章雒霏　張　銘　李　晨（南京師范大學(xué)物理與科學(xué)技術(shù)學(xué)院南京210000）

?

一種新的語(yǔ)音和噪聲活動(dòng)檢測(cè)算法及其在手機(jī)雙麥克風(fēng)消噪系統(tǒng)中的應(yīng)用

章雒霏*張銘李晨
（南京師范大學(xué)物理與科學(xué)技術(shù)學(xué)院南京210000）

針對(duì)現(xiàn)有雙通道語(yǔ)音活動(dòng)檢測(cè)（Voice Activity Detection，VAD）算法依賴于固定閾值難以在多種噪聲環(huán)境下準(zhǔn)確地檢測(cè)語(yǔ)音和噪聲，應(yīng)用于手機(jī)消噪系統(tǒng)會(huì)造成語(yǔ)音失真或噪聲消除不好等問題，該文提出一種基于神經(jīng)網(wǎng)絡(luò)的VAD算法，該算法以分頻帶能量差和歸一化互通道相關(guān)為特征，采用神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音和噪聲進(jìn)行分類。在此基礎(chǔ)上，將神經(jīng)網(wǎng)絡(luò)VAD與基于互通道信號(hào)功率比值的VAD相結(jié)合，提出一種新的適用于手機(jī)消噪系統(tǒng)的語(yǔ)音和噪聲活動(dòng)檢測(cè)算法分別對(duì)語(yǔ)音和噪聲進(jìn)行檢測(cè)，并以此進(jìn)行噪聲抑制處理，減少了消噪系統(tǒng)因VAD誤判而造成的性能下降。實(shí)驗(yàn)結(jié)果表明，該處理方法在抑制背景噪聲和減少語(yǔ)音失真等方面優(yōu)于現(xiàn)有的消噪算法，對(duì)于方向性語(yǔ)音干擾也有很好的抑制效果。

語(yǔ)音活動(dòng)檢測(cè)；語(yǔ)音增強(qiáng)；神經(jīng)網(wǎng)絡(luò)

1　引言

說話人處于噪聲環(huán)境中時(shí)，遠(yuǎn)端接聽者往往會(huì)聽到難以忍受的噪聲［1］，為了解決這個(gè)問題，現(xiàn)有手機(jī)集成了語(yǔ)音增強(qiáng)模塊來(lái)提高語(yǔ)音質(zhì)量。傳統(tǒng)的單通道語(yǔ)音增強(qiáng)算法［26］-無(wú)法很好地處理非穩(wěn)態(tài)噪聲，而多通道算法［1，713］-在利用語(yǔ)音與噪聲性質(zhì)差異的同時(shí)也結(jié)合了兩者的空間差異性，使得算法在非穩(wěn)態(tài)噪聲環(huán)境下性能得到很大改善?？紤]到尺寸、功耗和計(jì)算復(fù)雜度等問題，手機(jī)主要使用的是雙麥克風(fēng)語(yǔ)音增強(qiáng)系統(tǒng)。

語(yǔ)音活動(dòng)檢測(cè)（Voice Activity Detection，VAD）可以從帶噪語(yǔ)音信號(hào)中確定出語(yǔ)音的起始和結(jié)束位置，準(zhǔn)確的VAD可以幫助消噪算法對(duì)噪聲進(jìn)行有效抑制同時(shí)盡可能地減少語(yǔ)音信號(hào)的失真。目前，各種單通道或者雙通道的VAD算法已廣泛地應(yīng)用于手機(jī)消噪系統(tǒng)中。其中，基于雙麥克風(fēng)能量差（Power Level Differences，PLD）［1］及其改進(jìn)的算法［1014］-具有較好的檢測(cè)結(jié)果且復(fù)雜度低易于實(shí)現(xiàn)，因此得到了廣泛的關(guān)注和研究。通話時(shí)，手機(jī)底部的主麥克風(fēng)接收到語(yǔ)音信號(hào)能量遠(yuǎn)大于手機(jī)頂端的次麥克風(fēng)接收能量，而噪聲信號(hào)的能量基本相同。基于這樣的特性，PLD算法通過對(duì)雙麥克風(fēng)信號(hào)的能量差設(shè)定閾值來(lái)區(qū)分語(yǔ)音和噪聲，但其算法性能會(huì)受到麥克風(fēng)增益，噪聲種類和信噪比等因素的影響，在此基礎(chǔ)上，文獻(xiàn)［10］提出了基于雙麥克風(fēng)后驗(yàn)信噪比差異的VAD算法減少了麥克風(fēng)增益的影響，文獻(xiàn)［14］提出了基于PLD比率（PLD Ratio，PLDR）的算法提高了PLD算法的準(zhǔn)確率。雖然上述算法在穩(wěn)態(tài)及非穩(wěn)態(tài)噪聲環(huán)境中取得了一定效果，但難以同時(shí)保證語(yǔ)音和噪聲檢測(cè)的準(zhǔn)確性，應(yīng)用于手機(jī)消噪系統(tǒng)會(huì)造成語(yǔ)音失真，降低可懂度。

