一種改進(jìn)的雙麥克智能語音前端算法

方賽鴻

(福州瑞芯微電子股份有限公司，福建 福州 350003)

0 引言

隨著人工智能的興起與發(fā)展，語音處理的作用也越來越重要。當(dāng)前比較熱門的語音交互平臺有蘋果的Siri、亞馬遜的Alexa以及科大訊飛的訊飛云，這些軟件可以將說話人的聲音信號轉(zhuǎn)化為文字信息，進(jìn)而控制硬件系統(tǒng)。語音識別率決定語音交互系統(tǒng)的性能，語音信號進(jìn)入語音識別系統(tǒng)之前需要進(jìn)行預(yù)處理。

由于環(huán)境噪聲和墻壁等障礙物的存在，麥克風(fēng)采集的語音信號通常包含噪聲和混響，它們會降低語音的清晰度和可懂度，導(dǎo)致語音識別系統(tǒng)識別率下降。因此，語音信號進(jìn)入語音識別系統(tǒng)之前，需要進(jìn)行噪聲和混響消除。目前，多通道語音增強(qiáng)算法主要分為三類：波束形成[1]、逆濾波[2]以及盲源分離[3]。 HABETS EAP等人提出了一種雙麥克風(fēng)噪聲和混響消除算法[4]，該算法輸出存在一定的失真，本文對其進(jìn)行改進(jìn)，并利用仿真數(shù)據(jù)驗(yàn)證改進(jìn)算法的有效性。

1 混響理論

房間混響信號是由聲源信號s(n)和房間聲學(xué)沖激響應(yīng)函數(shù)h(n)卷積產(chǎn)生的。h(n)可分為三個部分：直達(dá)路徑、前期反射和后期反射，如圖1所示。

圖1 房間沖激響應(yīng)示意

混響時間為400 ms的某一房間的房間沖激響應(yīng)如圖2所示。

對于第i路麥克風(fēng)在某離散時間n時的混響信號可以表示為：

(1)

因此，第i路麥克風(fēng)接收到的信號可以表示為：

Xi(n)=Zi(n)+Vi(n)

(2)

圖2 混響時間為400 ms的房間沖激響應(yīng)

其中Vi(n)表示背景噪聲。

對輸入的陣列語音信號加窗分幀(每幀長度在30 ms以內(nèi))后，通過短時傅里葉變換[5]由時域變換到頻域，式(2)的頻域表示如下：

Xi(m,k) =Zi(m,k)+Vi(m,k)

=Di(m,k)+Ri(m,k)+Vi(m,k)

(3)

其中m表示幀索引，k表示頻率索引；Di和Ri分別表示第i路麥克風(fēng)輸入信號中的直達(dá)聲(包括直達(dá)聲和早期反射，為了簡化統(tǒng)稱直達(dá)聲)和后期混響聲?；祉懴惴ǖ哪康氖潜M可能地去除Ri(m,k)。

2 Habets雙麥克風(fēng)算法及其問題分析

2.1 Habets雙麥克風(fēng)算法

Habets雙麥克風(fēng)原理圖如圖3所示。整個結(jié)構(gòu)包含四個部分：固定波束形成器、噪聲功率譜估計、后期混響功率譜估計和單通道后置濾波器。固定波束形成器的系數(shù)固定為[0.5,0.5]，輸出為Q(m,k)；噪聲功率譜估計是利用優(yōu)化最小控制遞歸平均[6]算法估計Q(m,k)中噪聲功率譜λv(m,k)；后期混響功率譜估計是利用Polack模型[5]估計輸入信號中的后期混響功率譜密度λr；單通道后置濾波器采用的是OM-LSA算法[7]，根據(jù)前面估計的噪聲和后期混響來計算增益函數(shù)GOM-LSA，最終的輸出為：

Y(m,k)=GOM-LSA(m,k)Q(m,k)

(4)

圖3 Habets雙麥克風(fēng)算法原理圖

2.2 Habets算法存在的問題及其分析

后置OM-LSA算法的譜增益函數(shù)如下：

GOM-LSA(m,k)=GLSA(m,k)p(m,k)Gmin(m,k)1-p(m,k)

(5)

其中p(m,k)表示語音存在概率，Gmin表示增益下限，p(m,k)計算表達(dá)式如式(6)所示：

p(m,k)=

(6)

q(m,k)=

(7)

公式(6)中ξ(m,k)表示先驗(yàn)信噪比，v(m,k)的值和ξ(m,k)有關(guān)；分析式(7)發(fā)現(xiàn)，q(m,k)的取值與閾值γ1和ζ0有關(guān)[6]。實(shí)際這兩個閾值是固定的常數(shù)，在某些幀q(m,k)可能會出現(xiàn)較大偏差，會導(dǎo)致增益函數(shù)異常，使得輸出失真。Habets雙麥克風(fēng)算法輸出與純凈語音波形對比如圖4所示。觀察圖中橢圓圈標(biāo)記部分發(fā)現(xiàn)，算法的輸出在某些時刻存在失真，這種失真最終導(dǎo)致識別系統(tǒng)識別率的降低。

圖4 Habets雙麥克風(fēng)算法輸出與純凈語音波形對比

3 本文提出的基于維納濾波的改進(jìn)算法

針對Habets算法存在的問題，本文的改進(jìn)思路是將Habets算法的后置濾波器用維納濾波進(jìn)行替換。改進(jìn)算法的原理圖如圖5所示。

圖5 改進(jìn)算法框圖

對應(yīng)該系統(tǒng)的維納濾波器的表達(dá)式如下：

(8)

式中：

ξ(m,k)=βH(m-1,k)+ξ(m-1,k)+

(1-β)max{γ(m,k)-1,0}

(9)

