[发明专利]一种声学回波消除与去混响方法及装置

权利要求书

1.一种声学回波消除与去混响方法，其特征在于，包括：

根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响；

根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；

根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；

根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。

2.根据权利要求1所述的方法，其特征在于，所述根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号，包括：

对麦克风拾取语音时域信号与远端说话人语音时域信号每次分别取预设个数采样点作为一帧信号；

对每一帧信号进行加窗；

对加窗后的每一帧信号进行傅里叶变换，得到所述麦克风拾取语音频域信号与所述远端说话人语音频域信号。

3.根据权利要求1所述的方法，其特征在于，所述根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及所述预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽，包括：

将所述麦克风拾取语音频域信号的幅度谱和所述远端说话人语音频域信号的幅度谱分别进行对数压缩，得到第一对数幅度谱和第二对数幅度谱；

将所述第一对数幅度谱与所述第二对数幅度谱逐帧拼接，并将逐帧拼接结果输入到所述预置的级联网络中的回波消除阶段神经网络，输出为所述估计掩蔽。

4.根据权利要求1所述的方法，其特征在于，所述根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽，包括：

将所述估计掩蔽与所述麦克风拾取语音频域信号的幅度谱相乘，并将相乘结果输入到所述预置的级联网络中的去混响阶段神经网络，输出为所述隐掩蔽。

5.根据权利要求1所述的方法，其特征在于，所述根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号，包括：

根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱；

根据所述估计目标语音频域信号的幅度谱与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。

6.根据权利要求5所述的方法，其特征在于，所述根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱，包括：

将所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽相乘，得到估计目标语音频域信号的幅度谱。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述预置的级联网络通过以下步骤获取：

将两个神经网络级联，并利用预置的回波消除阶段神经网络和预置的去混响阶段神经网络对级联后的两个神经网络分别进行初始化；

根据所述麦克风拾取语音频域信号的幅度谱和远端说话人语音频域信号的幅度谱，确定初始化后的两个神经网络的输入特征，并以目标语音频域信号的幅度谱为训练目标，对所述初始化后的两个神经网络进行联合训练；其中，所述目标语音频域信号为保留早期混响的近端说话人语音频域信号。