針對(duì)上述問題，本文提出了一種新的基于神經(jīng)網(wǎng)絡(luò)的VAD算法，該算法以分頻帶能量差和歸一化互通道相關(guān)作為特征，采用神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音和噪聲進(jìn)行分類，不依賴于固定閾值，較現(xiàn)有的基于PLD的算法準(zhǔn)確性更高。在此基礎(chǔ)上，本文將神經(jīng)網(wǎng)絡(luò)VAD與基于互通道信號(hào)功率比值的VAD相結(jié)合，提出一種新的適用于手機(jī)消噪系統(tǒng)的語(yǔ)音和噪聲活動(dòng)檢測(cè)算法，該算法分別對(duì)語(yǔ)音和噪聲進(jìn)行檢測(cè)，減少了消噪算法因VAD的誤判而造成的性能下降，與現(xiàn)有的雙麥克風(fēng)消噪算法相比，本算法能夠更有效地抑制噪聲，減少語(yǔ)音失真。

圖1　雙麥克風(fēng)接收的帶噪語(yǔ)音信號(hào)功率

本文第2節(jié)描述神經(jīng)網(wǎng)絡(luò)VAD的原理；第3節(jié)介紹結(jié)合神經(jīng)網(wǎng)絡(luò)VAD提出的語(yǔ)音和噪聲檢測(cè)算法及其在手機(jī)消噪系統(tǒng)中的應(yīng)用；第4節(jié)給出實(shí)驗(yàn)結(jié)果和分析；第5節(jié)進(jìn)行總結(jié)。

2　基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音活動(dòng)檢測(cè)算法

5 dB Babb le噪聲環(huán)境下，雙麥克風(fēng)接收到的帶噪語(yǔ)音信號(hào)功率如圖1所示。

頻域上雙通道接收到的純凈語(yǔ)音信號(hào)的能量差幾乎都在10 dB左右［1］，而背景噪聲存在時(shí)語(yǔ)音信號(hào)的某些頻帶受到噪聲的污染能量差下降（如圖1中1.0～1.5 kHz之間），但部分頻帶仍然保持著10 dB左右的能量差（如圖1中1.5～2.5 kHz之間）。這些頻帶的能量差可以作為表征目標(biāo)語(yǔ)音存在的特征，為了更好地利用這些頻帶的信息，本算法對(duì)頻域進(jìn)行劃分，計(jì)算子帶互通道能量差（sub-band power level difference）作為神經(jīng)網(wǎng)絡(luò)的特征，計(jì)算過程如式（1）。首先將時(shí)域信號(hào)轉(zhuǎn)化到頻域，得到兩個(gè)通道在頻域的信號(hào)：

對(duì)每個(gè)子帶（本算法按照MEL頻帶劃分）計(jì)算互通道能量差的均值如式（3）所示。

因?yàn)槟繕?biāo)語(yǔ)音距主麥克風(fēng)較次麥克風(fēng)近，主麥克風(fēng)早于次麥克接受到語(yǔ)音信號(hào)，而背景噪聲到達(dá)麥克風(fēng)的距離基本相等，時(shí)延較語(yǔ)音小，所以雙通道時(shí)延也是區(qū)分語(yǔ)音和噪聲的一個(gè)重要的特征，在本算法中，使用歸一化的互通道相關(guān)函數(shù)來(lái)作為表征時(shí)延的特征，計(jì)算式為