(10)

式(9)中的β表示權(quán)重因子，γ(m,k)表示后驗(yàn)信噪比。

(11)

其中，Hmin,R和Hmin,N0是常數(shù)，用來控制噪聲和混響消除的最大化。

改進(jìn)算法最終的輸出為：

Y(m,k)=H(m,k)Q(m,k)

(12)

4 實(shí)驗(yàn)結(jié)果

4.1 仿真實(shí)驗(yàn)

本次仿真實(shí)驗(yàn)采用間距為10 cm的線性麥克風(fēng)陣列。純凈聲源取自TIMIT標(biāo)準(zhǔn)語音庫，噪聲源取自Noise92語音庫。利用MATLAB工具箱[8]生成陣列語音信號。仿真時，房間大小設(shè)置成4.6 m×4.6 m×3.2 m，聲源到麥克風(fēng)陣列的距離設(shè)置成3種情況：1.5 m、2 m和2.5 m，采樣頻率為16 kHz，墻壁的吸聲系數(shù)設(shè)置為[0.8,0.8,0.8,0.8,0.7,0.4]，聲源混響時間設(shè)置為400 ms。

仿真房間沖激響應(yīng)曲線圖如圖6所示，純凈源語音的波形圖以及語譜圖如圖7所示。

圖6 仿真實(shí)驗(yàn)環(huán)境房間沖激響應(yīng)

圖7 純凈語音的波形圖和語譜圖

輸入信噪比為10 dB的陣列信號的波形和語譜圖如圖8所示。

圖8 輸入信號波形和語譜

Habets算法和改進(jìn)算法處理后的結(jié)果分別如圖9和圖10所示。

圖9 Habets算法輸出

圖10 改進(jìn)算法輸出

觀察圖9和圖10可以發(fā)現(xiàn)，Habets雙麥克風(fēng)算法噪聲消除性能很好，但是輸出存在失真；改進(jìn)算法噪聲消除性能變?nèi)?，但是輸出失真減小。

4.2 實(shí)際實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)算法輸出識別率是否有所提高，采用科大訊飛四麥克風(fēng)陣列模塊采集語音信號，將采集到的信號通過Habets算法和改進(jìn)算法處理后，將算法的輸出送到語義識別端，比較識別結(jié)果。語義識別算法采用的是訊飛開放平臺的語音聽寫模塊[9]。

10個不同的人分別站在距離麥克風(fēng)1.5 m、2 m、2.5 m的地方說“今天天氣很好，福州天氣，劉德華的電影”，總共16個漢字。假設(shè)某一組采集數(shù)據(jù)經(jīng)過算法處理后通過語義識別算法能識別出的正確字?jǐn)?shù)為N，那么識別率計算如下：

(13)

然后對10組識別率求平均得到最終的識別率結(jié)果。

對未處理、Habets算法輸出以及改進(jìn)算法的輸出通過語義識別端進(jìn)行識別率結(jié)果對比，如表1所示。

表1 不同算法處理結(jié)果識別率的比較 (%)

由表1可知，隨著聲源到麥克風(fēng)距離的增加，三種情況下的識別率都越來越低；未處理的語音信號識別率急劇下降，改進(jìn)算法識別率情況最好。由此可以說明，改進(jìn)算法是有效的。

5 結(jié)論

本文對Habets雙麥克風(fēng)噪聲和混響消除算法進(jìn)行研究，針對其存在的問題，提出了一種改進(jìn)算法。經(jīng)過仿真數(shù)據(jù)和實(shí)錄數(shù)據(jù)的測試發(fā)現(xiàn)，改進(jìn)算法與Habets

算法相比，噪聲消除性能有所下降，但是改進(jìn)算法輸出失真更小，最終的識別率也有一定的提升。隨著聲源到麥克風(fēng)距離的增加，改進(jìn)算法輸出的識別率也越來越低，有待后續(xù)進(jìn)一步優(yōu)化。

[1] MCCOWAN I A, MOORE D C, SRIDHARAN S. Near-field adaptive beamformer for robust speech recognition[J]. Digital Signal Processing, 2002, 12(1): 87-106.

[2] Xu Guanghan, Liu Hui, Tong Lang, et al. A least-squares approach to blind channelidentification[J]. IEEE Transactions on Signal Processing, 1996, 43(12): 2982-2993.

[3] ABRARD F, DEVILLE Y. A time frequency blind signal separation method applicable to underdetermined mixtures of dependent sources[J]. Signal Processing, 2005, 85(7): 1389-1403.

[4] HABETS E A P, GANNOT S, COHEN I. Dual-microphone speech dereverberation in a noisy environment[C]//IEEE International Symposium on Signal Processing and Information Technology. IEEE, 2006:651-655.

[5] WOLFE P J,GODSILL S J. Efficient alternatives to the Ephraim and Malah suppression rule for audio signal enhancement[J]. EURASIP Journal on Advances in Signal Processing, 2003, 2003(10):1043-1051.

[6] COHEN I. Noise spectrum estimation in adverseenvironments:improved minima controlled recursive averaging[J]. IEEE Transactions on Speech & Audio Processing,2003,11(5):466-475.

[7] COHEN I,BERDUGO B. Speech enhancement for non-stationary noise environments[J]. Signal Processing,2001,81(11):2403-2418.

[8] LEHMANN E A. Image-source method:Matlab code implementation[EB/OL].(2006-08-01)[2017-03-12]http://www.eric-lehmann.com/

[9] 訊飛開放平臺[EB/OL].(2012-03-22)[2017-02-24]http://www.xfyun.cn/sdk/dispatcher.