張國峰，丁 波

（珠海醫(yī)凱電子科技有限公司，廣東 珠海 519041）

通信系統(tǒng)中傳輸?shù)恼Z音通常都會受到外部環(huán)境噪聲和系統(tǒng)內(nèi)部噪聲的影響，這會影響通信系統(tǒng)的性能。語音增強(qiáng)是抑制噪聲干擾的重要手段，其目的是增強(qiáng)含噪語音中的有用信號，提高含噪語音的信噪比。在實(shí)際應(yīng)用中，語音增強(qiáng)系統(tǒng)的輸入通道可以分為單通道[1]、雙通道[2]和多通道[3]。一般來說，輸入通道越多，語音增強(qiáng)的效果就越好，所以基于麥克風(fēng)陣列的多通道語音增強(qiáng)技術(shù)優(yōu)于只有一個(gè)麥克風(fēng)的單通道語音增強(qiáng)。但是，麥克風(fēng)陣列算法的計(jì)算較為復(fù)雜，而且在很多場合中，只有一路輸入語音可用，此時(shí)仍然需要用到單通道語音增強(qiáng)技術(shù)。因此，對以譜減法[1]為代表的單通道語音增強(qiáng)進(jìn)行研究，仍然具有重要的意義。

語音增強(qiáng)技術(shù)不僅用于提高語音的可懂度，而且廣泛應(yīng)用于語音識別、語音合成等語音處理系統(tǒng)的前端[4-5]。直接對含噪語音進(jìn)行去噪處理，雖然可以提高含噪語音的信噪比，但是會導(dǎo)致語音失真，使待識別語音與訓(xùn)練語音的失配更加嚴(yán)重，從而影響語音識別系統(tǒng)的識別率，難以取得理想的識別效果。因此，在目前的魯棒語音識別技術(shù)中，對語音的增強(qiáng)都會結(jié)合后端識別器進(jìn)行，調(diào)整待識別語音的特征參數(shù)，使其與后端識別器匹配；或者調(diào)整后端識別器的參數(shù)，使其與待識別語音的特征參數(shù)匹配。目前，魯棒語音識別技術(shù)已經(jīng)取得了較好的效果，可以從含噪語音中實(shí)時(shí)提取背景噪聲的參數(shù)[5]。將語音識別系統(tǒng)實(shí)時(shí)提取的噪聲參數(shù)用于語音增強(qiáng)，可以提高語音增強(qiáng)系統(tǒng)中噪聲均值估計(jì)的實(shí)時(shí)性，從而提高語音增強(qiáng)系統(tǒng)對非平穩(wěn)噪聲的實(shí)時(shí)跟蹤性能。本文研究語音識別在譜減法語音增強(qiáng)技術(shù)中的應(yīng)用，包括在實(shí)時(shí)噪聲估計(jì)中的應(yīng)用和在譜減系數(shù)估計(jì)中的應(yīng)用。

在傳統(tǒng)的譜減法語音增強(qiáng)中，噪聲的均值只在語音間隙期（非語音段）估計(jì)。但是，實(shí)際生活中的噪聲往往是非平穩(wěn)的，在語音存續(xù)期間（語音段）也可能發(fā)生變化。如果不及時(shí)更新噪聲的均值，就會給語音增強(qiáng)帶來較大的誤差。基于最優(yōu)平滑和最小統(tǒng)計(jì)的噪聲估計(jì)[6-7]是一種常見的連續(xù)噪聲估計(jì)方法，其基本思想是用一段時(shí)間內(nèi)含噪語音功率譜最小值的變化代表含噪語音功率譜的變化，對這段時(shí)間內(nèi)含噪語音功率譜的最小值進(jìn)行補(bǔ)償，得到含噪語音功率譜的均值。該方法的主要缺點(diǎn)是延遲較大，實(shí)時(shí)跟蹤性能較差，在延遲期間，語音增強(qiáng)的效果較差。在基于矢量泰勒級數(shù)的特征補(bǔ)償或模型補(bǔ)償[5]中，加性背景噪聲和乘性卷積噪聲的參數(shù)可以用期望最大（Expectation-Maximization，EM）算法[8]從含噪語音中實(shí)時(shí)提取。用語音識別系統(tǒng)提取的噪聲參數(shù)屬于倒譜特征向量，無法將其恢復(fù)為線性頻譜，不能直接用于語音增強(qiáng)。但是，可以用逆離散余弦變換將其變換到對數(shù)譜域，用每個(gè)通道對數(shù)譜能量的變化表示該通道噪聲電平的變化，從而求出該通道每個(gè)數(shù)字頻率處噪聲頻譜的均值。將估得噪聲頻譜的均值用于譜減法語音增強(qiáng)，可以提高噪聲估計(jì)的實(shí)時(shí)性，增強(qiáng)噪聲估計(jì)對非平穩(wěn)噪聲的跟蹤能力，從而取得更好的增強(qiáng)效果。

