何 禮 周 翊 劉宏清

(重慶郵電大學(xué)通信與信息工程學(xué)院, 重慶 400065)

1 引言

近年來，自動(dòng)語音識(shí)別技術(shù)的飛速發(fā)展催生了一系列語音應(yīng)用，例如：手機(jī)、智能音箱、助聽器和電話會(huì)議系統(tǒng)等。為了保證上述設(shè)備在復(fù)雜聲學(xué)環(huán)境下運(yùn)行的魯棒性，這些設(shè)備通常配有噪聲消除算法。這些算法分為基于單個(gè)麥克風(fēng)的單通道噪聲消除算法[1]和基于麥克風(fēng)陣列的多通道噪聲消除算法。很多單通道噪聲消除算法依賴于語音活動(dòng)檢測，只適合平穩(wěn)噪聲，對(duì)非平穩(wěn)噪聲魯棒性不好。麥克風(fēng)陣列基于多個(gè)麥克風(fēng)，在時(shí)頻域的基礎(chǔ)上進(jìn)一步獲得空間域信息。因此，與只用時(shí)頻信息進(jìn)行噪聲消除的單麥克風(fēng)方案相比，麥克風(fēng)陣列通常具有更好的性能，因而得到了廣泛應(yīng)用。

波束形成器是麥克風(fēng)陣列噪聲消除算法的核心。它可設(shè)計(jì)成固定波束形成器，如延遲求和波束形成器、超指向性波束形成器；也可設(shè)計(jì)成基于某個(gè)優(yōu)化準(zhǔn)則的自適應(yīng)波束形成器，如線性約束最小方差、最小方差無失真響應(yīng)(Minimum Variance Distortionless Response, MVDR)、最小均方誤差和最大信噪比[2]。這些現(xiàn)有的技術(shù)解決方案通常依賴于擴(kuò)散場聲音相干性的模型，從而區(qū)分觀測信號(hào)中由目標(biāo)語音主導(dǎo)的時(shí)頻點(diǎn)和由背景噪聲主導(dǎo)的時(shí)頻點(diǎn)。然而這些解決方案并不適用于噪聲環(huán)境中干擾聲源存在的情況。另外，單獨(dú)的波束形成器并不總是能夠達(dá)到理論上的效果，波束形成處理后的輸出信號(hào)中仍然保留了期望信號(hào)方向及波束旁瓣上的殘留背景噪聲，因此通常會(huì)在波束形成后采用單通道后置濾波技術(shù)對(duì)殘留噪聲進(jìn)一步消除。麥克風(fēng)陣列噪聲消除算法通常使用帶有單通道維納后置濾波的MVDR波束形成器來實(shí)現(xiàn)[2]。文獻(xiàn)[3- 4]中推導(dǎo)了多種不同的后置濾波器，它們的主要區(qū)別在于對(duì)殘留噪聲功率譜密度的估計(jì)，而共同點(diǎn)是都未考慮干擾聲源存在的情況，無法對(duì)波束形成輸出信號(hào)中殘留干擾的功率譜密度進(jìn)行估計(jì)。

針對(duì)上述問題，本文提出了基于相位時(shí)頻掩蔽的麥克風(fēng)陣列噪聲消除算法。首先通過互相關(guān)功率譜的相位信息估計(jì)出目標(biāo)聲源和干擾聲源的時(shí)頻掩碼。為了克服線性麥克風(fēng)陣列前后指向性模糊和端射方向敏感等問題，本文采用均勻環(huán)形麥克風(fēng)陣列。然后通過時(shí)頻掩碼估計(jì)出導(dǎo)向矢量和噪聲協(xié)方差矩陣，從而對(duì)目標(biāo)聲源進(jìn)行波束形成，克服了傳統(tǒng)導(dǎo)向矢量估計(jì)算法受干擾聲源影響的缺點(diǎn)。最后，通過參考麥克風(fēng)的語音存在概率修正相位時(shí)頻掩碼，更加準(zhǔn)確估計(jì)殘留干擾噪聲功率譜密度，經(jīng)過維納濾波器生成出最終的增強(qiáng)語音。以下是本文剩余部分的結(jié)構(gòu)安排：第2節(jié)將介紹麥克風(fēng)陣列噪聲消除的基本原理。第3節(jié)將重點(diǎn)介紹所提算法。第4節(jié)進(jìn)行實(shí)驗(yàn)結(jié)果描述和分析。第5節(jié)是結(jié)論。

