馮 謙 余 勤 雒瑞森* 黃天淏

1(四川大學(xué)電氣工程學(xué)院 四川 成都 610041)2(桂林電子科技大學(xué)自動(dòng)化學(xué)院 廣西 桂林 541004)

0 引 言

噪聲污染會(huì)使語(yǔ)音中的有用信息被湮沒(méi)，嚴(yán)重影響語(yǔ)音質(zhì)量和可懂度。語(yǔ)音增強(qiáng)技術(shù)[1]就是在盡量減少失真的前提下抑制噪聲、改善語(yǔ)音質(zhì)量的技術(shù)。目前的語(yǔ)音增強(qiáng)方法主要基于短時(shí)譜幅度估計(jì)法、語(yǔ)音參數(shù)模型法、聽(tīng)覺(jué)場(chǎng)景分析法等[2-3]。其中MMSE-LSA是基于統(tǒng)計(jì)特性的最優(yōu)短時(shí)譜幅度估計(jì)器[4]，故本文采用MMSE-LSA譜估計(jì)算法進(jìn)行進(jìn)一步研究。

MMSE-LSA算法基于語(yǔ)音活動(dòng)檢測(cè)(Voice Activity Detection,VAD)[5]，利用語(yǔ)音和噪聲統(tǒng)計(jì)特性的先驗(yàn)知識(shí)對(duì)帶噪語(yǔ)音幀進(jìn)行噪聲幀和語(yǔ)音幀的判決，只在噪聲幀來(lái)更新噪聲估計(jì)，對(duì)語(yǔ)音幀則延續(xù)過(guò)去的噪聲譜估計(jì)，再在最小均方誤差準(zhǔn)則下估計(jì)出譜增益函數(shù)，進(jìn)而重構(gòu)純凈語(yǔ)音。MMSE-LSA算法由于使用經(jīng)驗(yàn)閾值來(lái)判決噪聲幀和語(yǔ)音幀，存在較大誤差，容易出現(xiàn)噪聲過(guò)估計(jì)和欠估計(jì)，使增強(qiáng)語(yǔ)音失真和噪聲殘留問(wèn)題嚴(yán)重。文獻(xiàn)[6]引入了短時(shí)能量結(jié)合譜平坦度進(jìn)行雙門(mén)限判決的方法，對(duì)帶噪語(yǔ)音段進(jìn)行有無(wú)語(yǔ)音的劃分，再在無(wú)語(yǔ)音段更新噪聲估計(jì)，提高了噪聲估計(jì)的準(zhǔn)確性。文獻(xiàn)[7]通過(guò)給增益函數(shù)添加約束條件，一定程度上解決譜增益過(guò)估計(jì)和欠估計(jì)引起的語(yǔ)音失真和噪聲殘留問(wèn)題，進(jìn)一步提高M(jìn)MSE-LSA算法語(yǔ)音增強(qiáng)效果。文獻(xiàn)[8]中MMSE-LSA譜估計(jì)器采用基于最小值控制遞歸平均(Minima Controlled Recursive Averaging,MCRA)算法，利用連續(xù)最小值跟蹤得到初步噪聲估計(jì)，再利用過(guò)去的噪聲譜估計(jì)和當(dāng)前幀的帶噪語(yǔ)音功率譜的加權(quán)和作為當(dāng)前幀的噪聲估計(jì)，權(quán)重由先驗(yàn)信噪比或語(yǔ)音存在概率[9]決定。由于其語(yǔ)音存在概率由先驗(yàn)的語(yǔ)音存在和不存在的概率決定，仍然存在一定的噪聲估計(jì)誤差，使MMSE-LSA語(yǔ)音增強(qiáng)性能受限。文獻(xiàn)[10]引入了短時(shí)能量和譜熵來(lái)組成能熵比，利用能熵比進(jìn)行語(yǔ)音存在概率的估計(jì)，再結(jié)合譜減法進(jìn)行語(yǔ)音增強(qiáng)，該方法能有效減小噪聲估計(jì)誤差，提高語(yǔ)音信噪比，但在非平穩(wěn)環(huán)境下其仍然存在一定程度的噪聲殘留和語(yǔ)音失真問(wèn)題。