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)是使用最為廣泛的神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練階段，通過調(diào)整神經(jīng)元之間連接的權(quán)值，BP神經(jīng)網(wǎng)絡(luò)可以完成輸入和輸出之間復(fù)雜的映射關(guān)系。本文使用的是3層的BP神經(jīng)網(wǎng)絡(luò)。其中輸入層為提取的兩個(gè)特征矢量，即分頻帶能量差和歸一化互通道相關(guān)函數(shù)，輸出層為對(duì)應(yīng)的語(yǔ)音活動(dòng)檢測(cè)的標(biāo)簽（1：語(yǔ)音；0：噪聲）。

3　手機(jī)雙麥克風(fēng)語(yǔ)音增強(qiáng)系統(tǒng)

雙麥克風(fēng)語(yǔ)音增強(qiáng)系統(tǒng)框圖如圖2所示，濾波器1將次麥克風(fēng)信號(hào)作為參考，主麥克風(fēng)信號(hào)作為輸入，通過VAD檢測(cè)信噪比較高的語(yǔ)音段控制濾波器調(diào)整參數(shù)將目標(biāo)語(yǔ)音從次麥克風(fēng)中濾除得到噪聲信號(hào)。濾波器2將主麥克風(fēng)信號(hào)作為參考，濾波器1輸出噪聲信號(hào)作為輸入，通過噪聲活動(dòng)檢測(cè)NAD（Noise Activity Detection）在噪聲段控制濾波器調(diào)整參數(shù)將噪聲信號(hào)從主麥克風(fēng)的帶噪語(yǔ)音信號(hào)中濾除得到增強(qiáng)語(yǔ)音信號(hào)。

圖2　手機(jī)雙麥克風(fēng)語(yǔ)音增強(qiáng)系統(tǒng)框圖

實(shí)際上，濾波器1和濾波器2的參數(shù)分別模擬了語(yǔ)音和噪聲信號(hào)在兩個(gè)麥克風(fēng)之間的傳遞函數(shù)，為了避免在信噪比較低的語(yǔ)音和噪聲混合部分對(duì)濾波器參數(shù)進(jìn)行調(diào)整造成濾波器參數(shù)與傳遞函數(shù)的失配，本文中，我們結(jié)合神經(jīng)網(wǎng)絡(luò)VAD提出一種新的語(yǔ)音和噪聲活動(dòng)檢測(cè)算法，該算法通過VAD檢測(cè)信噪比較高的語(yǔ)音段落控制濾波器1的參數(shù)調(diào)整，同時(shí)利用NAD檢測(cè)噪聲段落控制濾波器2的參數(shù)調(diào)整。

圖3　不同平滑參數(shù)計(jì)算的互通道能量的比值

圖4　 5 dB Babble噪聲下利用Pf（t）和Ps（t）判斷語(yǔ)音信號(hào)

圖5　 VAD的結(jié)果

3.1語(yǔ)音活動(dòng)檢測(cè)（VAD）

現(xiàn)有的PLD算法通過設(shè)定固定閾值δ來(lái)區(qū)分語(yǔ)音和噪聲。但是互通道功率比值的大小會(huì)因信噪比和噪聲種類的改變而改變，固定的閾值無(wú)法得到準(zhǔn)確結(jié)果。針對(duì)這一問題，本算法做了改進(jìn)，采用不同的平滑參數(shù)α計(jì)算兩個(gè)通道信號(hào)的功率。

從圖3中可以看出，語(yǔ)音存在的部分，短平滑計(jì)算的互通道功率比Pf（t）比長(zhǎng)平滑計(jì)算的比值Ps（t）大得多，可以通過比較Pf（t）與Ps（t）的大小來(lái)確定語(yǔ)音信號(hào)存在且信噪比較高的時(shí)域采樣點(diǎn)，但是通過調(diào)整判斷閾值不能夠完全地區(qū)分語(yǔ)音和噪聲，如圖4所示（VAD等于1表示語(yǔ)音信號(hào)），當(dāng)設(shè)定Pf（t）＞2Ps（t）的采樣點(diǎn)為語(yǔ)音時(shí)，部分噪聲被誤判為語(yǔ)音，而提高閾值為Pf（t）＞6Ps（t）時(shí)，雖然誤判為語(yǔ)音的噪聲減少了，但是語(yǔ)音檢測(cè)的準(zhǔn)確性也下降了。

