袁文浩，時云龍，胡少東，婁迎曦

（山東理工大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，山東淄博 255000）

0 概述

近年來，基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)方法成為語音識別領(lǐng)域的研究熱點(diǎn)［1-3］，相比傳統(tǒng)統(tǒng)計方法明顯提高了非平穩(wěn)噪聲條件下的語音增強(qiáng)性能。為提高神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)性能，現(xiàn)有研究工作主要針對訓(xùn)練特征和訓(xùn)練目標(biāo)的設(shè)計以及網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)展開。根據(jù)訓(xùn)練特征和訓(xùn)練目標(biāo)的設(shè)計方法，基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)方法可分為頻域和時域兩類。

頻域的語音增強(qiáng)一般將含噪語音經(jīng)過短時傅里葉變換得到的幅度譜或?qū)?shù)功率譜作為訓(xùn)練特征，而訓(xùn)練目標(biāo)除了純凈語音的幅度譜或?qū)?shù)功率譜，還可以是由幅度譜計算得到的掩蔽特征。文獻(xiàn)［4-5］采用全連接神經(jīng)網(wǎng)絡(luò)建立一個從含噪語音對數(shù)功率譜到純凈語音對數(shù)功率譜的映射關(guān)系?；谡Z音在時間維度上的序列性，文獻(xiàn)［6-7］分別采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和長短時記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)來估計含噪語音的掩蔽特征。當(dāng)采用多幀的含噪語音幅度譜或?qū)?shù)功率譜作為訓(xùn)練特征時，網(wǎng)絡(luò)輸入將在時間和頻率兩個維度上都具有相關(guān)性。文獻(xiàn)［8］采用一個全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）絡(luò)構(gòu)來建立含噪語音幅度譜和純凈語音幅度譜之間的映射關(guān)系實(shí)現(xiàn)語音增強(qiáng)。文獻(xiàn)［9］建立了結(jié)合卷積層、池化層和全連接層的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行語音增強(qiáng)。文獻(xiàn)［10-11］在網(wǎng)絡(luò)結(jié)構(gòu)中引入門控機(jī)制和殘差學(xué)習(xí)，而文獻(xiàn)［12］基于密集連接卷積網(wǎng)絡(luò)結(jié)構(gòu)來提高網(wǎng)絡(luò)在時間和頻率兩個維度上的感受野。由于卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)共享機(jī)制，因此基于卷積神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)方法能夠大幅減少網(wǎng)絡(luò)中需要訓(xùn)練的參數(shù)量。通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)兩種不同的網(wǎng)絡(luò)結(jié)構(gòu)，文獻(xiàn)［13］提出一種用于語音增強(qiáng)的卷積循環(huán)網(wǎng)絡(luò)（Convolutional Recurrent Network，CRN），文獻(xiàn)［14］將兩層LSTM 嵌入到一個全卷積的編碼器-解碼器（Convolutional Encoder-Decoder，CED）中提出另一種形式的CRN，實(shí)驗(yàn)結(jié)果表明CRN相比LSTM等循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)一步提高了語音增強(qiáng)性能。

時域的語音增強(qiáng)將含噪語音和純凈語音的時域波形分別作為訓(xùn)練特征和訓(xùn)練目標(biāo)。文獻(xiàn)［15］采用FCN建立一個含噪語音幀波形到純凈語音幀波形的映射關(guān)系，并指出采用全連接層的DNN 不適用于時域語音增強(qiáng)。文獻(xiàn)［16］采用基于短時客觀可懂度（Short-Time Objective Intelligibility，STOI）指標(biāo)的損失函數(shù)代替均方誤差函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，進(jìn)一步提高了增強(qiáng)語音的可懂度。文獻(xiàn)［17］將因果卷積嵌入到一個由全卷積網(wǎng)絡(luò)構(gòu)成的編碼器-解碼器中，構(gòu)建實(shí)時的時域語音增強(qiáng)網(wǎng)絡(luò)。文獻(xiàn)［18-19］對時域語音增強(qiáng)中不同損失函數(shù)的性能進(jìn)行評估，指出對于時域語音增強(qiáng)，先將時域信號轉(zhuǎn)換到頻域再在頻域設(shè)計損失函數(shù)相比直接在時域設(shè)計損失函數(shù)具有更好的性能，并基于此提出一種新的時域語音增強(qiáng)網(wǎng)絡(luò)設(shè)計框架。