針對(duì)以上情況，本文在文獻(xiàn)[10]基礎(chǔ)上提出一種基于改進(jìn)噪聲估計(jì)的MMSE-LSA語(yǔ)音增強(qiáng)算法。具體思想是：(1) 對(duì)帶噪語(yǔ)音進(jìn)行分幀、加窗處理，再對(duì)其做短時(shí)傅里葉變換，求出帶噪語(yǔ)音的幅度譜和相角；(2) 計(jì)算出帶噪語(yǔ)音的對(duì)數(shù)能量和譜熵，構(gòu)建出新的語(yǔ)音特征參數(shù)能熵比；(3) 根據(jù)能熵比和語(yǔ)音存在概率的性質(zhì)可知，能熵比和語(yǔ)音存在概率成正比關(guān)系，由此可以建立它們之間的數(shù)學(xué)關(guān)系模型，即可得到語(yǔ)音存在概率估計(jì)值；(4) 對(duì)估計(jì)出的語(yǔ)音存在概率進(jìn)行平滑，利用平滑后的語(yǔ)音存在概率來(lái)更新噪聲功率譜估計(jì)；(5) 計(jì)算出先驗(yàn)信噪比從而得到譜增益估計(jì)，再給增益函數(shù)添加一個(gè)約束閾值；(6) 利用MMSE-LSA譜估計(jì)器對(duì)帶噪語(yǔ)音進(jìn)行語(yǔ)音增強(qiáng)。本文采用多種常見(jiàn)噪聲進(jìn)行仿真實(shí)驗(yàn)，再使用真實(shí)廣播信號(hào)進(jìn)行驗(yàn)證，結(jié)果證明在多種噪聲和復(fù)雜混噪環(huán)境下，本文算法能更準(zhǔn)確地跟蹤噪聲變化，減少噪聲殘留和語(yǔ)音失真，改善語(yǔ)音質(zhì)量。

1 MMSE-LSA譜估計(jì)器

假定y(n)是y(n)輸入的帶噪語(yǔ)音，s(n)s(n)是干凈語(yǔ)音，d(n)d(n)是噪聲信號(hào)，則帶噪語(yǔ)音模型為：

y(n)=s(n)+d(n)

(1)

由于語(yǔ)音是非平穩(wěn)信號(hào)，其在整個(gè)時(shí)域內(nèi)是變化的，而我們認(rèn)為其在短時(shí)內(nèi)可看作性質(zhì)平穩(wěn)，因此在語(yǔ)音增強(qiáng)前通常需要先對(duì)帶噪語(yǔ)音信號(hào)y(n)進(jìn)行分幀、加窗等預(yù)處理，得到信號(hào)yi(m)，i表示第i幀。再對(duì)預(yù)處理后的yi(m)做短時(shí)傅里葉變換，得到第i幀帶噪語(yǔ)音幅度譜Yi(ωk)和相位θy。由于干凈語(yǔ)音的相位不好計(jì)算，利用人耳對(duì)相位不敏感的特點(diǎn)，可以直接用原始帶噪語(yǔ)音的相位θy作為增強(qiáng)語(yǔ)音的相位估計(jì)，再通過(guò)反傅里葉變換可以得到增強(qiáng)后的語(yǔ)音信號(hào)，故我們只對(duì)純凈語(yǔ)音幅度譜進(jìn)行估計(jì)。

假設(shè)噪聲和語(yǔ)音相互獨(dú)立，則可以對(duì)式(1)兩邊同時(shí)做短時(shí)傅里葉變換，得到：

Y(ωk)ejθy=S(ωk)ejθs+D(ωk)ejθd

(2)

假設(shè)H0(ωk)和H1(ωk)分別表示語(yǔ)音不存在和語(yǔ)音存在兩種狀態(tài)，則概率密度函數(shù)分別為：

p(Y(ωk)|H0(ωk))=

假設(shè)各個(gè)頻率分量獨(dú)立，基于上述最小化目標(biāo)函數(shù)和概率密度函數(shù)，可最終得到優(yōu)化的MMSE幅度譜估計(jì)器[11]：

式中：εk是先驗(yàn)信噪比，即第k個(gè)頻譜分量的實(shí)際信噪比；γk為后驗(yàn)信噪比，即加入噪聲后第k個(gè)頻譜分量測(cè)量的信噪比。εk和γk數(shù)學(xué)表達(dá)式分別為：

Vk定義為：

由此可以對(duì)MMSE-LSA譜估計(jì)器的增益函數(shù)做如下定義：

至此，本文先采用改進(jìn)的噪聲估計(jì)方法估計(jì)出噪聲功率譜，再由帶噪語(yǔ)音功率譜和噪聲功率譜估計(jì)求出后驗(yàn)信噪比γk，使用判決引導(dǎo)法[12]估計(jì)出先驗(yàn)信噪比εk：

