龔 杰，馮海泓，陳友元，方 義,2,3，牟宏宇

(1.中國科學院聲學研究所東海研究站，上海201815；2.中國科學院聲學研究所，北京100190；3.中國科學院大學，北京100049)

0 引 言

目前，智能家居、智能交通、智能醫(yī)療等場景中越來越多地將語音端作為一個重要的現(xiàn)實場景信息入口，以實現(xiàn)智能化操作。盡管語音增強領域有著比較長的研究歷史，但是由于現(xiàn)實生活中的聲學場景非常復雜，如在語音增強領域一直未被解決的雞尾酒會問題(即當前語音識別技術能以較高精度識別單個人講話，但是當說話人數(shù)為兩人或多人時，語音識別率就會極大地降低)，在實際生活場景下語音增強工作仍面臨著極大挑戰(zhàn)。本文致力于在房間存在混響和4個說話人的聲學場景下，利用陣列波束形成和神經(jīng)網(wǎng)絡來實現(xiàn)目標語音增強。

用于目標語音分離的其中一類方法是單通道目標語音增強，目前在這一方向上已經(jīng)有一些效果較好的方法，如譜減法[1]、維納濾波法[2]、基于統(tǒng)計模型的方法[3]、計算聽覺場景分析(Computational Auditory Scene Analysis, CASA)和非負矩陣分解(Non-Negative Matrix Factorization, NMF)方法。近期也出現(xiàn)了一些基于深度學習的單通道語音增強方法，例如基于置換不變性的訓練方法(Permutation Invariant Training, PIT)[4]、生成對抗網(wǎng)絡(Generative Adversarial Nets, GAN)[5]方法等。但是單通道語音增強的不足在于其實現(xiàn)語音增強的依據(jù)為目標語音與干擾聲的頻譜結構差異，若目標語音與干擾聲頻譜結構相似，其效果可能較差且單通道沒有利用空間信息。

另一類方法是利用空間信息實現(xiàn)多通道語音增強，主要方法是波束形成的方法。但是波束形成大多只利用了空間信息，未利用頻譜信息。

本文將接收的多通道信號形成4個方向的超指向波束，得到4個角度的頻譜信息，然后利用神經(jīng)網(wǎng)絡與目標純凈語音頻譜信息進行映射。在此過程中頻譜信息和空間方位信息均得到利用。仿真和實驗結果表明，本文采用超指向波束形成結合神經(jīng)網(wǎng)絡以實現(xiàn)目標語音增強的算法取得了較好的效果。

1 算法結構

1.1 本文算法原理

本文算法結構如圖1所示。算法流程為待處理的信號在4個方向上進行超指向波束形成；提取每個波束的頻譜幅度特征；聯(lián)合后得到聯(lián)合特征，根據(jù)數(shù)據(jù)每個維度上特征值的平均值和標準差對聯(lián)合特征進行標準化；然后進入神經(jīng)網(wǎng)絡預測掩蔽值(Mask)；根據(jù)掩蔽值得到目標語音頻譜進而重構時域信號，得到預測的目標語音。

圖1 本文算法結構圖Fig.1 The structure diagram of the algorithm proposed in this paper

1.2 超指向波束形成得到多個波束的語音特征

延遲相加波束形成是波束形成方法中最基礎的一種，其原理是將多個傳聲器的時延差補齊，使它們與目標方向的傳聲器一致然后進行累加。此方法應用于非相關的空間白噪聲時效果較好，但是其對相干噪聲場的抑制效果不理想。超指向波束形成在低頻的指向性要強于延遲相加波束形成，因此能夠更好地抑制相干噪聲場[6]，因此本文采用超指向波束形成算法。

假設空間噪聲各向同性分布，噪聲協(xié)方差矩陣的計算公式為[7]

其中：ΓVV為噪聲協(xié)方差矩陣；J0(?)為0階貝塞爾函數(shù)；rmic為圓陣上按逆時針順序，每個陣元(包括參考陣元)與參考陣元之間的直線距離；f為頻率；c為空氣中聲速，取值為340.29 m·s-1。

利用最小方差無失真響應(Minimum Variance Distortionless Response, MVDR)波束形成器的權重公式可以得出此時的濾波器權重為[8]

其中：d為導向向量。

由于實際環(huán)境中存在陣列誤差和空間白噪聲，因此可通過對角加載來提高超指向波束形成的穩(wěn)健性，此時濾波器權重為[9]

