李德龍

（中國傳媒大學(xué)傳播聲學(xué)研究所，北京 100024）

0 引言

人耳可以在嘈雜場景中跟蹤辨別某一目標(biāo)說話人的語音，這種現(xiàn)象稱為“雞尾酒會(huì)效應(yīng)”[1]。目前針對(duì)雞尾酒會(huì)效應(yīng)問題的解決辦法是盲源分離算法，典型代表為ICA 算法[2]及其頻域延伸算法[3]，該類方法不利用源信號(hào)和傳輸通道參數(shù)，根據(jù)輸入源信號(hào)的統(tǒng)計(jì)特性，由觀測信號(hào)恢復(fù)出源信號(hào)的各個(gè)獨(dú)立成分，完成對(duì)目標(biāo)信號(hào)的拾取與分離。但該類算法存在幅度和順序的不確定性，受混響和其他聲源的干擾較大，因此只適用于特定場景。為了減少混響干擾，有研究將盲源分離算法與去混響算法結(jié)合[4]，但輸出信號(hào)存在一定的失真。對(duì)于目標(biāo)語音的提取大多基于規(guī)則拓?fù)涞膫髀暺麝嚵袑?shí)現(xiàn)，通過陣列估計(jì)信號(hào)的波達(dá)方向(Direction of Arrival，DOA)，結(jié)合語音信號(hào)的頻譜平滑和諧波特性，可以解決頻域ICA 算法次序不確定性問題[5]，但在聲源距離相近時(shí)會(huì)失效，存在距離限制。分布式傳聲器陣列具有空間覆蓋范圍廣、拓?fù)浣Y(jié)構(gòu)靈活、容錯(cuò)率高的優(yōu)點(diǎn)，無需估計(jì)DOA，沒有距離的限制[6]。

在教室等多說話人同時(shí)講話的室內(nèi)場景中，由于聲源的位置相對(duì)固定，房間脈沖響應(yīng)可以通過測量獲得。因此本文將分布式傳聲器陣列與一種基于房間脈沖響應(yīng)實(shí)現(xiàn)的語音提取算法結(jié)合，實(shí)現(xiàn)對(duì)目標(biāo)語音的提取和對(duì)干擾語音的抑制，通過主觀漢語清晰度測量實(shí)驗(yàn)證明了該方法的有效性。

1 室內(nèi)分布式傳聲器陣列語音拾取算法的設(shè)計(jì)

在實(shí)際環(huán)境中，傳聲器陣列陣元接收的信號(hào)是源信號(hào)經(jīng)過幅度衰減、時(shí)間延遲及反射疊加后的信號(hào)，源信號(hào)與混合觀測信號(hào)之間的關(guān)系如下：

式中：Xi(t)表示第i個(gè)傳聲器陣元拾取的混合觀測信號(hào)，Sj(t)表示第j個(gè)源信號(hào)，hij表示第j個(gè)源信號(hào)到第i個(gè)傳聲器的房間脈沖響應(yīng)。其中，房間脈沖響應(yīng)包含了幅度衰減、時(shí)延及反射信息，可直接通過源信號(hào)與脈沖響應(yīng)的卷積求和表示接收的混合信號(hào)。在聲源和接收傳聲器位置固定的情況下，房間脈沖響應(yīng)保持不變。

從矩陣角度給出卷積混合模型下的數(shù)學(xué)表達(dá)式。在時(shí)域內(nèi)矩陣卷積運(yùn)算的表達(dá)式如下：

式中：H(t)是系統(tǒng)函數(shù)矩陣，矩陣的每個(gè)元素均為聲源到傳聲器的房間脈沖響應(yīng)；S(t)為源信號(hào)時(shí)域矩陣，其中每個(gè)行向量均為一個(gè)聲源信號(hào)；X(t)為傳聲器陣元拾取混合語音構(gòu)成的時(shí)域矩陣。設(shè)定分布式傳聲器陣列陣元個(gè)數(shù)為16，聲源個(gè)數(shù)為7，陣元拾取的混合信號(hào)為房間脈沖響應(yīng)與源信號(hào)的卷積疊加，即：

由于語音信號(hào)具有短時(shí)平穩(wěn)特性，需要將語音信號(hào)分幀加窗后再進(jìn)行時(shí)頻變換，即對(duì)語音進(jìn)行短時(shí)傅里葉變換，將時(shí)域信號(hào)轉(zhuǎn)換到時(shí)頻域。短時(shí)傅里葉變換公式如下[7]：

式中：win表示本文所選擇的窗函數(shù)，L表示STFT幀數(shù)，l表示STFT 滑動(dòng)長度，τ為時(shí)間幀，fk是頻域內(nèi)的頻點(diǎn)，n代表信號(hào)采樣后的時(shí)間變量。采用漢明窗可以將窗邊界處的信號(hào)平滑衰減，克服矩形窗的泄露現(xiàn)象，因此本文在后續(xù)加窗中均選擇漢明窗對(duì)信號(hào)進(jìn)行加窗。