在頻域的語音增強(qiáng)中，通常使用含噪語音和純凈語音的對數(shù)功率譜作為訓(xùn)練特征和訓(xùn)練目標(biāo)，對數(shù)功率譜的計算是基于信號的短時傅里葉變換，對于含噪語音特征的表達(dá)具有一定的局限性。時域語音增強(qiáng)直接使用含噪語音和純凈語音的波形作為訓(xùn)練特征和訓(xùn)練目標(biāo)，雖然相比頻域語音增強(qiáng)能夠更好地利用含噪語音特征，但是其性能非常依賴損失函數(shù)的設(shè)計，而設(shè)計復(fù)雜的損失函數(shù)會大幅提高網(wǎng)絡(luò)的訓(xùn)練難度?；谝陨戏治?，本文提出一種基于時頻域特征融合的深度神經(jīng)網(wǎng)絡(luò)語音增強(qiáng)方法，采用含噪語音的時域波形作為訓(xùn)練特征，同時利用純凈語音的頻域?qū)?shù)功率譜作為訓(xùn)練目標(biāo)，基于深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征計算能力來建立含噪語音時域波形和純凈語音頻域?qū)?shù)功率譜之間的映射關(guān)系，并將含噪語音的時域特征與頻域特征在網(wǎng)絡(luò)深層結(jié)構(gòu)中進(jìn)行融合，最終利用語音增強(qiáng)實(shí)驗(yàn)從增強(qiáng)語音的質(zhì)量和可懂度兩方面對本文所提語音增強(qiáng)方法的性能進(jìn)行客觀評估。

1 基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)模型

在基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)方法中，采用回歸模型訓(xùn)練語音增強(qiáng)網(wǎng)絡(luò)。通過網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)構(gòu)造一個非線性映射函數(shù)fθ來表達(dá)含噪語音幀和增強(qiáng)語音幀之間的回歸關(guān)系，θ是網(wǎng)絡(luò)的參數(shù)集合，并采用均方誤差損失函數(shù)L(θ)進(jìn)行網(wǎng)絡(luò)訓(xùn)練：

其中：Xl是網(wǎng)絡(luò)輸入的訓(xùn)練特征；Tl是網(wǎng)絡(luò)的訓(xùn)練目標(biāo)；M是網(wǎng)絡(luò)訓(xùn)練采用的Mini-batch 大小。根據(jù)Xl和Tl在時域和頻域的不同設(shè)計方法，該模型可以作為頻域和時域的語音增強(qiáng)模型。需要注意的是，為了減小網(wǎng)絡(luò)訓(xùn)練參數(shù)的規(guī)模，并保證語音增強(qiáng)模型的因果性，本文中的Xl和Tl均為單幀的頻域和時域特征。

1.1 頻域語音增強(qiáng)模型

對于頻域的語音增強(qiáng)，在網(wǎng)絡(luò)訓(xùn)練階段，通常采用的訓(xùn)練特征和訓(xùn)練目標(biāo)分別為含噪語音和純凈語音的對數(shù)功率譜。

在利用訓(xùn)練得到的網(wǎng)絡(luò)進(jìn)行語音增強(qiáng)時，首先根據(jù)含噪語音第l幀的對數(shù)功率譜計算增強(qiáng)語音第l幀的對數(shù)功率譜然后結(jié)合含噪語音第l幀的相位譜αl進(jìn)行短時傅里葉逆變換（Inverse Short-Time Fourier Transform，ISTFT），得到增強(qiáng)語音第l幀的時域信號

1.2 時域語音增強(qiáng)模型

對于時域的語音增強(qiáng)，在網(wǎng)絡(luò)訓(xùn)練階段，采用的訓(xùn)練特征和訓(xùn)練目標(biāo)分別為含噪語音和純凈語音的波形。

其中：yl，n和sl，n分別是含噪語音和純凈語音波形經(jīng)過分幀后得到的第l幀的第n個采樣點(diǎn)。

在利用訓(xùn)練得到的網(wǎng)絡(luò)進(jìn)行語音增強(qiáng)時，可以直接根據(jù)含噪語音第l幀的波形計算增強(qiáng)語音第l幀的時域信號。