2 麥克風(fēng)陣列噪聲消除基本原理

設(shè)在同一個(gè)房間內(nèi)有M個(gè)麥克風(fēng)，第m=1，2，…，M個(gè)麥克風(fēng)接收到的音頻信號(hào)xm(t)可建模為[5]:

(1)

其中，hm是目標(biāo)聲源與第m個(gè)麥克風(fēng)之間的房間沖激響應(yīng)，s(t)是目標(biāo)聲源，hm,r是第r個(gè)干擾聲源與第m個(gè)麥克風(fēng)之間的房間沖激響應(yīng)，ir(t)是第r個(gè)干擾聲源，r=1，2，…，R，ηm(t)是第m個(gè)麥克風(fēng)處的背景噪聲，‘*’表示卷積運(yùn)算。

式(1)可簡化為:

xm(t)=hm*s(t)+νm(t)

(2)

為了克服語音信號(hào)非平穩(wěn)性帶來的信號(hào)估計(jì)問題，通常將語音信號(hào)通過短時(shí)傅里葉變換(Short Time Fourier Transformer, STFT)轉(zhuǎn)換到時(shí)頻域進(jìn)行處理，假設(shè)房間沖激響應(yīng)是時(shí)不變的,對(duì)式(2)應(yīng)用STFT,式(2)在頻域中表示為:

X(t,k)=H(k)S(k)+V(t,k)

(3)

其中，X(t,k)=[X1(t,k),...,XM(t,k)]T,H(k)=[H1(k),...,HM(k)]T,V(t,k)=[V1(t,k),...,VM(t,k)]T,且Xm(t,k)、Hm(k)和Vm(t,k)分別是xm(t)、hm和νm(t)的STFT，t表示間索引，k表示頻率索引。Hm(k)可建模為延遲衰減模型[6]:

Hm(k)=Dm(k)=αme-jωkτm

(4)

其中，τm是第m個(gè)麥克風(fēng)與參考麥克風(fēng)m=1之間的到達(dá)時(shí)間差，ωk是頻點(diǎn)k角頻率的弧度表示。D(k)=[D1(k),...,DM(k)]T是麥克風(fēng)陣列的導(dǎo)向矢量[2]。文獻(xiàn)[7]證明最優(yōu)多通道最小均方誤差語音增強(qiáng)濾波器Wopt可分解為:

(5)

(6)

其中，φss和φnn分別為波束形成輸出結(jié)果中目標(biāo)信號(hào)和噪聲信號(hào)的功率譜密度。最后，目標(biāo)信號(hào)估計(jì)為:

(7)

3 基于相位時(shí)頻掩蔽的麥克風(fēng)陣列噪聲消除方法

3.1 算法整體框架

算法的整體框架如圖1所示。

算法包含四部分：時(shí)頻掩碼估計(jì)、波束形成、干擾噪聲功率譜密度估計(jì)和單通道維納濾波。在時(shí)頻掩碼估計(jì)部分，結(jié)合多麥克風(fēng)音頻信號(hào)估計(jì)的相位時(shí)頻掩碼和參考麥克風(fēng)估計(jì)的語音存在概率，得到最終的時(shí)頻掩碼。在波束形成部分，通過時(shí)頻掩碼估計(jì)出導(dǎo)向矢量和噪聲協(xié)方差矩陣，基于最小方差無失真響應(yīng)對(duì)目標(biāo)信號(hào)波束形成，對(duì)干擾信號(hào)和背景噪聲進(jìn)行消除。在干擾噪聲功率譜密度估計(jì)部分，通過參考麥克風(fēng)語音存在概率修正的相位時(shí)頻掩碼最大似然估計(jì)出上一階段波束形成后殘留的干擾噪聲功率譜密度。在單通道維納濾波部分，通過上一階段估計(jì)的干擾噪聲功率譜密度進(jìn)一步消除波束形成輸出結(jié)果中殘留的干擾噪聲，生成增強(qiáng)語音。

3.2 基于均勻環(huán)形麥克風(fēng)陣列的相位時(shí)頻掩蔽

為了克服線性麥克風(fēng)陣列前后指向性模糊和端射方向敏感的問題，本文采用均勻環(huán)形麥克風(fēng)陣列，如圖2所示。設(shè)式(1)是基于均勻環(huán)形麥克風(fēng)陣列建立的模型，包含M個(gè)麥克風(fēng)。對(duì)于一個(gè)給定方向的聲源，相鄰麥克風(fēng)對(duì)表示為{mi,mi+1}，最后一對(duì)麥克風(fēng)對(duì)表示為{mM,m1}。