式中：η是平滑系數(shù)，一般取0.98。

2 譜增益約束

MMSE-LSA算法譜增益的理想取值范圍介于0到1之間。譜增益的過(guò)估計(jì)容易抵消掉弱語(yǔ)音，造成語(yǔ)音信息的丟失，譜增益的欠估計(jì)又會(huì)使噪聲殘留過(guò)量，影響語(yǔ)音信噪比。因此，本文通過(guò)給MMSE-LSA譜增益添加一個(gè)門(mén)限閾值來(lái)約束增益取值范圍，約束譜增益如下：

式中：ε0為先驗(yàn)信噪比閾值；Gfloor為常數(shù)，通過(guò)實(shí)驗(yàn)取0.01。本文算法的整體框架如圖1所示。

圖1 本文算法整體框架

3 改進(jìn)噪聲估計(jì)

在非平穩(wěn)環(huán)境下，MMSE-LSA算法存在較大的噪聲跟蹤時(shí)延，導(dǎo)致噪聲估計(jì)值過(guò)高或過(guò)低。噪聲估計(jì)值過(guò)高會(huì)造成帶噪語(yǔ)音的過(guò)抵消，語(yǔ)音失真嚴(yán)重；噪聲估計(jì)值過(guò)低會(huì)造成語(yǔ)音的噪聲殘留過(guò)多，影響人耳舒適度。因此，本文改進(jìn)噪聲估計(jì)方法，提高噪聲估計(jì)的準(zhǔn)確性。

3.1 噪聲更新過(guò)程

本文算法的噪聲估計(jì)基于時(shí)間遞歸平均的噪聲功率譜估計(jì)思想，利用上一幀噪聲功率譜估計(jì)與當(dāng)前幀帶噪語(yǔ)音功率譜的加權(quán)和來(lái)更新當(dāng)前幀的噪聲功率譜，其中噪聲譜估計(jì)的平滑因子由語(yǔ)音存在概率來(lái)決定，具體表達(dá)式如下：

3.2 語(yǔ)音存在概率估計(jì)

能熵比是對(duì)數(shù)能量和譜熵的比值[13]，常被用于語(yǔ)音端點(diǎn)檢測(cè)中，當(dāng)其大于門(mén)限閾值，則將當(dāng)前幀判為語(yǔ)音幀，反之則判為噪聲幀。本文將利用能熵比進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)延伸到估計(jì)語(yǔ)音存在概率上，由能熵比和語(yǔ)音存在概率的性質(zhì)來(lái)建立能熵比與語(yǔ)音存在概率的關(guān)系模型，從而進(jìn)行更準(zhǔn)確的噪聲更新。

3.2.1對(duì)數(shù)能量

語(yǔ)音段的短時(shí)能量通常明顯大于無(wú)語(yǔ)音段，短時(shí)能量就是基于這一先驗(yàn)知識(shí)來(lái)對(duì)當(dāng)前語(yǔ)音段進(jìn)行判決，假設(shè)經(jīng)分幀加窗后第i幀的帶噪語(yǔ)音信號(hào)為yi(m)，則該幀的短時(shí)能量為：

式中：N為幀長(zhǎng)。進(jìn)一步改進(jìn)能量計(jì)算[14]：

LE(i)=log10(1+E(i)/a)

(15)

式中：a是一個(gè)常數(shù)，能夠使E(i)有劇烈波動(dòng)時(shí)在LE(i)中得到緩和，適當(dāng)選擇a可以使純?cè)肼暥魏蛶г胝Z(yǔ)音段的區(qū)別更明顯，本文中a取2.1。

3.2.2譜 熵

譜熵是用來(lái)描述語(yǔ)音平坦度的量，對(duì)有語(yǔ)音段，能量變化大，熵值越低；在無(wú)語(yǔ)音段，能量變化小，熵值越高。設(shè)含噪語(yǔ)音信號(hào)加窗分幀后的第i幀語(yǔ)音信號(hào)為yi(m)，經(jīng)傅里葉變換后，設(shè)第k個(gè)頻率分量的功率譜為Yi2(ωk)，則每個(gè)頻率分量的歸一化概率密度函數(shù)為：

則每個(gè)分析幀的譜熵[14]為：

3.2.3能熵比與語(yǔ)音存在概率的關(guān)系

由前面的分析可知，能熵比越高，語(yǔ)音存在概率越大；能熵比越低，語(yǔ)音存在概率越小。因此二者成正比關(guān)系。令Wi(ωk)為能熵比，則其表達(dá)式[13]為：

