[发明专利]一种基于心理声学模型的LSTM语音增强方法

说明书

一种基于心理声学模型的LSTM语音增强方法，包括以下步骤：S1.对输入的PCM信号进行VAD处理，判断其是否为语音信号；S2.如是语音信号，对语音信号进行特征处理，得到特征信号；S3.将特征信号经过心理声学模型处理，得到声学特征信号；S4.将声学特征信号经过LSTM网络处理，得到增强语音信号；S5.对增强语音信号做ASR处理，实现语音识别。本发明方案利用心理声学模型对带噪信号进行处理，消除冗余成分，降低网络的数据处理量；同时，相较于全连接的语音增强网络，本发明方案采用的LSTM网络可联系上下文信息，进一步提升语音的增强性能，从而提升语音识别率。

技术领域

本发明属于语音增强技术领域，涉及语音识别系统中语音信号的增强技术，具体涉及一种基于心理声学模型的LSTM语音增强方法。

背景技术

随着人工智能技术的不断发展，ASR技术的应用也日益广泛，语音识别率的提升是智能语音技术领域的核心。语音增强技术，作为语音识别中的关键一环，一直备受关注。将深度学习(Deep Learning，DL)应用在语音增强领域是近年来的研究热点。譬如，基于全连接网络的语音增强方法，能够有效提升带噪语音信号的信噪比且结构简单。但是单个的全连接网络并未充分利用语音信号帧与帧之间的强相关性，因此采用LSTM可有效利用信号的上下文信息，进一步提升语音信号的增强性能。

同时，由于人耳的感知特性，语音信号很多冗余信息并不能被感知。因此，利用基于人耳感知特性构建的心理声学模型对语音信号进行处理，可有效降低信号中的冗余成分。为后续的基于LSTM的语音增强网络降低数据处理量，为语音识别降低干扰成分，从而提升语音增强的性能，提高语音的识别率。

发明内容

为更好的利用人工智能技术进行语音信号识别，本发明公开了一种基于心理声学模型的LSTM语音增强方法。

本发明所述基于心理声学模型的LSTM语音增强方法，包括以下步骤：

S1.对输入的PCM信号进行VAD处理，判断其是否为语音信号；

S2.如是语音信号，对语音信号进行特征处理，得到特征信号；

S3.将特征信号经过心理声学模型处理，得到声学特征信号；

S4.将声学特征信号经过LSTM网络处理，得到增强语音信号；

S5.对增强语音信号做ASR处理，实现语音识别。

优选的，所述步骤S2具体包括以下步骤：

S201.对输入的PCM语音信号进行加窗处理，得到帧长度为的语音帧信号，其中，为窗函数，为时间索引；的数量由语音信号长度决定；

S202.对帧长为的语音帧信号做点的快速傅里叶变换，得到长度为的频域信号，其中为帧索引，；为频率索引，;

S203.计算长度为的频域信号中各个频点的功率谱：

；

其中，，为信号的采样频率，表示取模；

S204.计算频域信号中前个点的功率谱，即频域信号的功率谱为：

；N为帧长；

其中，功率谱即为特征信号。

具体的，所述窗函数是分段函数，在时，为非零值；在为其他时，为0。

优选的，所述步骤S3包括以下子步骤：

S301.根据特征信号计算语音信号的声压级：

频率为的声压级；

声压级；

其中为基准声压级；为频率索引，log为对数符号，与的单位均为；