(8)

其中，τmi→m1(φg)=τm1m2(φg)-τmimi+1(φg)為{m1,m2}麥克風(fēng)對(duì)與{mi,mi+1}麥克風(fēng)對(duì)的相對(duì)時(shí)延[9]。

麥克風(fēng)對(duì)音頻信號(hào)互相關(guān)功率譜的相位在單源區(qū)域內(nèi)估計(jì)為：

(9)

其中，*表示復(fù)共軛。

由式(8)和式(9)分別已知預(yù)設(shè)角度相位和音頻信號(hào)相位，時(shí)頻掩碼索引Icircular(t,k)可通過下式估計(jì)為：

(10)

其中，Icircular(t,k)表示時(shí)頻掩碼索引，‖·‖2表示歐氏范數(shù)。

圖1 算法噪聲消除流程

圖2 均勻環(huán)形麥克風(fēng)陣列

針對(duì)線性麥克風(fēng)陣列端射方向敏感的問題，考慮到提出的環(huán)形麥克風(fēng)陣列基于相位時(shí)頻掩蔽的算法特點(diǎn)，本文在式(10)的基礎(chǔ)上增加基于預(yù)設(shè)角度的權(quán)重因子，以弱化誤差較大的麥克風(fēng)對(duì)對(duì)相位的影響，強(qiáng)化誤差較小的麥克風(fēng)對(duì)對(duì)相位的影響。因此，式(10)修改為:

Icircular(t,k)

(11)

其中，權(quán)重因子Wweight(φg)定義為:

Wweight(φg)=αweightcos(φg)+βweight

(12)

其中，αweight和βweight為常數(shù)，設(shè)目標(biāo)聲源來源于第g個(gè)扇區(qū)，則基于相位估計(jì)的時(shí)頻掩碼Mcircular(t,k)為:

(13)

式(13)估計(jì)的時(shí)頻掩碼是依賴于不同扇區(qū)聲源的相位差異，故在目標(biāo)聲源和干擾聲源都不存在的情況下是不準(zhǔn)確的。因此，式(13)中的時(shí)頻掩碼需要依賴于參考麥克風(fēng)的語音存在概率進(jìn)行修正得到最終的時(shí)頻掩碼M(t,k)，如式(14)所示:

(14)

其中，threshold為常數(shù)，spp為基于文獻(xiàn)[10]的方法計(jì)算的參考麥克風(fēng)的語音存在概率，如式(15)所示：

(15)

其中，q(t,k)是先驗(yàn)語音不存在概率，ξ(t,k)是先驗(yàn)信噪比，γ(t,k)是后驗(yàn)信噪比。當(dāng)語音存在時(shí)，時(shí)頻掩碼可以分離出目標(biāo)信號(hào)和干擾信號(hào)；當(dāng)語音不存在時(shí)，時(shí)頻掩碼可以分離出語音信號(hào)和噪聲信號(hào)。

設(shè)Mν(t,k)表示只包含干擾噪聲信號(hào)的時(shí)頻點(diǎn)，Ms+ν(t,k)表示帶噪信號(hào)的時(shí)頻點(diǎn)，則只包含干擾噪聲信號(hào)的協(xié)方差矩陣Rν(t,k)和帶噪信號(hào)的協(xié)方差矩陣Rs+ν(t,k)分別為：

(16)

(17)

因此，目標(biāo)語音的協(xié)方差矩陣表示為：

Rs(t,k)=Rs+ν(t,k)-Rν(t,k)

(18)

導(dǎo)向矢量可由目標(biāo)語音協(xié)方差矩陣廣義特征值分解的最大特征值對(duì)應(yīng)的特征向量估計(jì)[8]。

3.3 基于spp的最大似然干擾噪聲功率譜密度估計(jì)