2 融合時頻域特征的語音增強(qiáng)方法

2.1 語音增強(qiáng)方法

在頻域的深度神經(jīng)網(wǎng)絡(luò)語音增強(qiáng)方法中，如式（2）所示，通常采用含噪語音的對數(shù)功率譜作為網(wǎng)絡(luò)的輸入，而對數(shù)功率譜對于含噪語音特征的表達(dá)是具有局限性的，這種局限性主要表現(xiàn)在兩個方面。一方面，對數(shù)功率譜忽略了信號的相位信息，例如：圖1（a）給出了256 點(diǎn)的采樣頻率為8 kHz 的噪聲信號的波形；圖1（b）給出了另外一段噪聲信號的波形，該噪聲段為圖1（a）中噪聲信號的倒序排列；圖1（c）給出了上述兩種噪聲信號的對數(shù)功率譜?？梢姡m然圖1（a）和圖1（b）中的噪聲具有截然不同的變化趨勢，但是兩種噪聲卻具有完全相同的對數(shù)功率譜特征，這表明由于忽略了相位信息，對數(shù)功率譜不能完整表達(dá)含噪語音的特征。另一方面，式（2）中對數(shù)功率譜的特征維度K受限于短時傅里葉變換窗長的選擇，而窗長的選擇受海森堡不確定性原理限制，難以同時滿足時間分辨率和頻率分辨率的需求。在對數(shù)功率譜的計算中窗長一般是按照語音信號的短時平穩(wěn)特性進(jìn)行選擇，因此對數(shù)功率譜能夠較好地表達(dá)語音信號的短時特性。含噪語音信號是由語音信號和噪聲信號疊加得到，因?yàn)樵肼曅盘柕膩碓床煌?，不同噪聲信號的特性?fù)雜多樣，為了更好地提取含噪語音的短時特征，理論上在進(jìn)行短時傅里葉變換時應(yīng)該選用不同的窗長，所以采用相同窗長計算得到的對數(shù)功率譜并不能很好地表達(dá)含噪語音的短時特性。例如，對于采樣頻率為8 kHz 的信號，通常采用的窗長為256 點(diǎn)［4-5］，但是對于圖1（a）中的噪聲，256 點(diǎn)的窗長顯然不能反映該噪聲隨時間的快速變化趨勢，這表明采用固定窗長的對數(shù)功率譜不能完整表達(dá)含噪語音中不同類型噪聲的變化特性。

圖1 兩種噪聲信號的波形與對數(shù)功率譜Fig.1 Waveform and log power spectrum of two kinds of noise signals

在時域的深度神經(jīng)網(wǎng)絡(luò)語音增強(qiáng)方法中，直接采用式（7）中的純凈語音波形作為訓(xùn)練目標(biāo)，由于波形特征中的采樣點(diǎn)具有快速變化的特性，使用式（1）中的均方誤差損失函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并不能得到相比頻域方法更好的語音增強(qiáng)性能，因此時域語音增強(qiáng)方法需要充分考慮損失函數(shù)的設(shè)計問題，網(wǎng)絡(luò)結(jié)構(gòu)通常比較復(fù)雜且難于訓(xùn)練。

為充分利用含噪語音特征來提高深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)性能，且同時避免復(fù)雜損失函數(shù)的設(shè)計問題，保證網(wǎng)絡(luò)易于訓(xùn)練，本文將含噪語音的頻域?qū)?shù)功率譜和時域波形共同作為訓(xùn)練特征，同時采用純凈語音的頻域?qū)?shù)功率譜作為訓(xùn)練目標(biāo)，設(shè)計一種融合時頻域特征的語音增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)。因?yàn)楹胝Z音的時域特征與頻域特征具有較大的差別，所以直接組合兩種特征作為網(wǎng)絡(luò)輸入是不合適的。為在網(wǎng)絡(luò)中深度融合含噪語音的時域和頻域特征進(jìn)行語音增強(qiáng)，本文基于時頻域特征融合的語音增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)包括3 個模塊，分別為以含噪語音時域波形特征作為輸入的時域特征計算模塊、以含噪語音對數(shù)功率譜特征作為輸入的頻域特征計算模塊和結(jié)合兩個特征計算模塊的輸出作為輸入的語音增強(qiáng)模塊，3個模塊對應(yīng)的參數(shù)集合分別為θt、θf和θtf，整個網(wǎng)絡(luò)的參數(shù)集合可以表示如下：

網(wǎng)絡(luò)的訓(xùn)練目標(biāo)與式（3）相同，網(wǎng)絡(luò)的訓(xùn)練特征如下：

其中：與式（2）一致，是頻域的對數(shù)功率譜特征，計算公式如式（11）所示。與式（6）一致，是時域的波形特征，計算公式如式（12）所示。

在利用訓(xùn)練得到的網(wǎng)絡(luò)進(jìn)行語音增強(qiáng)時，首先根據(jù)含噪語音第l幀的波形和對數(shù)功率譜計算增強(qiáng)語音第l幀的對數(shù)功率譜然后按照式（5）同樣的計算方法得到增強(qiáng)語音第l幀的時域信號

