基于Flatten-CNN的語(yǔ)音帶寬擴(kuò)展研究

楊俊美 雷楊 陳習(xí)坤

(華南理工大學(xué) 電子與信息學(xué)院，廣東 廣州 510640)

語(yǔ)音帶寬擴(kuò)展旨在利用高帶寬語(yǔ)音信號(hào)低頻分量和高頻分量之間的數(shù)學(xué)關(guān)系來(lái)還原低帶寬語(yǔ)音中丟失的高頻分量。語(yǔ)音帶寬擴(kuò)展對(duì)于在低帶寬信道上進(jìn)行語(yǔ)音通信的設(shè)備非常有用，將語(yǔ)音帶寬擴(kuò)展模塊集成到接收端設(shè)備中可以提高實(shí)時(shí)傳輸?shù)牡蛶捳Z(yǔ)音的帶寬，例如應(yīng)用在公共交換電話(huà)網(wǎng)(PSTN)、人工耳蝸[1]等。除了應(yīng)用于實(shí)時(shí)語(yǔ)音通信，其還可以應(yīng)用于其他語(yǔ)音信號(hào)處理領(lǐng)域，例如文本合成語(yǔ)音(TTS)[2]、語(yǔ)音識(shí)別[3- 4]和語(yǔ)音增強(qiáng)[5]。

傳統(tǒng)算法通常采用源濾波器模型[6]，其主要理論依據(jù)是線(xiàn)性預(yù)測(cè)分析。源濾波器算法由兩部分構(gòu)成：第1部分是頻譜包絡(luò)的擴(kuò)展，常見(jiàn)方法有碼書(shū)映射[7]、線(xiàn)性映射[8]和統(tǒng)計(jì)模型映射等，其中碼書(shū)映射基于矢量量化，統(tǒng)計(jì)模型映射有高斯混合模型[9- 10]和隱馬爾可夫模型[11- 12]；第2部分是激勵(lì)信號(hào)的產(chǎn)生，目前有直接信號(hào)合成、非線(xiàn)性失真和窄帶頻譜移動(dòng)與合成。

近年來(lái)流行的基于深度學(xué)習(xí)的算法已被證明優(yōu)于傳統(tǒng)算法。Kuleshov等[13]提出時(shí)域算法Audio-Unet，結(jié)構(gòu)類(lèi)似于自編碼器，本質(zhì)是卷積神經(jīng)網(wǎng)絡(luò)，不需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，輸入低帶寬語(yǔ)音波形預(yù)測(cè)出高帶寬語(yǔ)音波形，效果較好；Ling等[14]提出時(shí)域算法SampleRNN，他們首次在語(yǔ)音帶寬擴(kuò)展任務(wù)中使用循環(huán)神經(jīng)網(wǎng)絡(luò)及其各種變型版，網(wǎng)絡(luò)新穎；Wang等[15]提出T-CNN，其結(jié)構(gòu)類(lèi)似于文獻(xiàn)[13]提出的AudioUnet，在損失函數(shù)中引入了頻域損失，實(shí)質(zhì)上也是時(shí)域算法，依然存在時(shí)域算法不能充分利用語(yǔ)音信號(hào)特征、訓(xùn)練數(shù)據(jù)量大的問(wèn)題。Li等[16]提出頻域算法DNN-BWE，其網(wǎng)絡(luò)被預(yù)先訓(xùn)練為受限玻爾茲曼機(jī)，并根據(jù)低帶寬對(duì)數(shù)功率譜預(yù)測(cè)高帶寬對(duì)數(shù)功率譜。對(duì)于高頻范圍相位譜的缺失問(wèn)題，他們提出了對(duì)低帶寬相位譜重復(fù)、翻轉(zhuǎn)、取相反數(shù)的方法。Eskimez等[17]提出基于生成對(duì)抗網(wǎng)絡(luò)的頻域算法F-GAN，用低帶寬對(duì)數(shù)功率譜預(yù)測(cè)高頻范圍對(duì)數(shù)功率譜，再將預(yù)測(cè)的高頻范圍對(duì)數(shù)功率譜和原始的低帶寬對(duì)數(shù)功率譜連接起來(lái)組成高帶寬對(duì)數(shù)功率譜。其高頻范圍相位譜缺失的處理方法和文獻(xiàn)[16]是一樣的。F-GAN已經(jīng)取得了不錯(cuò)的效果，但在對(duì)數(shù)功率譜特征提取時(shí)未能重視幀與幀之間的數(shù)學(xué)關(guān)系，頻率軸數(shù)為奇數(shù)，網(wǎng)絡(luò)深度淺，且忽略了語(yǔ)音時(shí)域信息。Lim等[18]提出時(shí)頻兩域算法TFNet，它定義了一個(gè)完全可微、端到端的時(shí)頻網(wǎng)絡(luò)，包含頻譜融合層、頻譜復(fù)制器、損失函數(shù)，分別在時(shí)域和頻域訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后結(jié)合兩個(gè)網(wǎng)絡(luò)的信息生成高帶寬語(yǔ)音。相對(duì)時(shí)域或者頻域算法，其本質(zhì)上是訓(xùn)練兩個(gè)網(wǎng)絡(luò)，所以模型相對(duì)復(fù)雜。