若窗函數(shù)長度比房間脈沖響應(yīng)的階數(shù)大，時(shí)域卷積混合運(yùn)算可以近似轉(zhuǎn)換為頻域內(nèi)同一頻點(diǎn)下的乘積運(yùn)算[6]。滿足該條件后，以某頻點(diǎn)w0為例建立數(shù)學(xué)表達(dá)式，將時(shí)域卷積運(yùn)算變換到每個(gè)頻點(diǎn)下的乘積運(yùn)算。

此時(shí)矩陣形式的頻域方程為：

將分布式傳聲器陣列拾取的混合語音和測量的房間脈沖響應(yīng)代入上述方程后，求解某一頻點(diǎn)下的聲源矩陣。其中系統(tǒng)函數(shù)矩陣為超定矩陣，需要借助系統(tǒng)函數(shù)矩陣的廣義逆矩陣求解原理[8]，進(jìn)行超定方程組的求解。在完成所有頻點(diǎn)的方程求解后，將求解完成的目標(biāo)源信號(hào)矩陣通過短時(shí)傅里葉反變換即可實(shí)現(xiàn)對(duì)目標(biāo)語音的提取。

2 室內(nèi)分布式傳聲器陣列語音拾取實(shí)驗(yàn)

選擇尺寸大小為10 m×6.4 m×4 m 的房間進(jìn)行實(shí)驗(yàn)，模擬教室場景下多說話人同時(shí)討論的情況。經(jīng)測量，該房間的中頻混響時(shí)間為350 ms 左右，滿足小教室對(duì)于房間參數(shù)要求。設(shè)置聲源個(gè)數(shù)為7，分布式傳聲器陣列陣元個(gè)數(shù)為16，整體布局如圖1 所示。

圖1 室內(nèi)聲源與陣列布局示意圖

7 個(gè)聲源分為1 名教師和6 名學(xué)生。其中學(xué)生位于前中后三排，教師位于最前排中央。由于日常授課場景中老師的高度高于學(xué)生，因此設(shè)置1 號(hào)揚(yáng)聲器高于其他揚(yáng)聲器。宋慧[9]得出結(jié)論，發(fā)音人的性別對(duì)于漢語清晰度的影響不具有顯著性差異，因此音源性別保持男女比例基本均衡。揚(yáng)聲器位置和音源的性別信息如表1 所示。

表1 揚(yáng)聲器位置及音源信息

傳聲器陣列陣元個(gè)數(shù)設(shè)置為16，分為兩組，每組為8 個(gè)陣元，一組分布于房間頂部，一組分布于房間墻壁。避免將陣列分布于地面，可以不改變房間原有布局，也不影響聲源狀態(tài)。采取針對(duì)目標(biāo)聲源就近布置陣元的原則，給出傳聲器陣元的具體位置如表2 所示。

表2 分布式傳聲器陣列陣元位置

實(shí)驗(yàn)所用傳聲器選擇1/4 英寸預(yù)極化駐極體測量傳聲器。該傳聲器內(nèi)置前置放大器，傳聲器采用恒流源供電方式。該傳聲器靈敏度較高，頻響曲線平直，一致性較好；尺寸較小，便于移動(dòng)，符合室內(nèi)分布式傳聲器陣列拾音要求。

為了便于后續(xù)單音節(jié)字清晰度評(píng)測實(shí)驗(yàn)，實(shí)驗(yàn)音源采用預(yù)先錄制好的7 張KXY 表[10]。KXY表包含漢語普通話所有可能音節(jié)，聲韻母及聲調(diào)出現(xiàn)概率與日常漢語交流一致。每張表有75 個(gè)音節(jié)，隨機(jī)組合分為25 組，每組含有3 個(gè)音節(jié)，連續(xù)不具有語義。通過聲卡控制7 個(gè)揚(yáng)聲器同時(shí)播放7 張KXY 表。搭建十六通道信號(hào)調(diào)理器對(duì)傳聲器陣列進(jìn)行集成電路型壓電式傳感器（Integrated Electronics Piezo-Electric，IEPE）供電，多通道聲卡與PC 進(jìn)行音頻交換，最后通過算法實(shí)現(xiàn)對(duì)目標(biāo)語音的提取，整個(gè)系統(tǒng)框圖如圖2 所示。

圖2 多通道語音增強(qiáng)系統(tǒng)框圖

按照標(biāo)準(zhǔn)[11]利用分布式傳聲器陣列對(duì)7 個(gè)聲源到16 個(gè)傳聲器陣元的房間脈沖響應(yīng)進(jìn)行測量。將測得的每一個(gè)房間脈沖響應(yīng)作為系統(tǒng)函數(shù)矩陣的元素。共進(jìn)行112 個(gè)房間脈沖響應(yīng)的測量，以1號(hào)聲源到1 號(hào)傳聲器為例，給出測量的房間脈沖響應(yīng)時(shí)域波形圖，如圖3 所示。