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文的時頻域特征融合網(wǎng)絡(luò)基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行設(shè)計，卷積循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力和循環(huán)神經(jīng)網(wǎng)絡(luò)對于長期依賴信息的建模能力，在語音增強(qiáng)中表現(xiàn)出了良好的性能［13-14］。時頻域特征融合網(wǎng)絡(luò)中的時域特征計算模塊和頻域特征計算模塊均為多層的卷積網(wǎng)絡(luò)結(jié)構(gòu)，兩者具有類似的結(jié)構(gòu)，唯一的區(qū)別是，由于時域特征和頻域特征的維度不同，因此最后一個卷積層所用的卷積濾波器的大小不同，語音增強(qiáng)模塊則由兩層的LSTM 構(gòu)成。時頻域特征融合網(wǎng)絡(luò)記為TFCRN，網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。如果只保留時域特征計算模塊和語音增強(qiáng)模塊，訓(xùn)練得到的網(wǎng)絡(luò)可以建立含噪語音時域波形和純凈語音頻域?qū)?shù)功率譜之間的映射關(guān)系，該網(wǎng)絡(luò)記為T-CRN。如果只保留頻域特征計算模塊和語音增強(qiáng)模塊，訓(xùn)練得到的網(wǎng)絡(luò)可以建立含噪語音對數(shù)功率譜和純凈語音對數(shù)功率譜之間的映射關(guān)系，是一種頻域的語音增強(qiáng)方法，該網(wǎng)絡(luò)記為F-CRN。

圖2 時頻域特征融合網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of fusion network of time-domain and frequency-domain features

3 實(shí)驗(yàn)與結(jié)果分析

3.1 訓(xùn)練集與測試集

訓(xùn)練集和測試集均基于TIMIT 語音庫構(gòu)造，其中訓(xùn)練集中的純凈語音來自TIMIT 語音庫的訓(xùn)練集，測試集中的純凈語音來自TIMIT 語音庫的測試集［20］，純凈語音的采樣頻率均轉(zhuǎn)換為8 kHz。為了合成訓(xùn)練集中的含噪語音，選取文獻(xiàn)［21］中的100 個真實(shí)噪聲段，將其采樣頻率同樣轉(zhuǎn)換為8 kHz，然后按照?10 dB、?5 dB、0 dB、5 dB、10 dB 這5 種信噪比與純凈語音進(jìn)行合成，從所有合成得到的含噪語音中隨機(jī)選取50 000段，與其相應(yīng)的純凈語音一起構(gòu)成訓(xùn)練集。為了合成測試集中的含噪語音，選取Noisex92 噪聲庫中Factory2、Buccaneer1、Destroyer engine 和HF channel 噪聲［22］，將其采樣頻率轉(zhuǎn)換為8 kHz，按照?7 dB、0 dB、7 dB 這3 種信噪比與192 段純凈語音進(jìn)行合成，選取全部2 304 段（192×3×4）含噪語音，與相應(yīng)的純凈語音一起構(gòu)成測試集。需要注意的是，為檢驗(yàn)語音增強(qiáng)方法對不同噪聲條件的泛化能力，測試集選取的4 類噪聲是與訓(xùn)練集完全不同的未知噪聲，測試集中的?7 dB 和7 dB 是不同于訓(xùn)練集的未知信噪比。

頻域?qū)?shù)功率譜特征計算所用的短時傅里葉變換的幀長為32 ms（256 點(diǎn)），幀移為16 ms（128 點(diǎn)），相應(yīng)的頻域特征維度為129。時域波形按照語音段均標(biāo)準(zhǔn)化為?1～1，分幀的幀長同樣為256 點(diǎn)，幀移為128 點(diǎn)，相應(yīng)的時域特征維度為256。

3.2 語音增強(qiáng)性能比較

為客觀評價不同網(wǎng)絡(luò)的語音增強(qiáng)性能，分別采用不同網(wǎng)絡(luò)對測試集含噪語音進(jìn)行語音增強(qiáng)，并比較不同網(wǎng)絡(luò)增強(qiáng)后語音的平均語音質(zhì)量和平均可懂度，其中：語音質(zhì)量的評價指標(biāo)為語音質(zhì)量的感知評估（Perceptual Evaluation of Speech Quality，PESQ），其得分范圍為?0.5～4.5，得分越高代表語音質(zhì)量越好［23］；語音可懂度的評價指標(biāo)為STOI［20］，其得分范圍為0～1，得分越高代表語音可懂度越高［24］。