上述算法極大地促進(jìn)了語(yǔ)音帶寬擴(kuò)展技術(shù)的發(fā)展，但仍然存在以下問(wèn)題：時(shí)域算法語(yǔ)音特征提取不夠精確，訓(xùn)練數(shù)據(jù)量大；頻域算法對(duì)數(shù)功率譜特征提取忽略幀與幀之間的數(shù)學(xué)關(guān)系，頻率軸數(shù)為奇數(shù)，不利于網(wǎng)絡(luò)深度加深，且未利用語(yǔ)音時(shí)域信息；兩域算法模型訓(xùn)練兩個(gè)網(wǎng)絡(luò)相對(duì)復(fù)雜。鑒于此，文中提出了一種基于頻域運(yùn)行的語(yǔ)音帶寬擴(kuò)展算法，以便于充分利用語(yǔ)音信號(hào)特征和減小數(shù)據(jù)量；此外，提出了一種改進(jìn)的編碼器，通過(guò)引入平鋪層，使一維卷積核能夠提取對(duì)數(shù)功率譜時(shí)頻兩軸信息，以有效提升網(wǎng)絡(luò)結(jié)構(gòu)特征提取能力；接著，在數(shù)據(jù)處理時(shí)去掉頻率軸最后一個(gè)點(diǎn)，還原時(shí)再補(bǔ)零，使頻率軸數(shù)為偶數(shù)而利于加深網(wǎng)絡(luò)深度；最后在損失函數(shù)中引入時(shí)域損失，以便于充分利用語(yǔ)音兩域信息。

1 算法描述

1.1 算法框架

1.2 基于Flatten-CNN的語(yǔ)音帶寬擴(kuò)展網(wǎng)絡(luò)

當(dāng)前流行的頻域算法結(jié)構(gòu)[17]中，利用一維卷積核提取對(duì)數(shù)功率譜頻率軸特征，取得了不錯(cuò)的效果。但它們的卷積核只作用于對(duì)數(shù)功率譜頻率軸，而忽略了對(duì)數(shù)功率譜時(shí)間軸。對(duì)此，文中提出了基于Flatten-CNN的語(yǔ)音帶寬擴(kuò)展網(wǎng)絡(luò)，其結(jié)構(gòu)見(jiàn)圖1。