譜減法語音增強(qiáng)的另一項(xiàng)關(guān)鍵技術(shù)是譜減系數(shù)估計(jì)。語音和噪聲都是典型的隨機(jī)信號，其時(shí)域信號和頻譜都是不可再現(xiàn)的。噪聲的隨機(jī)性很大，其頻譜的最大值可以達(dá)到平均值的6～7倍。在語音段，研究者無法得到每一幀含噪語音中噪聲的準(zhǔn)確頻譜，因而只能在含噪語音頻譜中減去噪聲頻譜的平均值。如果噪聲頻譜的實(shí)際值比平均值大得多，就會導(dǎo)致增強(qiáng)后的語音存在較多的殘留噪聲，嚴(yán)重影響語音增強(qiáng)的效果。如果噪聲頻譜的實(shí)際值比平均值小得多，就會損傷語音，導(dǎo)致增強(qiáng)后的語音存在較大的失真，嚴(yán)重影響增強(qiáng)后語音的可懂度。因此，在譜減法語音增強(qiáng)中，譜減系數(shù)不能設(shè)置為常數(shù)1，而是根據(jù)含噪語音的局部信噪比動態(tài)調(diào)整譜減系數(shù)。如果在某個(gè)頻段上，語音的能量較大，即信噪比較高，可以設(shè)置較小的譜減系數(shù)。這是因?yàn)檩^小的譜減系數(shù)可以避免語音的損傷，而且語音的能量遠(yuǎn)遠(yuǎn)大于噪聲的能量，即使殘留較多的噪聲，對語音可懂度的影響也較小。如果在某個(gè)頻段上，語音的能量較小，即信噪比較低，可以設(shè)置較大的譜減系數(shù)。因?yàn)樵擃l段語音的能量占語音總能量的比例較小，即使有所損失，對語音可懂度的影響也不大；而且，在該頻段信號的頻譜中，大部分是噪聲，設(shè)置較大的譜減系數(shù)，可以最大可能地去除噪聲，提高增強(qiáng)后語音的信噪比。