可將能熵比與語(yǔ)音存在概率的關(guān)系估計(jì)為：

控制b取值不變，改變a的取值，得到能熵比與語(yǔ)音存在概率的關(guān)系曲線如圖2所示，可以看出a取值越大，語(yǔ)音存在概率估計(jì)值隨著能熵比增長(zhǎng)越快，在能熵比足夠大時(shí)語(yǔ)音存在概率估計(jì)值接近于1。

圖2 能熵比與語(yǔ)音存在概率的關(guān)系曲線

最后對(duì)估計(jì)出的語(yǔ)音存在概率進(jìn)行遞歸平滑，其平滑形式如下：

4 實(shí)驗(yàn)與分析

為了驗(yàn)證本文所提出的改進(jìn)MMSE-LSA算法的性能，將傳統(tǒng)MMSE-LSA算法、文獻(xiàn)[8]基于最小值控制的遞歸平均算法、文獻(xiàn)[10]基于改進(jìn)語(yǔ)音存在概率估計(jì)的自適應(yīng)噪聲跟蹤算法作為對(duì)比算法，分別使用TIMIT和NOISEX-92中的語(yǔ)料和噪聲按不同的信噪比混合來(lái)模擬多種噪聲環(huán)境，對(duì)比經(jīng)每種算法處理后語(yǔ)音的信噪比、語(yǔ)音感知質(zhì)量評(píng)估分?jǐn)?shù)，同時(shí)結(jié)合語(yǔ)音波形進(jìn)行比較，分析算法的增強(qiáng)效果。為驗(yàn)證本文算法對(duì)現(xiàn)實(shí)中復(fù)雜混噪語(yǔ)音的處理能力，采用廣播信號(hào)進(jìn)行實(shí)驗(yàn)，先對(duì)廣播語(yǔ)音做語(yǔ)音增強(qiáng)，再使用項(xiàng)目已有的離線頻譜管控系統(tǒng)來(lái)進(jìn)行語(yǔ)音識(shí)別測(cè)試，對(duì)比各種算法處理后語(yǔ)音的識(shí)別率，可用來(lái)驗(yàn)證本文算法對(duì)解決實(shí)際語(yǔ)音增強(qiáng)問(wèn)題的可行性。

4.1 仿真實(shí)驗(yàn)

從TIMIT語(yǔ)料庫(kù)中選擇5男5女共200條錄音作為初始純凈語(yǔ)料，噪聲源使用NOISEX-92數(shù)據(jù)庫(kù)中的white噪聲、babble噪聲、F16和factory噪聲。語(yǔ)音信號(hào)的采樣率為16 kHz，幀長(zhǎng)為512，幀間重疊50%，添加漢明窗。按-5 dB、0 dB、5 dB、10 dB這四種信噪比將噪聲分別和每條純凈語(yǔ)音相加，得到200條含噪語(yǔ)音。

以平均輸出信噪比SNR作為客觀評(píng)價(jià)指標(biāo)，語(yǔ)音感知質(zhì)量評(píng)估(Perceptaul Evalution of Speech Quality,PESQ)作為主觀評(píng)價(jià)指標(biāo)，SNR表達(dá)式如下：

仿真實(shí)驗(yàn)中使用white噪聲模擬平穩(wěn)環(huán)境，其他噪聲模擬非平穩(wěn)環(huán)境，實(shí)驗(yàn)結(jié)果如表1所示。可以看出，不管是在平穩(wěn)環(huán)境還是非平穩(wěn)環(huán)境下，本文算法的輸出信噪比SNR、PESQ分?jǐn)?shù)表現(xiàn)都是最優(yōu)，說(shuō)明本文算法能較好地跟蹤噪聲變化，有效抑制噪聲，改善語(yǔ)音質(zhì)量，且能適應(yīng)于多種噪聲環(huán)境。

表1 輸出信噪比SNR和PESQ分?jǐn)?shù)

任選一條純凈語(yǔ)料，圖3(a)為該條純凈語(yǔ)料的波形圖，圖3(b)為加入信噪比為5 dB的babble噪聲后的帶噪語(yǔ)音的波形圖，圖3(c)為經(jīng)過(guò)文獻(xiàn)[8]算法增強(qiáng)后的語(yǔ)音波形圖，圖3(d)為經(jīng)過(guò)文獻(xiàn)[10]算法增強(qiáng)后的語(yǔ)音波形圖，圖3(e)為經(jīng)過(guò)本文算法增強(qiáng)后的語(yǔ)音波形圖。可以看出，圖3(c)殘留噪聲多，去噪能力有限；而圖3(d)去噪能力強(qiáng)但會(huì)造成削波，導(dǎo)致語(yǔ)音音質(zhì)受損；圖3(e)顯示本文算法具有較強(qiáng)的去噪能力，且能一定程度上抑制語(yǔ)音失真。