(a)網(wǎng)絡(luò)結(jié)構(gòu)中的圖層

首先，文中網(wǎng)絡(luò)是一個(gè)序列到序列的模型，輸入是128×64(128和64分別對(duì)應(yīng)頻率軸和時(shí)間軸)低帶寬對(duì)數(shù)功率譜，輸出是預(yù)測(cè)的高頻范圍對(duì)數(shù)功率譜。編碼器中，引入了平鋪層，它由拉伸和變形組合而成，通過(guò)將對(duì)數(shù)功率譜時(shí)頻兩軸數(shù)據(jù)(128×64)轉(zhuǎn)化為一軸(8 192×1)，使卷積核能夠同時(shí)對(duì)對(duì)數(shù)功率譜時(shí)間軸和頻率軸進(jìn)行特征提取，充分利用對(duì)數(shù)功率譜幀與幀之間、低頻和高頻之間的數(shù)學(xué)關(guān)系。此外，平鋪層能夠使網(wǎng)絡(luò)搭得很深，它使輸出數(shù)據(jù)維度為1，卷積核數(shù)量能夠從8、16、16、32、32、64、64、128、128、256、256、512逐漸增大。如果沒(méi)有平鋪層，直接進(jìn)行一維卷積，數(shù)據(jù)維度是64，卷積核數(shù)量一般比這個(gè)數(shù)大，導(dǎo)致網(wǎng)絡(luò)不能建得太深，否則網(wǎng)絡(luò)參數(shù)過(guò)于龐大。在解碼器中，文中引入了Shi等[19]提出的亞像素層。據(jù)研究[20]，在圖像超分辨率應(yīng)用中，亞像素層是一種比插值或反卷積更優(yōu)的上采樣方法，它將低帶寬圖像特征圖通過(guò)卷積和多通道間的重組得到高帶寬圖像特征圖，減輕了圖像重建時(shí)的偽影。亞像素層引入到文中語(yǔ)音帶寬擴(kuò)展網(wǎng)絡(luò)后，編碼器通過(guò)卷積核降采樣得到低帶寬對(duì)數(shù)功率譜特征圖，解碼器將低帶寬對(duì)數(shù)功率譜特征圖器通過(guò)卷積和多通道間的重組得到高頻范圍對(duì)數(shù)功率譜特征圖。為防止網(wǎng)絡(luò)層數(shù)過(guò)深而導(dǎo)致信息丟失，在編碼器和解碼器之間使用了跳躍連接，在實(shí)驗(yàn)中，發(fā)現(xiàn)這樣做還可以加速網(wǎng)絡(luò)的收斂。一維卷積層中，均使用參數(shù)化修正線(xiàn)性單元激活函數(shù)，詳細(xì)參數(shù)設(shè)置見(jiàn)表1。

表1 文中所提的網(wǎng)絡(luò)結(jié)構(gòu)的詳細(xì)參數(shù)1)Table 1 Detailed parameters of the network structure mentioned in the article

1.3 基于時(shí)域-頻域聯(lián)合優(yōu)化的損失函數(shù)

目前流行的頻域算法[17]中，損失函數(shù)只和頻域有關(guān)，這會(huì)使訓(xùn)練出來(lái)的模型只具有在頻域中的優(yōu)良表現(xiàn)。文中受文獻(xiàn)[15]的時(shí)頻損失啟發(fā)，在損失函數(shù)中引入了時(shí)域損失，使訓(xùn)練出來(lái)的模型同時(shí)具有在頻域和時(shí)域中的優(yōu)良表現(xiàn)。

頻域損失函數(shù)LF是對(duì)預(yù)測(cè)的高頻范圍對(duì)數(shù)功率譜和真實(shí)的高頻范圍對(duì)數(shù)功率譜求均方誤差(MSE)：

(1)

時(shí)域損失函數(shù)的計(jì)算過(guò)程如下：首先把低帶寬對(duì)數(shù)功率譜輸入到文中提出的Flatten-CNN，預(yù)測(cè)出高頻范圍對(duì)數(shù)功率譜；再將預(yù)測(cè)出的高頻范圍對(duì)數(shù)功率譜和原始的低帶寬對(duì)數(shù)功率譜連接起來(lái)得到合成的高帶寬對(duì)數(shù)功率譜；接著利用短時(shí)傅里葉逆變換(ISTFT)將合成的高帶寬對(duì)數(shù)功率譜和真實(shí)相位譜從頻域反變換到時(shí)域，得到預(yù)測(cè)的高帶寬語(yǔ)音波形。同理，將真實(shí)的高頻范圍對(duì)數(shù)功率譜和原始的低帶寬對(duì)數(shù)功率譜連接起來(lái)得到真實(shí)的高帶寬對(duì)數(shù)功率譜；然后利用短時(shí)傅里葉逆變換將真實(shí)的高帶寬對(duì)數(shù)功率譜和真實(shí)相位譜從頻域反變換到時(shí)域，得到真實(shí)的高帶寬語(yǔ)音波形；最后對(duì)預(yù)測(cè)的高帶寬語(yǔ)音波形和真實(shí)的高帶寬語(yǔ)音波形求均方誤差(MSE)，得到時(shí)域損失函數(shù)LT。

(2)

(3)

(4)

將時(shí)域損失函數(shù)和頻域損失函數(shù)按一定比例相加得到最終的時(shí)頻損失函數(shù)LTF。其中，α取值為0.75。

LTF=αLT+(1-α)LF

(5)