譜減系數(shù)的設(shè)置除了與信噪比有關(guān)外，還與語音在每個(gè)頻段上存在的概率有關(guān)。語音可以劃分為若干個(gè)音節(jié)，而每個(gè)音節(jié)語音的頻譜在每個(gè)頻段上的分布是不一樣的。有的音節(jié)主要分布在低頻段，有的音節(jié)在低頻段和中頻段都有較高的能量。這可以為譜減系數(shù)的設(shè)置提供一定的先驗(yàn)知識。如果語音在某個(gè)頻段上出現(xiàn)的概率較小，那么可以設(shè)置較大的譜減系數(shù)，盡可能地抑制噪聲；如果語音在某個(gè)頻段上出現(xiàn)的概率較大，那么可以設(shè)置較小的譜減系數(shù)，盡可能地保留語音。在譜減系數(shù)的估計(jì)中，引入語音存在的概率，可以減小信噪比估計(jì)的誤差對譜減系數(shù)設(shè)置的影響，提高譜減系數(shù)設(shè)置的精度。語音在每個(gè)頻帶上的存在概率可以用訓(xùn)練語音來計(jì)算，只需要統(tǒng)計(jì)每個(gè)音節(jié)語音的頻譜在每個(gè)頻帶上的分布，即可得到該音節(jié)語音在每個(gè)頻帶上的存在概率。在語音增強(qiáng)時(shí)，先用語音識別系統(tǒng)識別出當(dāng)前語音屬于哪個(gè)音節(jié)，即可得到當(dāng)前語音在每個(gè)頻帶上存在的概率；然后將語音存在概率用于對譜減系數(shù)的加權(quán)，得到更加準(zhǔn)確的譜減系數(shù)；最后，利用得到的譜減系數(shù)對含噪語音的幅度譜進(jìn)行譜減運(yùn)算，得到純凈語音幅度譜的估計(jì)值，并用逆傅里葉變換將其變換到時(shí)域，用重疊相加法連接各幀，得到完整的增強(qiáng)語音。

1 噪聲均值的實(shí)時(shí)估計(jì)

1.1 基于高斯混合模型的噪聲估計(jì)

為了使語音的每個(gè)數(shù)字頻率k隸屬于一個(gè)唯一的美爾（Mel）子帶，首先在美爾頻域?qū)⒄Z音的有效頻率范圍劃分為D個(gè)互不重疊的Mel子帶，然后對每一幀信號進(jìn)行聲學(xué)預(yù)處理，快速傅里葉變換，Mel濾波，取對數(shù)和離散余弦變換，得到每一幀信號的美爾頻率倒譜系數(shù)(Mel-Frequency Cepstral Coefficients，MFCC)，并以MFCC為語音識別系統(tǒng)的倒譜特征向量。

在訓(xùn)練階段，用一個(gè)含有M個(gè)高斯單元的高斯混合模型（Gaussian Mixture Model，GMM）描述純凈語音MFCC的概率分布

式中：xt表示第t幀純凈語音的MFCC；b（xt）表示xt的概率密度函數(shù)；cm，μx，m和Σx，m分別表示第m個(gè)高斯單元的高斯混合系數(shù)、均值向量和協(xié)方差矩陣；D表示特征向量（MFCC）的維數(shù)，即Mel通道的數(shù)量；上標(biāo)T表示矩陣或向量的轉(zhuǎn)置。

在測試階段，將含噪語音的特征向量（MFCC）代入GMM，通過EM算法反復(fù)迭代，即可得到噪聲均值μn的最大似然估計(jì)[5]，即

式中：γm（t）=P（kt=m|yt，λ）表示給定先驗(yàn)參數(shù)λ時(shí)，第t幀含噪語音特征向量（MFCC）yt屬于第m個(gè)高斯單元的后驗(yàn)概率；Um和φm的表達(dá)式分別為

式中：C表示離散余弦變換矩陣；C-1表示矩陣C的逆矩陣；μn0表示噪聲的初始均值，是上一次迭代的結(jié)果；diag（）表示以括號中的向量為對角元素生成的對角矩陣。

1.2 用于語音增強(qiáng)的噪聲估計(jì)

因?yàn)镸FCC的提取屬于不可逆變換，無法將其還原為線性頻譜，所以用GMM提取的倒譜噪聲均值μn無法直接用于譜減法語音增強(qiáng)。為了得到噪聲的線性頻譜的實(shí)時(shí)估計(jì)，首先將噪聲的倒譜均值向量變換倒對數(shù)譜域

式中：un表示噪聲的對數(shù)譜均值向量，維數(shù)為D，每個(gè)元素對應(yīng)一個(gè)Mel通道。設(shè)在當(dāng)前語音段的前一個(gè)非語音段得到的噪聲的對數(shù)譜均值向量和線性譜均值向量分別為un和N，且數(shù)字頻率k屬于第i個(gè)Mel通道，則語音段噪聲的線性譜均值向量N的第k個(gè)元素N（k）通過下式估計(jì)