對F-CRN、T-CRN、TF-CRN 這3 種網(wǎng)絡(luò)的語音增強(qiáng)性能進(jìn)行比較，圖3 給出了在不同信噪比下3 種網(wǎng)絡(luò)對應(yīng)的增強(qiáng)語音的平均PESQ 得分和平均STOI 得分，其中平均STOI 得分以百分比的形式進(jìn)行表示?？梢姡涸? 種網(wǎng)絡(luò)中，TF-CRN 在兩種指標(biāo)的不同信噪比下都取得了最好的結(jié)果，表明TF-CRN 能夠充分融合時域和頻域特征，相比單純采用頻域或時域特征的網(wǎng)絡(luò)提高了語音增強(qiáng)性能；在兩種指標(biāo)的低信噪比（?7 dB 和0 dB）條件下，T-CRN 相比F-CRN 取得了更好的結(jié)果，表明在相同的CRN 網(wǎng)絡(luò)結(jié)構(gòu)下，采用時域波形特征能夠帶來更好的語音增強(qiáng)性能。

圖3 不同信噪比下F-CRN、T-CRN 和TF-CRN 的語音增強(qiáng)性能比較Fig.3 Comparison of speech enhancement performance of F-CRN，T-CRN and TF-CRN under different SNRs

為驗(yàn)證基于時頻域特征融合的深度神經(jīng)網(wǎng)絡(luò)語音增強(qiáng)方法的有效性，將其與4 種網(wǎng)絡(luò)進(jìn)行語音增強(qiáng)性能的比較，對比網(wǎng)絡(luò)包括：1）具有3 層結(jié)構(gòu)的DNN［4］，每個隱層的節(jié)點(diǎn)個數(shù)為2 048；2）采用3 層LSTM 的網(wǎng)絡(luò)，每層的Cell 維度為512；3）文獻(xiàn)［14］網(wǎng)絡(luò)；4）FCN［15］。前3 個網(wǎng)絡(luò)均為頻域的語音增強(qiáng)，采用單幀的含噪語音和純凈語音的對數(shù)功率譜分別作為訓(xùn)練特征和訓(xùn)練目標(biāo)，記為F-DNN、F-LSTM 和CED-CRN；第4 個網(wǎng)絡(luò)為時域的語音增強(qiáng)，將單幀的含噪語音和純凈語音的時域波形分別作為訓(xùn)練特征和訓(xùn)練目標(biāo)，記為T-FCN。

表1 給出了不同信噪比下與5 種網(wǎng)絡(luò)相應(yīng)的增強(qiáng)語音的平均PESQ 得分和平均STOI 得分，其中平均STOI 得分以百分比的形式進(jìn)行表示?？梢?，在不同信噪比下，相比含噪語音，F(xiàn)-DNN 增強(qiáng)后語音的平均PESQ 得分提升非常有限，平均STOI 得分甚至出現(xiàn)了下降，表明當(dāng)采用單一幀的含噪語音作為輸入時，DNN 由于缺乏對時間依賴信息建模的能力，不能進(jìn)行有效的語音增強(qiáng)；其他頻域方法包括F-LSTM和CED-CRN 增強(qiáng)后語音的平均PESQ 得分和平均STOI 得分相比含噪語音均有明顯提升，表明它們能夠進(jìn)行有效的語音增強(qiáng)，結(jié)合平均PESQ 得分和平均STOI 得分的結(jié)果整體來看，CED-CRN 相比F-LSTM具有更好的性能；時域方法T-FCN 增強(qiáng)后語音的平均PESQ 得分和平均STOI 得分相比含噪語音在絕大多數(shù)條件下都有所提升，但是提升幅度相比頻域方法的F-LSTM 和CED-CRN 有明顯差距，表明與這2 種頻域方法相比，T-FCN 的語音增強(qiáng)性能較差；在5 種網(wǎng)絡(luò)中，除了7 dB 下的平均STOI 得分，TF-CRN在其他噪聲條件下的2 種指標(biāo)都取得了最好的結(jié)果，表明TF-CRN 通過融合時域和頻域特征，具有較好的語音增強(qiáng)性能。

表1 不同信噪比下5 種網(wǎng)絡(luò)的語音增強(qiáng)性能比較Table 1 Comparison of speech enhancement performance of five networks under different SNRs

