[发明专利]一种基于深度特征损失的语音降噪方法及系统

说明书

本发明公开了一种基于深度特征损失的语音降噪方法及系统，包括：确定音频分类网络，所述音频分类网络由卷积层、卷积核、LReLU单元以及零填充单元组成；结合预设的音频分类任务对所述音频分类网络进行预训练；使用训练得到的音频分类网络的前六层特征激活差异作为增强网络的损失函数直接对预设音频进行降噪训练，使得所述增强网络具有降噪的能力，以基于训练后的增强网络对待降噪语音进行降噪。本发明将训练好的分类网络的作为增强网络的损失函数，其中损失函数由原始音频和去噪音频在分类网络中的前六层的激活特征做差，将每一层的差值求和得出。通过比较去噪信号和干净信号在预训练的深度网络中的激活差异作为损失，更好的实现语音去噪的效果。

技术领域

本发明属于语音信号处理技术领域，更具体地，涉及一种基于深度特征损失的语音降噪方法及系统。

背景技术

在深度神经网络普及之前，降噪系统依赖于对于频谱图统计信号的处理方法，随后又采用基于频谱图分解的方法。当前的去噪管道则是通过深层网络来获得更好的性能，但是大多数的去噪管道仍然在频谱图上运行。这样，当使用短时逆傅里叶变换来产生时域增强信号时，会造成时域的混叠而产生信号伪像。最近，人们在降噪管道上直接对原始波形进行处理，这种方法旨在充分利用深层网络的表达能力，减少了时频转换和相位信息的丢失，但是在使用简单或者高级的损失函数时，在不匹配的条件下表现出有限的效果。

发明内容

针对现有技术的缺陷，本发明的目的在于解决现有语音降噪方法直接对原始波形进行处理，在损失函数不匹配的条件下表现出有限的效果的技术问题。

为实现上述目的，第一方面，本发明提供基于深度特征损失的语音降噪方法，包括如下步骤：

S1、确定音频分类网络，所述音频分类网络由卷积层、卷积核、LReLU单元以及零填充单元组成；

S2、结合预设的音频分类任务对所述音频分类网络进行预训练，所述预设的音频分类任务包括：声学场景分类任务和音频标记任务；

S3、使用训练得到的音频分类网络的前六层特征激活差异作为增强网络的损失函数直接对预设音频进行降噪训练，使得所述增强网络具有降噪的能力，以基于训练后的增强网络对待降噪语音进行降噪；所述增强网络的损失函数由原始音频和去噪音频在所述音频分类网络中的前六层的激活特征做差，将每一层差值求和得出。

需要说明的是，本发明提供的语音降噪网络包括损失网络和增强网络其中损失网络就是音频分类网络，用于帮助增强网络来降噪。

可选地，所述声学场景分类任务包括对多种不同的生活场景进行分类，以使得所述损失函数中包含各种生活场景信息。

可选地，所述音频标记任务包括对童声、女声以及男声进行分类，以使得所述损失函数获取各类人声信息内容信息。

可选地，所述音频分类网络由15个卷积层和3×1卷积核，批量归一化，LReLU单元和零填充单元组成；与上一层相比，下一层的长度减少2倍；通道数每5层增加一倍，起始层有32个通道；最后一个特征层中的每个通道均被平均池化以产生输出特征向量，最后通过线性层映射，将映射的输出向量作为特征提供给的分类器进行分类，损失函数使用交叉熵。

可选地，所述增强网络由16个卷积层组成，第一层和最后一层是维数N×1的一维张量，N是输入信号长度，第一层卷积核为3×1，最后一层卷积核为1×1；每个中间层是维数N×W的二维张量，其中W是每个卷积层中的特征映射数；通过具有3×1卷积核的膨胀卷积，然后进行自适应归一化和渗漏校正线性单元(LReLU)进行激活，由于归一化，中间层没有使用任何偏置项；对所有层进行零填充，以使它们的“有效”长度恒定为N。

第二方面，本发明提供一种基于深度特征损失的语音降噪系统，包括：

分类网络确定单元，用于确定音频分类网络，所述音频分类网络由卷积层、卷积核、LReLU单元以及零填充单元组成；