其中：μ表示對角加載量，I表示單位矩陣。

信號相位譜代表方位信息，由于原始信號來自多個方向，頻譜中相位信息和幅度信息相互關聯(lián)，而神經(jīng)網(wǎng)絡一般都是實數(shù)型網(wǎng)絡，故頻譜中的相位信息不便利用。進行超指向波束形成后，得到4個方向的超指向波束，這時可以只利用頻譜幅度信息估計目標語音的掩蔽值，掩蔽值的表達式為

其中：M為目標語音的掩蔽值；λs為目標語音的特征值；λ0為參考波束的特征值。

1.3 神經(jīng)網(wǎng)絡介紹

1.3.1 長短時記憶神經(jīng)網(wǎng)絡

長短時記憶神經(jīng)網(wǎng)絡(Long Short-Term Memory,LSTM)是一種時間遞歸神經(jīng)網(wǎng)絡，適用于有用信息間隔和延遲相對較長或者間隔有大有小、長短不一的復雜語言場景[10]。本文將一條語音片段信息作為一個時間序列送入LSTM進行訓練。

1.3.2 構建神經(jīng)網(wǎng)絡

本文構建的神經(jīng)網(wǎng)絡結構如圖2所示。該結構采用4層LSTM網(wǎng)絡和1層全連接層網(wǎng)絡相結合的形式，每層LSTM層有600個節(jié)點，全連接層有600個節(jié)點，全連接層的激活函數(shù)采用了LeakyReLU函數(shù)和sigmoid函數(shù)，損失函數(shù)采用mean_squared_error函數(shù)，損失函數(shù)的表達式為[11]

圖2 本文所用的神經(jīng)網(wǎng)絡結構Fig.2 The neural network framework used in this paper

其中：yi為訓練集數(shù)據(jù)中的真實值，為神經(jīng)網(wǎng)絡的預測值，ferror為損失函數(shù)，損失函數(shù)值越小，說明神經(jīng)網(wǎng)絡與訓練集的匹配度越高。

2 神經(jīng)網(wǎng)絡訓練過程

2.1 構造神經(jīng)網(wǎng)絡訓練集數(shù)據(jù)

2.1.1 利用TIMIT語料庫和image method構造神經(jīng)網(wǎng)絡訓練集

德州儀器和麻省理工學院(Texas Instruments and Massachu-setts Institute of Technology, TIMIT)語料庫，是由上述兩家機構和斯坦福國際研究院合作構建的聲學－音素連續(xù)英語語音語料庫。TIMIT語料庫的語音采樣頻率為16 kHz，包含6 300個句子，70%的說話人是男性，大多數(shù)說話人是成年白人，630個說話人來自美國8個主要方言地區(qū)，每人說出給定的10個句子，所有句子在音素級別上進行了手動分割、標記。

根據(jù)房間規(guī)格、混響時間T60、傳聲器位置、說話人位置，利用鏡象法(image method)可求得此時每個傳聲器的混響傳遞函數(shù)[12]。

假設一個房間，如圖3所示，4個傳聲器構成圓陣，圓陣半徑為36.25 mm，與智能音箱的半徑近似。將圓陣中心置于房間正中央，離地高度設為1.3 m，與現(xiàn)實環(huán)境中的智能音箱擺放高度大致相同，所有傳聲器均位于同一水平面上。然后將從圖3中聲陣列的圓心到最右側陣元的連線方向作為0°方向，即目標語音方向，逆時針規(guī)劃角度，將0°～360°以60°為間隔劃分角度，除0°以外，隨機挑選3個角度作為說話人方向，4個說話人在距離圓陣中心1～3 m內(nèi)隨機站位，陣列中心與四個說話人的距離均遠大于混響半徑?；祉憰r間T60在0.3～0.6 s內(nèi)隨機取值，該混響范圍對語音的清晰度影響較小[13]。

利用鏡象法可求得每個說話人到每個傳聲器的傳遞函數(shù)。在TIMIT語料庫中隨機挑選4條純凈語音片段，4個說話人的語言均為英語，男女比例、年齡均隨機。將語音片段裁剪成相同時長并對每條語音的幅度進行歸一化，再與傳遞函數(shù)進行卷積，然后將每個傳聲器接收的不同說話人的信號進行累加，之后將0°方向的歸一化后的純凈語音代入混響時間T60=0時的傳遞函數(shù)中，可以得到此場景下對應的純凈語音，最后得到一組最終的訓練集數(shù)據(jù)。本研究制作了18 000條數(shù)據(jù)，總時長約為10 h。