基于神經(jīng)網(wǎng)絡(luò)的VAD可以準(zhǔn)確地判斷出語(yǔ)音存在的部分，將神經(jīng)網(wǎng)絡(luò)VAD結(jié)果和基于長(zhǎng)和短時(shí)平滑計(jì)算的功率比值確定的語(yǔ)音存在且信噪比較高的部分相結(jié)合可以去除誤判為語(yǔ)音的噪聲采樣點(diǎn)，5 dB babble噪聲環(huán)境下的結(jié)果如圖5所示。

3.2噪聲活動(dòng)檢測(cè)NAD

將濾波器1輸出的噪聲信號(hào)與主麥克風(fēng)中的帶噪語(yǔ)音信號(hào)進(jìn)行比較，因語(yǔ)音部分能量較大，當(dāng)噪聲信號(hào)與語(yǔ)音信號(hào)的能量相比時(shí)，比值會(huì)非常小，我們可以對(duì)噪聲與帶噪信號(hào)能量的比值設(shè)定閾值來(lái)確定噪聲段，計(jì)算過程如式（9）和式（10）：

其中，ns（）P t與nf（）P t分別為長(zhǎng)平滑和短平滑計(jì)算得到的噪聲與主麥克風(fēng)中帶噪語(yǔ)音的功率比值，當(dāng)語(yǔ)音存在的時(shí)候，噪聲與語(yǔ)音的比值會(huì)接近于零，而噪聲段的比值則較大且短平滑的值遠(yuǎn)遠(yuǎn)大于長(zhǎng)平滑的比值，為了在噪聲段增加長(zhǎng)時(shí)與短時(shí)平滑功率比值的差距，我們對(duì)ns（）P t再次進(jìn)行平滑：

其中，nss（）P t為對(duì)ns（）P t進(jìn)行再次平滑得到的功率比值，這里的平滑系數(shù)ssα根據(jù)神經(jīng)網(wǎng)絡(luò)VAD的結(jié)果進(jìn)行調(diào)整，在語(yǔ)音段ssα為1保持nss（）P t不變，在噪聲段ssα為0.999迭代平滑計(jì)算nss（）P t，經(jīng)過再次平滑后的nss（）P t在噪聲段更為平緩，與nf（）P t的差距更大，將nf（）P t與nss（）P t進(jìn)行比較更有利于我們準(zhǔn)確地判斷出噪聲采樣點(diǎn)。

4　實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)使用手機(jī)長(zhǎng)度為13 cm，在一個(gè)7.91× 7.31×4.85 m3的房間中進(jìn)行測(cè)試，房間的混響為0.3 s，使用B&K HATS仿真頭的人工嘴來(lái)播放目標(biāo)語(yǔ)音信號(hào)，通過ACTS的8個(gè)喇叭噪聲放音系統(tǒng)來(lái)模擬真實(shí)的噪聲環(huán)境，人工頭放置在圓點(diǎn)，8個(gè)喇叭以一個(gè)環(huán)形位于人工頭的四周，距離人工頭大約為2m。信號(hào)的采樣率為8 kHz，幀長(zhǎng)L=256，幀移M=128。實(shí)驗(yàn)選取100段語(yǔ)音，其中80段用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，剩余20段用于驗(yàn)證神經(jīng)網(wǎng)絡(luò)的結(jié)果。選取6種常見的噪聲環(huán)境，Babble，Car，Restaurant，O ffice，Street和方向性的語(yǔ)音干擾，信噪比分別為5 dB，10 dB和15 dB。神經(jīng)網(wǎng)絡(luò)采用MATLAB 2014a的神經(jīng)網(wǎng)絡(luò)工具箱。隱藏層為30個(gè)神經(jīng)元，輸入層到隱藏層采用tansig作為激活函數(shù)，隱藏層到輸出層采用purline作為激活函數(shù)，最大迭代次數(shù)為2000次，學(xué)習(xí)步長(zhǎng)為0.01，學(xué)習(xí)函數(shù)為traingdx。采用24個(gè)MEL頻帶計(jì)算子帶互通道能量差，同時(shí)，選取時(shí)延從-10到+10每隔1個(gè)采樣點(diǎn)計(jì)算歸一化互通道相關(guān)。一共45個(gè)值作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出層為對(duì)應(yīng)的語(yǔ)音活動(dòng)檢測(cè)的標(biāo)簽（1：語(yǔ)音；0：噪聲）。