2 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證文中算法的有效性，用TIMIT數(shù)據(jù)集[21]和VCTK數(shù)據(jù)集[22]進(jìn)行模型的訓(xùn)練和測(cè)試。文中復(fù)現(xiàn)了文獻(xiàn)[23]提出的Spline、文獻(xiàn)[15]提出的T-CNN、文獻(xiàn)[16]提出的DNN-BWE、文獻(xiàn)[17]提出的F-GAN，利用筆者的開(kāi)源代碼實(shí)現(xiàn)了文獻(xiàn)[13]提出的AudioUnet。對(duì)于文獻(xiàn)[14]提出的SampleRNN，文中在TIMIT數(shù)據(jù)集實(shí)驗(yàn)中直接用他們?cè)闹械慕Y(jié)果作對(duì)比。

2.1 實(shí)驗(yàn)設(shè)置及評(píng)價(jià)指標(biāo)

文中算法網(wǎng)絡(luò)訓(xùn)練所使用顯卡為NVIDIA TITAN Xp GPUs，深度學(xué)習(xí)框架為T(mén)ensorFlow框架。使用Adam優(yōu)化器進(jìn)行優(yōu)化，學(xué)習(xí)率設(shè)置為0.000 3，網(wǎng)絡(luò)訓(xùn)練100個(gè)epoch，batch size設(shè)置為256。

文中選取兩個(gè)客觀(guān)指標(biāo)來(lái)評(píng)估語(yǔ)音帶寬擴(kuò)展性能，即分段信噪比SegSNR(segment signal-to-noise ratio)和對(duì)數(shù)功率譜距離LSD(log-spectral distance)[24]，它們分別從時(shí)域和頻域來(lái)評(píng)估性能。SegSNR反映了正常聲音信號(hào)與噪聲信號(hào)比值，定義如下：

(6)

式中，n、N分別是語(yǔ)音分段數(shù)、語(yǔ)音分段總數(shù)。

LSD反映了頻域里兩個(gè)信號(hào)之間的距離，定義如下：

(7)

2.2 TIMIT數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

TIMIT數(shù)據(jù)集[21]是由德州儀器、麻省理工學(xué)院和SRI International合作構(gòu)建的數(shù)據(jù)集。其采樣頻率為16 kHz，一共包含6 300個(gè)句子，由來(lái)自美國(guó)8個(gè)主要方言地區(qū)的630個(gè)人每人朗誦給定的10個(gè)句子得到。

數(shù)據(jù)處理：①TIMIT數(shù)據(jù)集下采樣至8 kHz視為原始低帶寬語(yǔ)音，原本的16 kHz視為真實(shí)高帶寬語(yǔ)音。利用短時(shí)傅里葉變換(STFT)將語(yǔ)音變換到頻域時(shí)，16 kHz語(yǔ)音的窗口大小(frame length)為512，8 kHz語(yǔ)音窗口大小為256。求出對(duì)數(shù)功率譜后，對(duì)于16 kHz語(yǔ)音的對(duì)數(shù)功率譜的頻率軸，文中截取129-256作為真實(shí)的高頻范圍對(duì)數(shù)功率譜。對(duì)于8 kHz語(yǔ)音的對(duì)數(shù)功率譜的頻率軸，文中截取1-128作為原始的低帶寬對(duì)數(shù)功率譜。對(duì)于對(duì)數(shù)功率譜的時(shí)間軸，文中以64為長(zhǎng)度進(jìn)行分割，剩余部分不足64的用零填補(bǔ)，最終得到128×64的原始低帶寬對(duì)數(shù)功率譜和高頻范圍對(duì)數(shù)功率譜。為了保證低帶寬對(duì)數(shù)功率譜和高頻范圍對(duì)數(shù)功率譜的拼接連續(xù)性，數(shù)據(jù)還需要作歸一化處理。②求出相位譜后，對(duì)于16 kHz語(yǔ)音相位譜的時(shí)間軸，以64為長(zhǎng)度進(jìn)行分割，剩余部分不足64的用零填補(bǔ)，得到257×64的真實(shí)相位譜。對(duì)于 8 kHz 語(yǔ)音相位譜也以64為長(zhǎng)度進(jìn)行分割，剩余部分不足64的用零填補(bǔ)。接著在頻率軸截取1-128的部分，并將其翻轉(zhuǎn)、取相反數(shù)，再將其和原始的1-129進(jìn)行拼接，得到257×64人工相位譜。128×64原始低帶寬對(duì)數(shù)功率譜和128×64預(yù)測(cè)的高頻范圍對(duì)數(shù)功率進(jìn)行拼接，并用零填補(bǔ)缺失的中間點(diǎn)257，最終得到257×64的合成高帶寬對(duì)數(shù)功率譜；同理可以得到257×64的真實(shí)高帶寬對(duì)數(shù)功率譜。③模型訓(xùn)練時(shí)，利用短時(shí)傅里葉逆變換將合成的高帶寬對(duì)數(shù)功率譜還原成時(shí)域語(yǔ)音信號(hào)時(shí)，所用相位譜是真實(shí)相位譜。模型訓(xùn)練好后，利用短時(shí)傅里葉逆變換將合成的高帶寬對(duì)數(shù)功率譜還原成時(shí)域語(yǔ)音信號(hào)時(shí)，所用相位譜是人工相位譜。