從圖3 可以看出，該場景下房間脈沖響應(yīng)的截止點(diǎn)數(shù)為2 048 點(diǎn)。因此在進(jìn)行時(shí)頻轉(zhuǎn)換時(shí)，將短時(shí)傅里葉變換窗長點(diǎn)數(shù)設(shè)置為4 096 點(diǎn)，可滿足時(shí)域卷積方程與頻域乘積方程的轉(zhuǎn)化條件。通過系統(tǒng)函數(shù)及混合語音矩陣在頻域不同頻點(diǎn)建立超定方程組后，結(jié)合矩陣的廣義逆求解原理完成超定方程組的求解。從求解獲得的源信號(hào)矩陣中選擇1號(hào)音源和7 號(hào)音源對(duì)應(yīng)的頻域矩陣作為目標(biāo)音源，進(jìn)行短時(shí)傅里葉反變換，可以實(shí)現(xiàn)對(duì)1 號(hào)音源和7號(hào)音源的語音提取。以7號(hào)聲源作為目標(biāo)聲源為例，給出源信號(hào)、距離聲源最近陣元拾取的混合信號(hào)、從混合語音中提取的目標(biāo)信號(hào)時(shí)域波形圖，如圖4所示。從圖4 可以明顯看出，經(jīng)本文系統(tǒng)從混合語音中提取的目標(biāo)語音與源信號(hào)波形基本一致，對(duì)其他干擾音源有抑制效果。

圖3 房間脈沖響應(yīng)h11 的測量結(jié)果

圖4 目標(biāo)拾取語音時(shí)域波形對(duì)比圖

3 檢驗(yàn)實(shí)驗(yàn)

3.1 實(shí)驗(yàn)過程

以漢語單音節(jié)清晰度作為評(píng)測指標(biāo)，測量目標(biāo)語音的清晰度。將1 號(hào)揚(yáng)聲器和7 號(hào)揚(yáng)聲器播放的KXY 表作為目標(biāo)語音，分別評(píng)測本文系統(tǒng)處理前后的漢語語音清晰度。處理前拾取的混合語音選擇距離揚(yáng)聲器最近的傳聲器陣元拾取混合信號(hào)。

實(shí)驗(yàn)被試共11 人，男女比例基本平衡。被試熟悉漢語拼音規(guī)則，具有標(biāo)準(zhǔn)普通話能力且聽力正常。實(shí)驗(yàn)開始前，使用測試信號(hào)對(duì)被試進(jìn)行預(yù)實(shí)驗(yàn)訓(xùn)練使其熟悉實(shí)驗(yàn)流程。實(shí)驗(yàn)正式信號(hào)播放順序?yàn)橄炔シ潘惴ㄌ幚砬靶盘?hào)，再播放算法處理后信號(hào)。在聽音室內(nèi)進(jìn)行實(shí)驗(yàn)，信號(hào)通過監(jiān)聽耳機(jī)重放，監(jiān)聽耳機(jī)經(jīng)人工校準(zhǔn)將聲壓級(jí)控制在70 dBA。

實(shí)驗(yàn)時(shí)，按照每3 個(gè)單音節(jié)字為1 個(gè)信號(hào)進(jìn)行實(shí)驗(yàn)，每組信號(hào)間隔約8 s，供被試記錄聽到的信號(hào)。為了方便實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)與計(jì)算，將聲調(diào)以數(shù)字代替，陰平以數(shù)字“1”表示，陽平以數(shù)字“2”表示，上聲以數(shù)字“3”表示，去聲以數(shù)字“4”表示。例如，聽到“紅、帶、退”，被試需要記錄“hong2、dai4、tui4”。

3.2 實(shí)驗(yàn)結(jié)果

若被試記錄的結(jié)果與實(shí)驗(yàn)信號(hào)播放完全一致則記為正確，否則為錯(cuò)誤。通過三倍標(biāo)準(zhǔn)差對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行檢驗(yàn)，剔除一名無效被試后對(duì)剩余的10位有效被試數(shù)據(jù)進(jìn)行處理，計(jì)算出算法處理前后漢語單音節(jié)字的清晰度，結(jié)果如表3 所示。

表3 算法處理前后清晰度表

數(shù)據(jù)表明，經(jīng)本文算法處理后的目標(biāo)語音清晰度有一定提升。陳思宇[12]在語音可懂度實(shí)驗(yàn)中得出結(jié)論，在噪聲干擾下，當(dāng)清晰度達(dá)到40%左右，語句可懂度可以達(dá)到90%。這表明經(jīng)本文系統(tǒng)拾取處理的目標(biāo)信號(hào)可以滿足語音可懂度的要求。

4 結(jié)語

本文利用分布式傳聲器陣列，在教室等多說話人場景中設(shè)計(jì)并實(shí)驗(yàn)了一套目標(biāo)語音拾取系統(tǒng)，可以從混合語音中提取目標(biāo)語音，抑制其他干擾語音。實(shí)驗(yàn)結(jié)果表明，處理后的語音清晰度有明顯提升，可以滿足漢語可懂度的要求。未來該系統(tǒng)可以在工程中落地應(yīng)用，實(shí)現(xiàn)多說話人干擾場景下的目標(biāo)語音拾取。