2.1.2 數(shù)據(jù)預處理

輸入信號的采樣頻率為16 kHz，幀長為512點。在0°、90°、180°、270°這4個方向上對其進行超指向波束形成，每幀加漢寧窗，得到4個波束的頻譜幅度特征，聯(lián)合后得到聯(lián)合特征和與之對應的目標語音在特定方向的掩蔽值。因0°方向目標語音的頻譜成分占超指向波束頻譜成分的比例大，避免了掩蔽值過小影響語音增強效果的情況，因此本文采用目標語音在0°方向的掩蔽值。訓練集中的聯(lián)合特征需要在每個維度上進行標準化[14]，特征值標準化的公式為

式中，F(xiàn)nor為標準化后的特征值，F(xiàn)為原始的特征值，為整個訓練集數(shù)據(jù)在某個維度上特征值的平均值，σ為標準差。利用根據(jù)式(6)得到的標準化的聯(lián)合特征和掩蔽值訓練神經(jīng)網(wǎng)絡。

2.2 神經(jīng)網(wǎng)絡的訓練

通過訓練集可得到特征值和掩蔽值，特征值送入神經(jīng)網(wǎng)絡后得到掩蔽值，神經(jīng)網(wǎng)絡具體結構如圖2所示，包括1層掩蔽(masking)層，4層LSTM層和1層全連接層。設置好損失函數(shù)、優(yōu)化器、輸入、輸出，便可訓練神經(jīng)網(wǎng)絡。訓練集數(shù)據(jù)在訓練過程中共訓練25輪，每1輪都需要隨機打亂訓練集數(shù)據(jù)的順序，之后送入神經(jīng)網(wǎng)絡進行訓練。訓練過程中利用Python語言編寫的生成器，用中央處理器(Central Processing Unit, CPU)逐個生成數(shù)據(jù)批(batch)，用圖形處理器(Graphics Processing Unit，GPU)訓練神經(jīng)網(wǎng)絡，生成器的運行與神經(jīng)網(wǎng)絡的訓練兩者并行，提高了訓練效率。

3 實驗與分析

3.1 仿真數(shù)據(jù)測試與評價

使用英文語料庫TIMIT制作本研究中神經(jīng)網(wǎng)絡的訓練集，使用中文語料庫prime-words_md_218_set1制作神經(jīng)網(wǎng)絡的測試集。

3.1.1 語音分離客觀評價

使用源失真比(Signal To Distortion Ratio,SDR)[15]對本文算法進行語音分離效果客觀評價，具體公式為

式中：Si表示實際的理想信號，Sp表示經(jīng)算法處理后的信號；RSD為源失真比。

采用SDR對本文算法與超指向算法、譜減法進行語音分離效果評價，評價結果見表1。從表1可知，本文算法的RSD值大于超指向算法和譜減法，因此本文算法的語音分離效果優(yōu)于超指向算法和譜減法。

表1 3種算法的RSD值Table 1 The RSD values of three algorithms

3.1.2 混響抑制效果的客觀評價

混響抑制效果采用信混噪比(Signal Reverberation Noise Ratio, SRNR)的改善值ΔR進行客觀評價，計算每幀語音的ΔR的表達式為

式中：p(j)表示實際的理想信號，i(j)表示原始信號，o(j)表示經(jīng)算法處理后的信號，N表示當前幀共有N個點，Rin表示原始信號的信混噪比，Rout表示經(jīng)算法處理后信號的信混噪比。

對所有幀的ΔR求均值，得到最終的ΔR值。本文算法、超指向算法和譜減法的ΔR值見表2。從表2中可知，本文算法的ΔR值大于超指向算法和譜減法，所以本文算法的混響抑制效果優(yōu)于這兩種對比算法。

表2 3種算法的ΔR值Table 2 The ΔR values of three algorithms

3.1.3 語音質(zhì)量的客觀評價

利用感知語音質(zhì)量評價(Perceptual Evaluation of Speech Quality, PESQ)法對語音質(zhì)量進行評價，經(jīng)3種算法處理后的語音的PESQ分數(shù)見表3，從表3中可知，本文算法提升語音質(zhì)量的效果優(yōu)于其他兩種算法。

由以上評價結果可知，本文算法在語音分離、混響抑制和提升語音質(zhì)量的能力上均優(yōu)于超指向算法和譜減法。以上分析驗證了在房間里存在多說話人場景時，本文算法對目標語音進行增強的有效性。