TIMIT數(shù)據(jù)集實(shí)驗(yàn)結(jié)果見(jiàn)表2，相較于F-GAN，文中算法在時(shí)域性能指標(biāo)SegSNR上有較大提升，其從14.22 dB提升到19.67 dB；LSD從0.64 dB降低到0.55 dB，LSDH是高頻范圍對(duì)數(shù)功率譜距離，其從0.85 dB降低到0.77 dB。這個(gè)結(jié)果是符合預(yù)期的，因?yàn)镕-GAN受限于頻率軸數(shù)為奇數(shù)，網(wǎng)絡(luò)不便于加深，且未有效利用對(duì)數(shù)功率譜時(shí)間軸信息。文中對(duì)頻率軸數(shù)進(jìn)行處理，使其為2的倍數(shù)，再使用平鋪層加深網(wǎng)絡(luò)深度、提取時(shí)間軸特征，從而更深的網(wǎng)絡(luò)能夠提取到更準(zhǔn)確的信息。圖2是文中算法用TIMIT數(shù)據(jù)集訓(xùn)練后輸出的對(duì)數(shù)功率譜(LPS)。

(a)原始LPS

表2 TIMIT數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

從指標(biāo)上看，文中算法在頻域指標(biāo)LSD、LSDH上表現(xiàn)突出，這是毋庸置疑的，說(shuō)明直接基于頻域的算法能更好地提取頻譜特征，提升頻譜上的表現(xiàn)。從對(duì)數(shù)功率譜圖上看，AudioUnet和T-CNN時(shí)域算法容易將對(duì)數(shù)功率譜圖高頻部分陰影區(qū)域過(guò)度填補(bǔ)，而文中頻域算法能夠更好地展示頻譜圖的高頻陰影部分。從合成語(yǔ)音實(shí)際聽(tīng)覺(jué)來(lái)看：一方面，時(shí)域算法合成語(yǔ)音可能有呲呲聲，這就是因?yàn)闀r(shí)域算法頻譜圖高頻部分被過(guò)度填補(bǔ)導(dǎo)致頻譜圖不準(zhǔn)確；另一方面，文中頻域算法的音質(zhì)通透感更強(qiáng)，這是頻域指標(biāo)LSD提升帶來(lái)的效果，而非時(shí)域指標(biāo)SNR。Spline三次樣條插值算法是時(shí)域算法中最簡(jiǎn)單的，也較大提升了時(shí)域指標(biāo)，但頻域指標(biāo)表現(xiàn)很差，Spline算法合成的語(yǔ)音幾乎無(wú)高頻語(yǔ)音特有的通透感。不過(guò)頻域算法合成語(yǔ)音可能有金屬聲，這是因?yàn)樵谡Z(yǔ)音的諸多特征中，雖然頻譜是影響最大的，但還有人工相位譜這個(gè)影響小的因素不準(zhǔn)確所致。文中借鑒文獻(xiàn)[15]引入了時(shí)域損失以盡量消除人工相位譜對(duì)合成語(yǔ)音的這種影響，當(dāng)訓(xùn)練較好時(shí)，這種影響可以降到最低，以致幾乎聽(tīng)不到金屬聲。

2.3 VCTK數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

VCTK數(shù)據(jù)集[22]是愛(ài)丁堡大學(xué)語(yǔ)音技術(shù)研究中心的Yamagishi等構(gòu)建的數(shù)據(jù)集。其采樣頻率是48 kHz，由110個(gè)不同口音的人每人朗誦400句在報(bào)紙上選取的句子，在愛(ài)丁堡大學(xué)的半消聲室中使用全向麥克風(fēng)(DPA 4035)錄制。VCTKS表示單說(shuō)話(huà)人數(shù)據(jù)集，VCTKM表示多說(shuō)話(huà)人數(shù)據(jù)集。