(a) 純凈語(yǔ)音

(b) 帶噪語(yǔ)音

(d) 文獻(xiàn)[10]算法

(e) 本文算法圖3 各算法波形圖

4.2 廣播語(yǔ)音信號(hào)識(shí)別實(shí)驗(yàn)

為驗(yàn)證本文算法對(duì)真實(shí)混噪信號(hào)的增強(qiáng)性能，由于廣播信號(hào)隨機(jī)混有多種未知噪聲、背景音復(fù)雜，適合作為實(shí)驗(yàn)對(duì)象。采用無(wú)線電信號(hào)接收器定點(diǎn)采集本地區(qū)某頻段廣播語(yǔ)音，切分成每條20 s以內(nèi)的短音頻，進(jìn)行人工初篩分類(lèi)后組成廣播短語(yǔ)音數(shù)據(jù)集，采樣率為16 kHz，16位量化。從數(shù)據(jù)集中隨機(jī)抽取100條廣播樣本做語(yǔ)音增強(qiáng)處理，使用項(xiàng)目已有的離線頻譜管控系統(tǒng)對(duì)增強(qiáng)前后的廣播語(yǔ)音進(jìn)行語(yǔ)音識(shí)別測(cè)試，以平均語(yǔ)音識(shí)別率[15]作為評(píng)價(jià)指標(biāo)，圖4為采用不同算法增強(qiáng)后的波形圖對(duì)比，圖5為語(yǔ)音識(shí)別率對(duì)比。

(a) 原始廣播語(yǔ)音

(b) 文獻(xiàn)[10]算法

(c) 本文算法圖4 不同算法增強(qiáng)后的波形圖

圖5 廣播語(yǔ)音識(shí)別率

由圖4可以看出，對(duì)真實(shí)廣播語(yǔ)音信號(hào)，本文算法能有效抑制其背景噪聲，改善語(yǔ)音質(zhì)量，本文算法對(duì)處理現(xiàn)實(shí)環(huán)境中復(fù)雜混噪語(yǔ)音問(wèn)題有一定參考價(jià)值。

由圖5可以看出，原始廣播語(yǔ)音的語(yǔ)音識(shí)別率為0.4左右，經(jīng)過(guò)本文算法增強(qiáng)后語(yǔ)音識(shí)別率能達(dá)到0.78，提高了0.38，說(shuō)明在處理復(fù)雜混噪語(yǔ)音時(shí)，本文算法能在抑制噪聲的基礎(chǔ)上較好地保留話語(yǔ)完整性，減少語(yǔ)音信息丟失，有效提高語(yǔ)音的可懂度。同時(shí)，從主觀試聽(tīng)感受來(lái)說(shuō)，增強(qiáng)前的廣播信號(hào)背景嘈雜、有部分字詞被噪聲淹沒(méi)，還伴隨有隨機(jī)尖峰聲，而經(jīng)語(yǔ)音增強(qiáng)處理后廣播信號(hào)的人耳舒適度大大提高，特別是本文算法處理后音質(zhì)有了明顯改善，基本不影響對(duì)廣播語(yǔ)音內(nèi)容的理解。

5 結(jié) 語(yǔ)

本文針對(duì)MMSE-LSA算法對(duì)非平穩(wěn)語(yǔ)音的噪聲估計(jì)不夠準(zhǔn)確、導(dǎo)致語(yǔ)音增強(qiáng)性能受限的問(wèn)題，引入能熵比參數(shù)來(lái)估計(jì)語(yǔ)音存在概率，再利用平滑后的語(yǔ)音存在概率來(lái)更新噪聲估計(jì)；同時(shí)添加一個(gè)地板閾值來(lái)約束譜增益，緩解譜增益欠估計(jì)引起的語(yǔ)音失真。經(jīng)多種噪聲仿真實(shí)驗(yàn)和真實(shí)廣播信號(hào)驗(yàn)證，本文算法能較好地跟蹤噪聲變化，減小噪聲估計(jì)的誤差，有效抑制噪聲和減小語(yǔ)音失真，提高語(yǔ)音可懂度。