文獻(xiàn)[11]提出在類廣義旁瓣消除結(jié)構(gòu)下用最大似然的方法估計(jì)波束形成后殘留的噪聲功率譜密度，取得了比單通道殘留噪聲功率譜密度估計(jì)[9]更好的效果。但是文獻(xiàn)[11]并未考慮干擾的影響，因此，本文通過上文基于參考麥克風(fēng)語音存在概率修正的相位時(shí)頻掩碼得到目標(biāo)語音存在概率，準(zhǔn)確估計(jì)出波束形成后殘留的干擾噪聲功率譜密度。

(1-α(t0,k0))X(t0,k0)X(t0,k0)H

(19)

其中，(t0,k0)表示目標(biāo)語音不存在時(shí)的時(shí)頻點(diǎn)索引，α(t0,k0)表示目標(biāo)語音存在概率，定義為：

(20)

(21)

其中，C2(t)為一個(gè)時(shí)變的比例因子。

(22)

由式(5)可得出波束形成后信號(hào)的功率譜密度為：

(23)

將式(22)、(23)代入式(6)的維納后置濾波中，可得到增強(qiáng)語音Y(t,k)，如式(24)所示：

(24)

4 仿真實(shí)驗(yàn)與結(jié)果分析

本節(jié)中，將提出的算法在MATLAB環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)中所用的30條純凈語音和噪聲數(shù)據(jù)均來自CHIME4語音庫[12]，采樣率為16 kHz，量化精度為16 bit。噪聲數(shù)據(jù)包括BUS噪聲、CAF噪聲、PED噪聲和STR噪聲。為消除混響對(duì)算法的影響，選擇低混響房間，混響時(shí)間T60在200 ms以內(nèi)。環(huán)形六麥陣列原點(diǎn)位于房間中央，陣列半徑為5 cm，目標(biāo)聲源位于麥克風(fēng)陣列的0°方向，干擾聲源位于麥克風(fēng)陣列的180°方向，兩者距離麥克風(fēng)陣列原點(diǎn)都為1 m。在背景噪聲下，目標(biāo)聲源發(fā)聲，4 s之后干擾聲源發(fā)聲，12 s之后目標(biāo)聲源結(jié)束，4 s之后干擾聲源結(jié)束，4 s之后背景噪聲結(jié)束。通過MATLAB對(duì)目標(biāo)聲源、干擾聲源和背景噪聲進(jìn)行混合，信干比為0 dB的條件下信噪比分別為-5 dB、0 dB、5 dB和10 dB。增強(qiáng)算法STFT使用的幀長為512個(gè)采樣點(diǎn)，幀移為128個(gè)采樣點(diǎn)。

為驗(yàn)證本文所提算法的性能，本文采用經(jīng)典的基于廣義互相關(guān)相位(Generalized Cross-Correlation Phase, GCC-Phat)的延遲求和波束形成器和最優(yōu)修正對(duì)數(shù)幅度譜(Optimal Modified Log Spectral Amplitude, OMLSA)后置濾波器的麥克風(fēng)陣列噪聲消除算法為基線方法。為能客觀評(píng)估算法性能，本文采用感知語音質(zhì)量(Perceptual Evaluation of Speech Quality, PESQ)、頻域分段信噪比(Frequency Weighted Segment Signal Noise Ratio, fwsegSNR)、信號(hào)干擾比(Signal to Interference Ratio, SIR)、信號(hào)失真比(Signal to Distortion Ratio, SDR)這一系列指標(biāo)分別對(duì)原始語音(original)、基線方法(baseline)、本文所提算法(proposed)與加入多通道后置濾波的本文所提算法(proposed+multipost)的性能進(jìn)行全面衡量。

4.1 PESQ評(píng)價(jià)法

PESQ是評(píng)估語音主觀試聽感受的客觀計(jì)算方法[13]。PESQ分值越高說明其語音感知質(zhì)量越高。

圖3為在BUS噪聲、CAF噪聲、PED噪聲和STR噪聲環(huán)境下各算法在各信噪比條件下的平均PESQ得分結(jié)果?？梢姳疚乃崴惴ㄔ诘托旁氡?-5 dB)條件下，相比基線方法具有顯著提升的增強(qiáng)效果，同時(shí)隨著信噪比提高(0 dB、5 dB、10 dB)，通過加入多通道后置濾波，在高信噪比(5 dB、10 dB)條件下，語音感知質(zhì)量進(jìn)一步提高。4種噪聲條件下，STR噪聲語音感知質(zhì)量提升幅度相對(duì)有限，說明所提算法在背景噪聲平穩(wěn)時(shí)的優(yōu)勢有限。

