[发明专利]基于PESQ驱动的强化学习估计先验信噪比的语音增强方法

说明书

本发明公开了一种基于PESQ驱动的强化学习估计先验信噪比的语音增强方法，具体步骤如下：(1)使用清晰语音和噪声数据集生成模拟含噪语音，并做短时傅里叶变换得到短时傅里叶谱；(2)用清晰语音和含噪语音的短时傅里叶谱训练Deep Xi‑TCN网络；(3)用理想的映射信噪比通过K‑means聚类生成有限个聚类中心，作为先验信噪比模板；(4)正式训练阶段，通过DQN网络在帧层面挑选Deep Xi‑TCN推断的信噪比或者先验信噪比模板，计算出与PESQ值相关的奖励，进行强化学习迭代，更新网络参数；(5)将含噪语音短时傅里叶谱输入完成训练的模型，得到的增强语音的短时傅里叶谱，再进行逆短时傅里叶变换。本发明能进一步优化Deep Xi‑TCN推断的先验信噪比，从而提高与听感相关的语音质量。

技术领域

本发明属于语音增强的技术领域，具体涉及一种用强化学习优化Deep Xi-TCN网络估计先验信噪比的方法，用于提升语音质量感知评价分数。

背景技术

在实际应用中，无处不在的噪声和混响大大损害了语音交互的体验和自动语音识别(Automatic Speech Recognition,ASR)的性能。语音增强的目的是从背景干扰中提取清晰的语音，以获得更高的语音可懂度和感知质量。谱减法可以用来实现噪声抑制。该方法基于最小均方误差(Minimum Mean-Square Error，MMSE)估计噪声功率谱(GERKMANN T,HENDRIKS R C.Unbiased MMSE-Based Noise Power Estimation With Low Complexityand Low Tracking Delay[J].IEEE Transactions on Audio SpeechLanguageProcessing,2012,20(4):1383–1393)，随后将含噪语音功率谱减去噪声功率谱得到增强语音的功率谱，再结合含噪语音短时傅里叶谱的相位信息得到增强语音短时傅里叶谱，然后经逆傅里叶变换得到增强语音信号。谱减法在许多场景下取得了良好的噪声抑制效果，但由于其假设的噪声和语音模型的限制，该算法在处理某些低信噪比(Signal-Noise Ratio,SNR)、非稳态噪声场景语音的效果较差，容易导致语音的失真。WPE算法被用于语音的去混响(NAKATANI T,YOSHIOKA T,KINOSHITA K,et al.Speech Dereverberation Based onVariance-Normalized Delayed Linear Prediction[J].IEEE Transactions on AudioSpeechLanguage Processing,2010,18(7):1717–1731)。它对语音短时傅里叶谱建立时帧的自回归模型，通过迭代的方式估计逆滤波器系数和早期混响的功率谱，进而求得清晰语音的短时傅里叶谱。WPE算法在语音去混响上取得了优越的效果，但算法的迭代特性使其难以运用在短延时的实时处理当中。