式中：un（i）和un（i）分別表示向量un和的第i個(gè)元素表示向量N的第k個(gè)元素。得到N后，即可將其用于譜減法語音增強(qiáng)。

2 基于語音存在概率的語音增強(qiáng)

2.1 語音存在概率的計(jì)算

在語音識別系統(tǒng)中，以音節(jié)為基本語音單元，用每個(gè)音節(jié)的所有訓(xùn)練語音生成一個(gè)隱馬爾可夫模型，作為語音識別系統(tǒng)的聲學(xué)模型。第n個(gè)音節(jié)的語音在第i個(gè)Mel通道上存在的概率Pn（i）通過下式計(jì)算

式中：Mn，i表示第n個(gè)音節(jié)的語音在第i個(gè)Mel通道上存在語音的幀數(shù)；Mn表示第n個(gè)音節(jié)語音的總幀數(shù)。

2.2 含噪語音的幅度增強(qiáng)

在幅度增強(qiáng)中，先用語音識別系統(tǒng)對當(dāng)前語音進(jìn)行識別。設(shè)當(dāng)前語音被識別為第n個(gè)音節(jié)的語音，則對第i個(gè)Mel通道上的每個(gè)數(shù)字頻率k，用加權(quán)譜減法對含噪語音進(jìn)行幅度增強(qiáng)

式中：E（i）表示第i個(gè)Mel通道的對數(shù)能量；Emin和Emax分別表示E（i）的最小值和最大值。在譜減系數(shù)β（i）的計(jì)算中，β（i）的最小值設(shè)置為1，最大值設(shè)置為6。由式（9）可知，第i個(gè)Mel通道上的譜減系數(shù)β（i）與該通道上語音存在的概率Pn（i）成反比，較大的語音存在概率對應(yīng)較小的譜減系數(shù)，較小的語音存在概率對應(yīng)較大的譜減系數(shù)。這是因?yàn)?，較大的語音存在概率意味著當(dāng)前Mel通道語音的能量較大，設(shè)置較小的譜減系數(shù)一方面可以避免損傷語音；另一方面能量較高的語音對噪聲的抑制能力較強(qiáng)，即使保留較多的噪聲，人耳也不易察覺。較小的語音存在概率意味著當(dāng)前Mel通道的頻譜中大部分是噪聲，設(shè)置較大的譜減系數(shù)，可以盡可能地消除噪聲，提高增強(qiáng)后語音的信噪比；此外，即使當(dāng)前Mel通道存在少量語音，將其當(dāng)作噪聲去除，對語音可懂度的影響也較小，因?yàn)槠湓谡Z音總能量中的比例較小。

得到純凈語音幅度譜的估計(jì)值|X^（k）|后，首先將其與含噪語音的相位譜相乘，得到純凈語音的頻譜；然后對每幀語音的頻譜進(jìn)行逆傅里葉變換，得到該幀語音的時(shí)域信號；最后，對所有幀語音的時(shí)域信號用重疊相加法連接，得到增強(qiáng)后的數(shù)字語音。

3 結(jié)束語

譜減法是一種重要的單通道語音增強(qiáng)技術(shù)，通過對含噪語音的幅度譜減去噪聲幅度譜的均值，達(dá)到增強(qiáng)語音的目的。譜減法的關(guān)鍵技術(shù)包括噪聲的實(shí)時(shí)估計(jì)和譜減系數(shù)的計(jì)算。將語音識別用于譜減法語音增強(qiáng)，一方面可以通過GMM實(shí)時(shí)估計(jì)噪聲的均值，另一方面可以利用語音在每個(gè)Mel通道上存在的概率計(jì)算譜減法的過減系數(shù)，提高語音增強(qiáng)的信噪比和可懂度。