基于改進(jìn)噪聲估計的MMSE-LSA語音增強算法

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)自動化學(xué)院 廣西 桂林 541004)

0 引 言

噪聲污染會使語音中的有用信息被湮沒，嚴(yán)重影響語音質(zhì)量和可懂度。語音增強技術(shù)[1]就是在盡量減少失真的前提下抑制噪聲、改善語音質(zhì)量的技術(shù)。目前的語音增強方法主要基于短時譜幅度估計法、語音參數(shù)模型法、聽覺場景分析法等[2-3]。其中MMSE-LSA是基于統(tǒng)計特性的最優(yōu)短時譜幅度估計器[4]，故本文采用MMSE-LSA譜估計算法進(jìn)行進(jìn)一步研究。

MMSE-LSA算法基于語音活動檢測(Voice Activity Detection,VAD)[5]，利用語音和噪聲統(tǒng)計特性的先驗知識對帶噪語音幀進(jìn)行噪聲幀和語音幀的判決，只在噪聲幀來更新噪聲估計，對語音幀則延續(xù)過去的噪聲譜估計，再在最小均方誤差準(zhǔn)則下估計出譜增益函數(shù)，進(jìn)而重構(gòu)純凈語音。MMSE-LSA算法由于使用經(jīng)驗閾值來判決噪聲幀和語音幀，存在較大誤差，容易出現(xiàn)噪聲過估計和欠估計，使增強語音失真和噪聲殘留問題嚴(yán)重。文獻(xiàn)[6]引入了短時能量結(jié)合譜平坦度進(jìn)行雙門限判決的方法，對帶噪語音段進(jìn)行有無語音的劃分，再在無語音段更新噪聲估計，提高了噪聲估計的準(zhǔn)確性。文獻(xiàn)[7]通過給增益函數(shù)添加約束條件，一定程度上解決譜增益過估計和欠估計引起的語音失真和噪聲殘留問題，進(jìn)一步提高M(jìn)MSE-LSA算法語音增強效果。文獻(xiàn)[8]中MMSE-LSA譜估計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，再利用過去的噪聲譜估計和當(dāng)前幀的帶噪語音功率譜的加權(quán)和作為當(dāng)前幀的噪聲估計，權(quán)重由先驗信噪比或語音存在概率[9]決定。由于其語音存在概率由先驗的語音存在和不存在的概率決定，仍然存在一定的噪聲估計誤差，使MMSE-LSA語音增強性能受限。文獻(xiàn)[10]引入了短時能量和譜熵來組成能熵比，利用能熵比進(jìn)行語音存在概率的估計，再結(jié)合譜減法進(jìn)行語音增強，該方法能有效減小噪聲估計誤差，提高語音信噪比，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音失真問題。

針對以上情況，本文在文獻(xiàn)[10]基礎(chǔ)上提出一種基于改進(jìn)噪聲估計的MMSE-LSA語音增強算法。具體思想是：(1) 對帶噪語音進(jìn)行分幀、加窗處理，再對其做短時傅里葉變換，求出帶噪語音的幅度譜和相角；(2) 計算出帶噪語音的對數(shù)能量和譜熵，構(gòu)建出新的語音特征參數(shù)能熵比；(3) 根據(jù)能熵比和語音存在概率的性質(zhì)可知，能熵比和語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，即可得到語音存在概率估計值；(4) 對估計出的語音存在概率進(jìn)行平滑，利用平滑后的語音存在概率來更新噪聲功率譜估計；(5) 計算出先驗信噪比從而得到譜增益估計，再給增益函數(shù)添加一個約束閾值；(6) 利用MMSE-LSA譜估計器對帶噪語音進(jìn)行語音增強。本文采用多種常見噪聲進(jìn)行仿真實驗，再使用真實廣播信號進(jìn)行驗證，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，減少噪聲殘留和語音失真，改善語音質(zhì)量。

1 MMSE-LSA譜估計器

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

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

(1)

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

假設(shè)噪聲和語音相互獨立，則可以對式(1)兩邊同時做短時傅里葉變換，得到：

Y(ωk)ejθy=S(ωk)ejθs+D(ωk)ejθd

(2)

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

p(Y(ωk)|H0(ωk))=

假設(shè)各個頻率分量獨立，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幅度譜估計器[11]：

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

Vk定義為：

由此可以對MMSE-LSA譜估計器的增益函數(shù)做如下定義：

至此，本文先采用改進(jìn)的噪聲估計方法估計出噪聲功率譜，再由帶噪語音功率譜和噪聲功率譜估計求出后驗信噪比γk，使用判決引導(dǎo)法[12]估計出先驗信噪比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。譜增益的過估計容易抵消掉弱語音，造成語音信息的丟失，譜增益的欠估計又會使噪聲殘留過量，影響語音信噪比。因此，本文通過給MMSE-LSA譜增益添加一個門限閾值來約束增益取值范圍，約束譜增益如下：

式中：ε0為先驗信噪比閾值；Gfloor為常數(shù)，通過實驗取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

在非平穩(wěn)環(huán)境下，MMSE-LSA算法存在較大的噪聲跟蹤時延，導(dǎo)致噪聲估計值過高或過低。噪聲估計值過高會造成帶噪語音的過抵消，語音失真嚴(yán)重；噪聲估計值過低會造成語音的噪聲殘留過多，影響人耳舒適度。因此，本文改進(jìn)噪聲估計方法，提高噪聲估計的準(zhǔn)確性。