首先對(duì)神經(jīng)網(wǎng)絡(luò)VAD算法的準(zhǔn)確性進(jìn)行驗(yàn)證，將該算法與基于PLD比率（PLDR）［14］的VAD算法進(jìn)行比較。分別用3個(gè)性能指標(biāo)來(lái)衡量語(yǔ)音活動(dòng)檢測(cè)的準(zhǔn)確性，Psh為檢測(cè)正確的語(yǔ)音信號(hào)幀/語(yǔ)音信號(hào)總幀數(shù)，Pnh為檢測(cè)正確的噪聲信號(hào)幀/非語(yǔ)音信號(hào)總幀數(shù)，Pgh為總的準(zhǔn)確率。

表1　 10 dB信噪比噪聲環(huán)境下，PLDR和本文算法的語(yǔ)音活動(dòng)檢測(cè)結(jié)果

從表1中可以看出，本文算法無(wú)論是在語(yǔ)音幀、噪聲幀還是總的準(zhǔn)確率方面都要優(yōu)于PLDR算法。干擾人聲也是手機(jī)通話中非常常見的一類噪聲，但是，由于干擾人聲是高度非平穩(wěn)信號(hào)且具有方向性，現(xiàn)有的VAD算法無(wú)法很好地處理這類噪聲。我們選取4個(gè)不同方位的語(yǔ)音干擾比較兩個(gè)算法的性能。如表1所示，本文提出的算法利用了目標(biāo)語(yǔ)音和干擾人聲的空間差異來(lái)區(qū)分兩者獲得了準(zhǔn)確的結(jié)果。而PLDR算法在干擾人聲的噪聲環(huán)境下性能有了很大的下降。

為了測(cè)試神經(jīng)網(wǎng)絡(luò)VAD在不同信噪比下的性能，我們分別選取5 dB，10 dB，15 dB的信噪比進(jìn)行驗(yàn)證，結(jié)果如表2所示。從表2中可以看到，本文算法不依賴于固定的閾值，即使在5 dB這樣的低信噪比下依舊可以取得很好的VAD結(jié)果，非常適合于手機(jī)的應(yīng)用。

本文采用ACTS音頻評(píng)價(jià)系統(tǒng)中的對(duì)數(shù)譜距離（Logistic Spectral Distance，LSD），客觀質(zhì)量評(píng)估（Perceptual Evaluation of Speech Quality，PESQ［15］）和信噪比（SNR）分別對(duì)本文提出的語(yǔ)音增強(qiáng)算法和文獻(xiàn)［1］提出的基于PLD的手機(jī)雙麥克風(fēng)語(yǔ)音增強(qiáng)算法的性能進(jìn)行了衡量。

信噪比衡量了語(yǔ)音增強(qiáng)算法的噪聲抑制效果。從表3中可以看出，本文提出的消噪算法相較于PLD算法有了很大的提升，特別是在5 dB信噪比的條件下，本文算法輸出的信噪比均能夠達(dá)到15 dB左右。為了驗(yàn)證算法對(duì)于方向性干擾人聲的抑制效果，我們選取了45o方位入射的干擾人聲，因?yàn)?5o方位的干擾人聲與目標(biāo)語(yǔ)音的入射方位非常接近，傳統(tǒng)的消噪算法很難對(duì)其進(jìn)行有效的抑制，從結(jié)果中可以看出，本文算法對(duì)于45o方位的干擾人聲也有很好的效果，而PLD算法的性能則大大地下降。

表2　不同信噪比環(huán)境下，本文算法的語(yǔ)音活動(dòng)檢測(cè)結(jié)果

表3　在不同噪聲和信噪比條件下經(jīng)過語(yǔ)音增強(qiáng)處理之后的輸出信噪比（dB）

語(yǔ)音的可懂度在手機(jī)的通信中非常的重要，消噪算法會(huì)帶來(lái)一定程度的語(yǔ)音失真，LSD指標(biāo)主要用來(lái)衡量增強(qiáng)語(yǔ)音的失真度，LSD值越大說明語(yǔ)音信號(hào)的失真越嚴(yán)重，越小表明語(yǔ)音信號(hào)失真越小，質(zhì)量越接近于原始語(yǔ)音。表4給出本文算法與PLD算法增強(qiáng)處理后的LSD對(duì)比結(jié)果

