[发明专利]产生混响音频信号的方法及音频处理模型的训练方法

说明书

本公开关于一种产生混响音频信号的方法及音频处理模型的训练方法。所述产生混响音频信号的方法包括：将纯净音频信号与房间冲击响应进行卷积，产生混合后的第一混响音频信号；在卷积时降低预定分贝的混响时间小于或等于预定阈值的情况下，将第一混响音频信号确定为最终的混响音频信号；在卷积时降低预定分贝的混响时间大于所述预定阈值的情况下，将第一混响音频信号的前n毫秒的前期反射信号与所述纯净音频信号进行叠加，产生最终的混响音频信号。

技术领域

本公开涉及音频技术领域，更具体地说，涉及一种产生混响音频信号的方法和装置、音频处理模型的训练方法和装置、音频处理方法和装置。

背景技术

随着神经网络的推广，神经网络越来越多的被运用到音频领域，例如音频去噪、音频去混响、语音分离等等，相比较于传统算法，神经网络往往能获得更好的效果。在单通道语音增强领域，通常都是将语音去噪声及语音去混响进行单独处理，或者将语音去噪声和语音去混响结合起来进行统一处理，但去噪声和去混响的效果还需进一步提高。

发明内容

本公开提供一种产生混响音频信号的方法和装置、音频处理模型的训练方法和装置、音频处理方法和装置，以至少解决上述相关技术中的问题，也可不解决任何上述问题。

根据本公开实施例的第一方面，提供一种产生混响音频信号的方法，包括：将纯净音频信号与房间冲击响应进行卷积，产生混合后的第一混响音频信号；在卷积时降低预定分贝的混响时间小于或等于预定阈值的情况下，将第一混响音频信号确定为最终的混响音频信号；

在卷积时降低预定分贝的混响时间大于所述预定阈值的情况下，将第一混响音频信号的前n毫秒的前期反射信号与所述纯净音频信号进行叠加，产生最终的混响音频信号。

可选地，所述降低预定分贝的混响时间可为降低60dB的混响时间(RT60)。

可选地，所述预定阈值可为50毫秒。

可选地，n可为50。

根据本公开实施例的第二方面，提供一种音频处理模型的训练方法，所述训练方法包括：获取音频样本数据集合，其中，每个音频样本数据包括混响音频信号和带噪音频信号，其中，所述混响音频信号是通过将纯净音频信号与房间冲击响应进行卷积而获得的，所述带噪音频信号是通过将所述混响音频信号与噪声信号混合而获得的；根据每个音频样本数据中的所述混响音频信号和所述带噪音频信号，确定所述混响音频信号和所述带噪音频信号的信噪比和掩膜比，其中，所述掩膜比是基于所述混响音频信号产生的目标音频信号的幅度谱信号和所述带噪音频信号的幅度谱信号的比值；根据所述信噪比调整所述掩膜比以获得目标掩膜比；将所述带噪音频信号的幅度谱信号输入所述音频处理模型，得到估计的掩膜比；根据所述估计的掩膜比和所述目标掩膜比确定损失函数；根据确定的损失函数对所述音频处理模型进行训练。

可选地，所述目标音频信号可通过以下操作获得：在卷积时降低预定分贝的混响时间小于或等于第一预定阈值的情况下，将所述混响音频信号确定为所述目标音频信号，在卷积时降低预定分贝的混响时间大于第一预定阈值的情况下，将第一混响音频信号的前n毫秒的前期反射信号与所述纯净音频信号进行叠加，产生所述目标音频信号。

可选地，所述降低预定分贝的混响时间可为降低60dB的混响时间(RT60)，所述预定阈值可为50亳秒，n可为50。

可选地，所述确定所述混响音频信号和所述带噪音频信号的掩膜比，可包括：在所述目标音频信号的幅度谱信号与所述带噪音频信号的幅度谱信号的比值小于或等于1的情况下，将所述目标音频信号的幅度谱信号与所述带噪音频信号的幅度谱信号的比值作为所述掩膜比；在所述目标音频信号的幅度谱信号与所述带噪音频信号的幅度谱信号的比值大于1的情况下，将所述掩膜比确定为1。