VCTK數(shù)據(jù)集實(shí)驗(yàn)結(jié)果見(jiàn)表3，相較于F-GAN，VCTKS數(shù)據(jù)集實(shí)驗(yàn)中，SegSNR從18.77 dB提升到23.74 dB，LSD從0.49 dB降低到0.43 dB，LSDH從0.64 dB降低到0.59 dB；VCTKM數(shù)據(jù)集實(shí)驗(yàn)中，SegSNR從16.37 dB提升到22.67 dB，LSD從0.59 dB降低到0.53 dB，LSDH從0.78 dB降低到0.74 dB。圖3是文中算法用VCTKM數(shù)據(jù)集訓(xùn)練后輸出的對(duì)數(shù)功率譜。由圖可見(jiàn)，VCTK數(shù)據(jù)集和TIMIT數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果類(lèi)似。

(a)原始LPS

表3 VCTK數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

2.4 損失函數(shù)消融實(shí)驗(yàn)結(jié)果

為了驗(yàn)證時(shí)頻損失函數(shù)的優(yōu)越性，文中進(jìn)行了不同損失函數(shù)的消融分析，表4給出了損失函數(shù)消融實(shí)驗(yàn)結(jié)果，所用數(shù)據(jù)集是VCTKM?？梢钥闯?，僅使用頻域損失函數(shù)時(shí)，指標(biāo)LSDH、LSD表現(xiàn)較好，但指標(biāo)SegSNR表現(xiàn)稍差。只使用時(shí)域損失函數(shù)時(shí)有類(lèi)似結(jié)果，指標(biāo)SegSNR表現(xiàn)較好，指標(biāo)LSDH、LSD表現(xiàn)稍差。時(shí)頻損失函數(shù)結(jié)合了時(shí)域和頻域損失，在兩個(gè)指標(biāo)上有平衡的表現(xiàn)。

表4 損失函數(shù)消融實(shí)驗(yàn)結(jié)果

2.5 訓(xùn)練時(shí)間對(duì)比

文中頻域算法的另一個(gè)優(yōu)勢(shì)是處理數(shù)據(jù)集時(shí)頻域能夠利用對(duì)稱(chēng)性減少數(shù)據(jù)量，訓(xùn)練速度更快，而時(shí)域算法不能減少數(shù)據(jù)集。為了保證測(cè)試的公平性，對(duì)AudioUnet和T-CNN進(jìn)行了調(diào)整，以保證網(wǎng)絡(luò)深度與文中算法一致。調(diào)整后均為55層，batch size均為256。時(shí)域算法AudioUnet和T-CNN產(chǎn)生了約21萬(wàn)條訓(xùn)練數(shù)據(jù)集，文中頻域算法產(chǎn)生約10萬(wàn)條訓(xùn)練數(shù)據(jù)集。結(jié)果得到AudioUnet、T-CNN和文中算法的訓(xùn)練時(shí)間分別為379、420和221 s，可見(jiàn)文中算法訓(xùn)練速度更快。由此可知，理論上同樣復(fù)雜度、深度的神經(jīng)網(wǎng)絡(luò)用在頻域時(shí)，頻域算法利用頻域?qū)ΨQ(chēng)性減少數(shù)據(jù)集，訓(xùn)練速度更快。

3 結(jié)論

文中算法改進(jìn)了目前頻域流行算法F-GAN[17]，借鑒了文獻(xiàn)[15]的時(shí)頻損失思路，使頻域算法的輸入和時(shí)域算法一致，頻域算法能夠應(yīng)用時(shí)域算法里的網(wǎng)絡(luò)模型，增強(qiáng)了頻域算法的網(wǎng)絡(luò)拓展性。它的編碼器通過(guò)引入平鋪層，實(shí)現(xiàn)時(shí)頻兩軸特征提??；頻率軸數(shù)據(jù)處理時(shí)湊偶補(bǔ)零，以加深網(wǎng)絡(luò)深度；它的損失函數(shù)引入了時(shí)域損失，充分利用了語(yǔ)音兩域信息。實(shí)驗(yàn)結(jié)果表明，與當(dāng)前的主流算法相比，文中算法生成的高帶寬語(yǔ)音質(zhì)量得到提高。文中算法依然存在頻域方法人工相位譜不夠精準(zhǔn)的問(wèn)題，接下來(lái)可以考慮用深度學(xué)習(xí)的方法對(duì)相位譜建模，以及引用更多的時(shí)域方法網(wǎng)絡(luò)。