[发明专利]一种基于深度学习的语音增强方法及系统

说明书

本发明公开了一种基于深度学习的语音增强方法及系统，该方法包括如下步骤：步骤SS1：获得带噪语音的多个IRM预测值的解的集合；步骤SS2：将来自所述Boosting‑DNN语音增强模型输出的IRM的解的集合拼接带噪特征作为输入，预测最终的IRM预测值集合本发明通过将Boosting‑DNN语音增强模型和Ensemble‑DNN集成语音增强模型这两个DNN串接起来的方式，有效的解决了一个神经网络由于层次太深训练不稳定的现象，构建一种非常深的网络结构，彻底解决前端语音增强技术就可以确保把语音从带噪信号中分离出来，以便后端识别模型能正确识别语音的内容。

技术领域

本发明涉及一种基于深度学习的语音增强方法及系统，属于语音处理技术领域。

背景技术

传统语音增强需要对噪声信号和干净语音信号的独立性和特征分布做出假设，不合理的假设会造成噪声残留、语音失真等问题，导致语音增强效果不佳；此外，噪声本身的随机性和突变性也会影响传统语音增强方法的鲁棒性；总的来说，其对平稳噪声的抑制效果较好，且运行效率高。但是其对于非平稳噪声效果较差，且易有较大程度的失真。而基于深度神经网络的语音增强方法，由于具备强大的非线性拟合能力，对非平稳噪声表现出了更好的效果，且语音失真情况较少。

近几年基于语音识别的输入法和语义理解被大幅应用于智能手机，车载设备，可穿戴设备以及智能家居的各个电器设备中，这些设备通常都在比较复杂的声学环境中被用户所用。而复杂的噪声环境通常让语音的识别率显著下降，识别率的下降意味着这些设备无法准确理解用户的指令，这就会大幅降低用户的体验。因此，前端语音增强技术就可以确保把语音从带噪信号中分离出来，以便后端识别模型能正确识别语音的内容。

发明内容

本发明的目的在于，克服现有技术存在的技术缺陷，解决上述技术问题，提出一种基于深度学习的语音增强方法及系统。

本发明具体采用如下技术方案：一种基于深度学习的语音增强方法，其特征在于，包括如下步骤：

步骤SS1：获得带噪语音的多个IRM预测值的解的集合；

步骤SS2：将来自所述Boosting-DNN语音增强模型输出的IRM的解的集合拼接带噪特征作为输入，预测最终的IRM预测值集合

作为一种较佳的实施例，所述步骤SS1具体包括：在输入端，带噪语音在当前帧左右两边各扩D帧，即[x_n-D,x_n-D+1,…,x_n,…,x_n+D-1,x_n+D]，为获得对当前帧时频掩蔽的多个预测值，boosting-DNN语音增强模型，在输出端进行扩帧，目标变为[y_n-D,y_n-D+1,…,y_n,…,y_n+D-1,y_n+D]，在预测当前帧的时频掩蔽y_n时，也预测邻域帧的时频掩蔽IRM；对每一帧得到对当前帧时频掩蔽的2D+1个预测值，即从第n-D帧到第n+D帧的输出都能提供对第n帧时频掩蔽的估计；所述2D+1个IRM预测值构成Boosting-DNN语音增强模型对估计的解集合[y_t-D,y_t-D+1,…,y_t,…,y_t+D-1,y_t+D]。