3.1 噪聲更新過程

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

3.2 語音存在概率估計

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

3.2.1對數(shù)能量

語音段的短時能量通常明顯大于無語音段，短時能量就是基于這一先驗知識來對當(dāng)前語音段進(jìn)行判決，假設(shè)經(jīng)分幀加窗后第i幀的帶噪語音信號為yi(m)，則該幀的短時能量為：

式中：N為幀長。進(jìn)一步改進(jìn)能量計算[14]：

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

(15)

式中：a是一個常數(shù)，能夠使E(i)有劇烈波動時在LE(i)中得到緩和，適當(dāng)選擇a可以使純噪聲段和帶噪語音段的區(qū)別更明顯，本文中a取2.1。

3.2.2譜 熵

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

則每個分析幀的譜熵[14]為：

3.2.3能熵比與語音存在概率的關(guān)系

由前面的分析可知，能熵比越高，語音存在概率越大；能熵比越低，語音存在概率越小。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：

可將能熵比與語音存在概率的關(guān)系估計為：

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

圖2 能熵比與語音存在概率的關(guān)系曲線

最后對估計出的語音存在概率進(jìn)行遞歸平滑，其平滑形式如下：

4 實驗與分析

為了驗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)語音存在概率估計的自適應(yīng)噪聲跟蹤算法作為對比算法，分別使用TIMIT和NOISEX-92中的語料和噪聲按不同的信噪比混合來模擬多種噪聲環(huán)境，對比經(jīng)每種算法處理后語音的信噪比、語音感知質(zhì)量評估分?jǐn)?shù)，同時結(jié)合語音波形進(jìn)行比較，分析算法的增強效果。為驗證本文算法對現(xiàn)實中復(fù)雜混噪語音的處理能力，采用廣播信號進(jìn)行實驗，先對廣播語音做語音增強，再使用項目已有的離線頻譜管控系統(tǒng)來進(jìn)行語音識別測試，對比各種算法處理后語音的識別率，可用來驗證本文算法對解決實際語音增強問題的可行性。

4.1 仿真實驗

從TIMIT語料庫中選擇5男5女共200條錄音作為初始純凈語料，噪聲源使用NOISEX-92數(shù)據(jù)庫中的white噪聲、babble噪聲、F16和factory噪聲。語音信號的采樣率為16 kHz，幀長為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音相加，得到200條含噪語音。

以平均輸出信噪比SNR作為客觀評價指標(biāo)，語音感知質(zhì)量評估(Perceptaul Evalution of Speech Quality,PESQ)作為主觀評價指標(biāo)，SNR表達(dá)式如下：

仿真實驗中使用white噪聲模擬平穩(wěn)環(huán)境，其他噪聲模擬非平穩(wěn)環(huán)境，實驗結(jié)果如表1所示?？梢钥闯?，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)，說明本文算法能較好地跟蹤噪聲變化，有效抑制噪聲，改善語音質(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)

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

(a) 純凈語音

(b) 帶噪語音

(d) 文獻(xiàn)[10]算法

(e) 本文算法圖3 各算法波形圖

4.2 廣播語音信號識別實驗

為驗證本文算法對真實混噪信號的增強性能，由于廣播信號隨機混有多種未知噪聲、背景音復(fù)雜，適合作為實驗對象。采用無線電信號接收器定點采集本地區(qū)某頻段廣播語音，切分成每條20 s以內(nèi)的短音頻，進(jìn)行人工初篩分類后組成廣播短語音數(shù)據(jù)集，采樣率為16 kHz，16位量化。從數(shù)據(jù)集中隨機抽取100條廣播樣本做語音增強處理，使用項目已有的離線頻譜管控系統(tǒng)對增強前后的廣播語音進(jìn)行語音識別測試，以平均語音識別率[15]作為評價指標(biāo)，圖4為采用不同算法增強后的波形圖對比，圖5為語音識別率對比。

(a) 原始廣播語音

(b) 文獻(xiàn)[10]算法

(c) 本文算法圖4 不同算法增強后的波形圖

圖5 廣播語音識別率

由圖4可以看出，對真實廣播語音信號，本文算法能有效抑制其背景噪聲，改善語音質(zhì)量，本文算法對處理現(xiàn)實環(huán)境中復(fù)雜混噪語音問題有一定參考價值。

由圖5可以看出，原始廣播語音的語音識別率為0.4左右，經(jīng)過本文算法增強后語音識別率能達(dá)到0.78，提高了0.38，說明在處理復(fù)雜混噪語音時，本文算法能在抑制噪聲的基礎(chǔ)上較好地保留話語完整性，減少語音信息丟失，有效提高語音的可懂度。同時，從主觀試聽感受來說，增強前的廣播信號背景嘈雜、有部分字詞被噪聲淹沒，還伴隨有隨機尖峰聲，而經(jīng)語音增強處理后廣播信號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，基本不影響對廣播語音內(nèi)容的理解。

5 結(jié) 語

本文針對MMSE-LSA算法對非平穩(wěn)語音的噪聲估計不夠準(zhǔn)確、導(dǎo)致語音增強性能受限的問題，引入能熵比參數(shù)來估計語音存在概率，再利用平滑后的語音存在概率來更新噪聲估計；同時添加一個地板閾值來約束譜增益，緩解譜增益欠估計引起的語音失真。經(jīng)多種噪聲仿真實驗和真實廣播信號驗證，本文算法能較好地跟蹤噪聲變化，減小噪聲估計的誤差，有效抑制噪聲和減小語音失真，提高語音可懂度。