下面通過對比不同網(wǎng)絡(luò)增強(qiáng)語音的語譜圖來更加直觀地比較不同網(wǎng)絡(luò)的語音增強(qiáng)性能。圖4（a）給出了一段信噪比為0 dB 的含有N3 噪聲語音的語譜圖，圖4（b）～圖4（h）分別給出了采用F-DNN、F-LSTM、CEDCRN、T-FCN、F-CRN、T-CRN 和TF-CRN 進(jìn)行處理后增強(qiáng)語音的語譜圖，圖4（i）給出了相應(yīng)的純凈語音的語譜圖作為對比。通過對比增強(qiáng)語音和純凈語音的語譜圖，可見：F-DNN 和T-FCN 增強(qiáng)后的語音仍然存在大量的噪聲成分，表明F-DNN 和T-FCN 的語音增強(qiáng)性能較差；F-LSTM、CED-CRN 和F-CRN 這3 種頻域語音增強(qiáng)方法雖然能夠抑制大部分的噪聲成分，但是增強(qiáng)后的語音中仍然存在明顯可見的噪聲成分；T-CRN 具有最好的噪聲抑制能力，但是對于語音成分的保留能力稍遜于TF-CRN；在7 種網(wǎng)絡(luò)中，TF-CRN 在噪聲成分抑制和語音成分保留上取得了最好的折衷效果，具有最好的語音增強(qiáng)性能。非正式的試聽實(shí)驗(yàn)也進(jìn)一步驗(yàn)證了上述結(jié)論。

圖4 7 種網(wǎng)絡(luò)增強(qiáng)語音的語譜圖比較Fig.4 Comparison of spectrograms of speech enhanced by seven networks

為說明時頻域特征融合網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計上的有效性，將其與其他6 種網(wǎng)絡(luò)進(jìn)行空間復(fù)雜度的比較。表2給出了7 種網(wǎng)絡(luò)的參數(shù)規(guī)模，可見：由于采用了全卷積網(wǎng)絡(luò)，T-FCN 的參數(shù)量要遠(yuǎn)低于其他網(wǎng)絡(luò)；在具有較好語音增強(qiáng)性能的F-LSTM、CED-CRN、F-CRN、T-CRN、TF-CRN 這5 種網(wǎng)絡(luò)中，CED-CRN 網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)量最大，F(xiàn)-LSTM 次之；本文提出的F-CRN、T-CRN、TF-CRN 這3 種網(wǎng)絡(luò)參數(shù)量明顯小于CED-CRN 和F-LSTM，其中TF-CRN 的參數(shù)量約為F-LSTM 的38.35%，約為CED-CRN 的21.75%，表明本文的時頻域特征融合網(wǎng)絡(luò)利用更小的網(wǎng)絡(luò)參數(shù)規(guī)模取得更好的語音增強(qiáng)性能。

表2 7 種網(wǎng)絡(luò)的參數(shù)規(guī)模比較Table 2 Comparison of parameter scale of seven networks

4 結(jié)束語

在基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)方法中，采用時域波形作為訓(xùn)練特征和訓(xùn)練目標(biāo)的時域方法通常依賴損失函數(shù)的設(shè)計，而將對數(shù)功率譜作為訓(xùn)練特征和訓(xùn)練目標(biāo)的頻域方法則受限于短時傅里葉變換的特征表達(dá)能力，無法充分利用含噪語音的特征。為解決上述問題，本文提出一種基于時頻域特征融合的深度神經(jīng)網(wǎng)絡(luò)語音增強(qiáng)方法。采用含噪語音的時域波形作為訓(xùn)練特征，利用純凈語音的對數(shù)功率譜作為訓(xùn)練目標(biāo)，通過設(shè)計T-CRN 建立含噪語音時域波形和純凈語音對數(shù)功率譜之間的映射關(guān)系，并進(jìn)一步設(shè)計能融合含噪語音的時域波形特征和頻域?qū)?shù)功率譜特征的TF-CRN。實(shí)驗(yàn)結(jié)果表明，與采用對數(shù)功率譜作為訓(xùn)練特征的頻域語音增強(qiáng)方法相比，T-CRN 具有更好的語音增強(qiáng)性能，而TF-CRN 相較對比網(wǎng)絡(luò)明顯提高了增強(qiáng)語音的質(zhì)量和可懂度。后續(xù)將結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的特征可視化技術(shù)，對特征計算過程進(jìn)行深入研究，進(jìn)一步優(yōu)化深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。