表3 3種算法的PESQ分數(shù)Table 3 The PESQ scores of three algorithms

3.2 實錄數(shù)據(jù)實驗

實驗采用多通道錄音采集卡采集4個說話人的語音數(shù)據(jù)。實驗布設場景和制作訓練數(shù)據(jù)時的場景類似，目標說話人的位置固定，陣元中心與目標說話人的連線方向為0°方向，據(jù)此將0°～360°以60°為間隔劃分角度，其余說話人的位置從除0°方向以外的剩余5個角度(60°,120°,180°,240°,300°)中隨機挑選3個角度，然后錄制實驗數(shù)據(jù)。

3.3 實驗結果與分析

圖4、圖5分別是測試集數(shù)據(jù)的時域信號對比圖和語譜對比圖。從圖4、圖5可知，采用測試集數(shù)據(jù)時，本文算法有明顯的語音增強效果。

圖4 測試集的時域波形對比圖Fig.4 Speech waveform diagrams of testing dataset

圖5 測試集語譜對比圖Fig.5 Spectrograms of testing dataset

利用實錄實驗采集數(shù)據(jù)，實驗場景為有4個說話人的房間，說話人的性別為兩男兩女，均用普通話朗誦，實錄語音的信干比為-0.1 dB。對目標語音進行增強，超指向波束形成算法使實錄信號信干比提高了4.59 dB，譜減法使實錄信號信干比降低了0.86 dB，本文算法使實錄信號信干比提高了12.16 dB。在實際場景下，本文算法語音增強的效果明顯優(yōu)于超指向波束形成算法和譜減法。

本文算法利用4個方向的超指向波束特征與掩蔽值之間的對應關系實現(xiàn)了語音增強，空間信息和頻譜信息均得到了利用，而且神經(jīng)網(wǎng)絡將特征值與掩蔽值建立起了非線性映射關系。而超指向波束形成算法為線性濾波，只利用了空間信息，譜減法只利用了頻譜信息?；谏鲜鲈?，本文算法效果優(yōu)于超指向波束形成算法和譜減法。目前，“雞尾酒會”問題的難點為人聲在復雜聲學場景下的頻譜特征，尤其是同性之間的頻譜特征相似程度大，方位可能重疊。因此，在該場景下利用頻譜信息和空間方位信息分離目標語音困難較大，而神經(jīng)網(wǎng)絡的優(yōu)勢在于能夠從大數(shù)據(jù)中學習到分類特征甚至學習到某些尚未定義的特征。本文算法致力于實現(xiàn)房間場景下的語音增強。

根據(jù)實驗可知，訓練集數(shù)據(jù)需要達到一定的量級且生成數(shù)據(jù)的場景種類要豐富，本文訓練集數(shù)據(jù)總時長達到了10 h。具備以上條件的神經(jīng)網(wǎng)絡具有較好的可推廣性。神經(jīng)網(wǎng)絡需要訓練足夠的輪次且每一輪數(shù)據(jù)的順序需要隨機打亂，使損失函數(shù)值降到足夠低，此種狀況下，神經(jīng)網(wǎng)絡的擬合效果較好。

4 結 論

本文將超指向波束形成算法和神經(jīng)網(wǎng)絡算法相結合，在房間存在多說話人的聲學場景下，實現(xiàn)了目標方向語音分離、混響抑制和語音質(zhì)量的提升。利用仿真數(shù)據(jù)集訓練神經(jīng)網(wǎng)絡，學習此場景下多波束聯(lián)合特征和目標語音頻譜間的復雜關系。通過中文語料庫數(shù)據(jù)的測試評價和實錄數(shù)據(jù)的實驗表明，該方法在上述場景中具有明顯的語音增強效果。

在實際應用本文算法中的神經(jīng)網(wǎng)絡時，可考慮將若干幀數(shù)據(jù)聯(lián)合作為一組輸入數(shù)據(jù)序列，經(jīng)過神經(jīng)網(wǎng)絡映射得到與之對應的掩蔽值序列，訓練和預測均如此處理，可以增強算法的實時性、降低硬件要求。此外，可通過在神經(jīng)網(wǎng)絡的層之間增加過渡層；把神經(jīng)網(wǎng)絡進行分類，與標簽分別進行對應；壓縮神經(jīng)網(wǎng)絡；先訓練大的神經(jīng)網(wǎng)絡，再用大網(wǎng)絡訓練小網(wǎng)絡；也可采用美爾譜、分頻帶等方法減少計算量。目前國內(nèi)已經(jīng)有單位將深度學習的降噪算法運行在高級精簡指令集計算器(Advanced Reduced Instruction Set Computer Machine, ARM)上。