4.2 fwsegSNR評(píng)價(jià)法

頻域分段信噪比是衡量增強(qiáng)語音中所含噪聲能量的常規(guī)指標(biāo)，其定義式如式(25)所示:

fwsegSNR=

(25)

圖4為在BUS噪聲、CAF噪聲、PED噪聲和STR噪聲環(huán)境下，各算法在各信噪比條件下的平均fwsegSNR值?？傮w上看，本文所提算法在各背景噪聲環(huán)境下表現(xiàn)的噪聲消除能力最強(qiáng)，在低信噪比(-5 dB)條件下加入后置濾波后，fwsegSNR值有所下降，說明在噪聲消除的同時(shí)去除了較多語音部分。在CAF噪聲、PED噪聲環(huán)境下，本文所提算法相比基線方法，fwsegSNR值提升最大，說明所提算法在背景噪聲非平穩(wěn)時(shí)效果最好。

4.3 SIR評(píng)價(jià)法

信干比是衡量算法抑制干擾聲源性能的常規(guī)指標(biāo)[14]，其定義式如式(26)所示：

(26)

其中，starget為增強(qiáng)語音中的目標(biāo)語音，einterf為增強(qiáng)語音中的干擾語音。SIR值越大說明干擾消除得越好。

圖5為在BUS噪聲、CAF噪聲、PED噪聲和STR噪聲環(huán)境下，各算法在各信噪比條件下的平均SIR值。可見，基線方法對(duì)干擾幾乎沒有消除作用，而本文所提算法具有顯著的抑制干擾效果。在信干比為0 dB的條件下，本文所提算法在低信噪比(-5 dB)時(shí)，抑制干擾10 dB左右；在高信噪比(10 dB)時(shí)，抑制干擾20 dB左右。同時(shí)，加入后置濾波后，SIR值有所提升，說明本文提出的基于spp的后置濾波具有抑制干擾的效果。

圖4 4種背景噪聲環(huán)境下，各算法在各信噪比條件下的fwsegSNR均值

圖5 4種背景噪聲環(huán)境下，各算法在各信噪比條件下的SIR均值

圖6 4種背景噪聲環(huán)境下，各算法在各信噪比條件下的SDR均值

4.4 SDR評(píng)價(jià)法

信號(hào)失真比是衡量算法抑制干擾過程中語音失真程度的常規(guī)指標(biāo)[14]，其定義式如(27)所示：

(27)

其中，starget為增強(qiáng)語音中的目標(biāo)語音，einterf為增強(qiáng)語音中的干擾語音，enoise為增強(qiáng)語音中的噪聲分量，eartif為增強(qiáng)語音中的人為噪聲。SDR值越小說明增強(qiáng)語音過程中語音失真越嚴(yán)重。

圖6為在BUS噪聲、CAF噪聲、PED噪聲和STR噪聲環(huán)境下，各算法在各信噪比條件下的平均SDR值。在低信噪比條件下(-5 dB)，本文所提算法與基線方法相比，造成的語音失真更小，但隨著信噪比提高(0 dB、5 dB、10 dB)，其優(yōu)勢逐漸減小。后置濾波加入后，在高信噪比(10 dB)條件下，SDR值有所下降，說明后置濾波在抑制干擾的同時(shí)會(huì)使語音有一定程度的失真。

5 結(jié)論

本文針對(duì)在干擾聲源和背景噪聲的環(huán)境下傳統(tǒng)波束形成和后置濾波算法難以有效實(shí)現(xiàn)噪聲消除的問題，提出一種基于相位時(shí)頻掩蔽的麥克風(fēng)陣列噪聲消除算法。該算法利用不同聲源的相位差異和語音存在概率估計(jì)時(shí)頻掩碼對(duì)目標(biāo)語音波束形成，對(duì)干擾聲源和背景噪聲有效抑制，然后通過后置濾波進(jìn)一步抑制殘留干擾和噪聲。在4種不同噪聲以及4種不同高低信噪比環(huán)境下進(jìn)行了實(shí)驗(yàn)，證明所提算法能有效提高語音的質(zhì)量。

在后續(xù)研究中，將考慮所提算法的實(shí)時(shí)性，同時(shí)提高現(xiàn)有算法的計(jì)算效率，減小后置濾波引起的語音失真，此外針對(duì)所提算法在混響環(huán)境下的適用性問題展開研究。