從表4中可以看出，本文提出的消噪算法相較于PLD算法對(duì)語(yǔ)音信號(hào)的損失更小，說明經(jīng)過本文算法處理的語(yǔ)音失真更小，語(yǔ)音質(zhì)量更接近于原始語(yǔ)音信號(hào)，對(duì)于方向性的語(yǔ)音干擾也得到了較好的結(jié)果。

本文還采用PESQ來(lái)測(cè)試語(yǔ)音增強(qiáng)算法對(duì)語(yǔ)音客觀質(zhì)量的影響，PESQ的值越高說明語(yǔ)音質(zhì)量越高。從表5中可以看出，與PLD的算法相比，本文提出的消噪算法的輸出語(yǔ)音具有更好的語(yǔ)音質(zhì)量，非正式的主觀聽覺測(cè)試與上述結(jié)果一致。

5　總結(jié)

本文提出了一種新的基于神經(jīng)網(wǎng)絡(luò)的VAD算法，結(jié)合兩個(gè)表征目標(biāo)語(yǔ)音空間特性的特征，即分頻帶能量差和互通道相關(guān)函數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行語(yǔ)音活動(dòng)檢測(cè)。再將基于雙通道功率比值的VAD結(jié)果與神經(jīng)網(wǎng)絡(luò)VAD的結(jié)果相結(jié)合，提出一種新的適用于手機(jī)消噪系統(tǒng)的語(yǔ)音和噪聲檢測(cè)算法，該算法分別對(duì)語(yǔ)音和噪聲進(jìn)行檢測(cè)，減少了消噪系統(tǒng)因VAD的誤判而造成的性能下降。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的基于PLD的消噪算法相比，無(wú)論是VAD的準(zhǔn)確率還是語(yǔ)音增強(qiáng)的效果均有了提升，避免了消噪算法對(duì)于語(yǔ)音信號(hào)的損害，提高了語(yǔ)音的可懂度，保證了手機(jī)通話的質(zhì)量。

表4　本文算法與PLD算法增強(qiáng)處理后的LSD對(duì)比結(jié)果

表5　不同信噪比和噪聲條件下經(jīng)過語(yǔ)音增強(qiáng)處理之后的PESQ

［1］JEUB M，HERGLOTZ C，NELKE C M，et al.Noise reduction for dual-m icrophone m ob ile phones exp loiting power level differences［C］.IEEE International Con ference on Acoustics，Speech，and Signal Processing，Kyoto，2012: 1693-1696.doi:10.1109/ICASSP.2012.6288223.

［2］XU Y，DU J，and DA IL R.A Regression app roach to speech enhancement based on deep neural networks［J］.IEEE Transactions on Audio，Speech，and Language Processing，2015，23（1）:7-19.doi:10.1109/TASLP.2014.2364452.

［3］XU Y，DU J，and DAIL R.An experimental study on speech enhancement based on deep neural networks［J］.IEEE Signal Processing Letters，2014，21（1）:65-68.doi:10.1109/LSP. 2013.2291240.

［4］WANG Y X，NARAYANAN A，andWANG D L.On training targets for supervised speech separation［J］.IEEE Transactions on Audio，Speech，and Language Processing，2014，22（12）:1849-1859.doi:10.1109/TASLP.2014.2352935.

［5］王明合，張二華，唐振明，等.基于Fisher線性判別分析的語(yǔ)音信號(hào)端點(diǎn)檢測(cè)方法［J］.電子與信息學(xué)報(bào)，2015，37（6）: 1343-1349.doi:10.11999/JEIT 141122.

WANGM inghe，ZHANG Erhua，TANG Zhenm in，etal.Voice activity detection based on Fisher linear d iscrim inant analysis［J］.Journal of Electronics&Information Technology，2015，37（6）:1343-1349.doi:10.11999/JEIT141122.

［6］郭海燕，李梟雄，李擬珺.基于基頻狀態(tài)和幀間相關(guān)性的單通道語(yǔ)音分離算法［J］.東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，44（6）: 1100-1104.

GUO Haiyan，LI Xiaoxiong，and LI Nijun.Single-channel speech separation based on pitch state and interframe correlation［J］.Journal of Southeast Un iversity（Natural Science Edition），2014，44（6）:1100-1104.

［7］NELKE C，BEAUGEANT C，and VARY P.Dualm icrophone noise PSD estimation for mobile phones in hands-free position exp loiting the coherence and speech p resence probability［C］.IEEE International Conference on Acoustics，Speech，and Signal Processing，Vancouver，2013:7279-7283. doi:10.1109/ICASSP.2013.6639076.

