音特征；

去噪程序模块，用于对所述第一深度语音特征进行去噪，得到去噪后的第二深度语音特征，具体包括，通过长短时记忆网络对所述第一深度语音特征进行逐帧去噪，得到去噪后的第二深度语音特征；

音频谱恢复程序模块，用于对所述第二深度语音特征进行音频谱恢复，得到所述带噪语音的第三音频谱特征，具体包括，基于反卷积神经网络对所述第二深度语音特征进行音频谱恢复，用于避免神经网络训练的梯度消失；

模型训练程序模块，用于确定所述纯净语音的第一音频谱特征和所述带噪语音的第三音频谱特征的特征均方误差，基于所述均方误差训练所述语音增强模型，直至所述特征均方误差符合预设阈值，确定卷积-长短时记忆网络-反卷积结构的语音增强模型，其中，所述语音增强模型输入为带噪语音，将处理后的带噪语音作为输出。