［8］YOUSEFIAN N，RAHMAN I M，and AKBARI A.Power level difference as a criterion for speech enhancement［C］. IEEE International Conference on Acoustics，Speech，and Signal Processing，Taipei，2009:4653-4656.doi:dx.doi.org/ 10.1109/ICASSP.2009.4960668.

［9］YOUSEFIAN N，AKBARI A，and RAHMANI M.Usingpower level difference for near field dual-microphone speech enhancement［J］.Applied Acoustics，2009，70（11/12）: 1412-1421.

［10］FU Z H，F(xiàn)AN F，and HUANG J D.Dual-m icrophone noise reduction for mobile phone application［C］.IEEE International Con ference on Acoustics，Speech，and Signal Processing，Vancouver，2013:7239-7243.doi:10.1109/ ICASSP.2013.6639068.

［11］MEYER-BAESE U.Digital Signal Processing w ith Field Programmable Gate Arrays［M］.Third Edition，Berlin Heidelberg:Springer，2007:298-305.

［12］RUBIO J E，ISHIZUKA K，SAWADA H，et al.Twom icrophone voice activity detection based on the hom ogeneity of the direction of arrival estim ates［C］.IEEE International Con ference on Acoustics，Speech，and Signal Processing，Honolulu，2007:385-388.doi:10.1109/ICASSP. 2007.366930.

［13］ZHAO H C，LI L G，and LI L H，et al.Dual-m icrophone adaptive noise canceller w ith a voice activity detector［C］. IEEE Region 10 Sym posium，Kuala Lum pur，2014:551-554. doi:10.1109/TENCONSp ring.2014.6863095.

［14］CHOI JH and CHANG JH.Dual-m icrophone voice activity detection technique based on two-step power level difference ratio［J］IEEE Transactions on Audio，Speech and Language Processing，2014.22（6）:1069-1081.

［15］HU Y，and LOIZHOU P C.Evaluation of ob jective quality measures for speech enhancement［J］.IEEE Transactions on Audio，Speech，and Language Processing，2008，16（1）: 229-238.

章雒霏：女，1990年生，博士生，研究方向?yàn)樾盘?hào)處理、語(yǔ)音增強(qiáng)、語(yǔ)音識(shí)別、語(yǔ)音定位.

張銘：男，1963年生，博士生導(dǎo)師，特聘教授，研究方向?yàn)樾盘?hào)處理、語(yǔ)音增強(qiáng)、語(yǔ)音識(shí)別.

李晨：女，1980年生，博士，研究方向?yàn)樾盘?hào)處理、語(yǔ)音增強(qiáng)、語(yǔ)音識(shí)別、語(yǔ)音定位.

A New Voice and Noise Activity Detection A lgorithm and Its App lication to Dual Microphone Noise Suppression System for Handset

ZHANG Luofei ZHANG M ing LIChen
（School of Physics and Technology，Nanjing Normal University，Nanjing 210000，China）

Existing dualm icrophone Voice Activity Detection（VAD）algorithms use normally a fixed threshold. The fixed threshold can not provide an accu rate VAD under various noise environmen ts.In such case，it causes voice quality degradation，particularly in handset app lications.This paper p roposes a new VAD algorithm based on Neural Network（NN）.Both sub-band power level difference and inter-m icrophone cross correlation are used as features.Then the NN based VAD is combined w ith themethod of inter-m icrophone signalpower ratio to get a new voice and noise activity detection algorithm.Furthermore，the algorithm is used into noise suppression in handset to avoid performance degradation caused by VAD m isjudgment.Experimental results show that the p roposed m ethod provides better noise suppression performance and lower speech d istortion com pared to the existing method.

Voice Activity Detection（VAD）；Speech enhancement；Neural Network（NN）

s:Program of Natural Science Research of Jiangsu Higher Education Institutions of China，Program of Science and Technology of Jiangsu（BE2014139）

TN912.35

A

1009-5896（2016）08-2020-07

10.11999/JEIT 151302

2015-11-23；改回日期：2016-04-12；網(wǎng)絡(luò)出版：2016-05-31

章雒霏lincover@126.com

江蘇省自然科學(xué)基金，江蘇省聲頻技術(shù)工程重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目（BE2014139）