基于SNRESI信道選擇的改進(jìn)IMCRA語音增強(qiáng)算法

盧 勇 舒 濤

(中國(guó)民用航空飛行學(xué)院空管中心 四川 廣漢 618307)

0 引 言

隨著科學(xué)技術(shù)的發(fā)展，語音增強(qiáng)算法在眾多領(lǐng)域都有廣泛應(yīng)用。移動(dòng)電話在進(jìn)行語音通話時(shí)，發(fā)送端往往帶有背景噪聲，這些噪聲會(huì)嚴(yán)重影響通話質(zhì)量，為了改善語音質(zhì)量，需要在聲碼器對(duì)語音進(jìn)行壓縮之前用語音增強(qiáng)算法作預(yù)處理[1]。在民航系統(tǒng)中，地空通信顯得尤為重要，但是在通信時(shí)，飛機(jī)發(fā)動(dòng)機(jī)周期性的噪聲和機(jī)械振動(dòng)引起的噪聲會(huì)對(duì)飛行員的通話形成嚴(yán)重干擾，這時(shí)需要在帶噪語音被放大之前用語音增強(qiáng)算法對(duì)其進(jìn)行預(yù)處理，以改善語音質(zhì)量及可懂度[2]。語音增強(qiáng)算法的目的就是去除含噪語音中的噪聲，提高語音的質(zhì)量和可懂度。

傳統(tǒng)的語音增強(qiáng)算法有維納濾波法、譜減法、基于統(tǒng)計(jì)模型的方法和子空間算法等一系列算法，但是這些算法只適用于平穩(wěn)的噪聲環(huán)境中，對(duì)于非平穩(wěn)噪聲信號(hào)不能進(jìn)行有效抑制，而且在去噪過程中還會(huì)引入音樂噪聲導(dǎo)致語音失真[3]。近些年來，基于深度學(xué)習(xí)的語音處理技術(shù)逐漸興起，它不需要假設(shè)語音與噪聲相互獨(dú)立，而且可以有效抑制非平穩(wěn)噪聲[4]，在改善語音質(zhì)量方面取得了不錯(cuò)效果，但并沒有提高語音的可懂度。語音增強(qiáng)算法在降噪過程中，對(duì)噪聲譜的估計(jì)非常重要，如果估計(jì)太小，可能還會(huì)有殘留噪聲；如果估計(jì)太大，可能會(huì)去除有效成分，導(dǎo)致語音失真，造成語音可懂度的損傷。估計(jì)噪聲最簡(jiǎn)單的方法是話音活動(dòng)檢測(cè)(Voice Activity Detection，VAD)算法，它是利用從輸入信號(hào)提取的一些特征與無語音段得到的某個(gè)閾值進(jìn)行比較來估計(jì)和更新噪聲功率，但是在非平穩(wěn)的信號(hào)中難以達(dá)到理想結(jié)果[5]。最小值統(tǒng)計(jì)(Minimum Statistics，MS)噪聲估計(jì)算法是在一個(gè)有限長(zhǎng)窗內(nèi)對(duì)帶噪語音功率譜的最小值進(jìn)行跟蹤，并將最小值作為噪聲的估計(jì)值[6]。最小值控制的遞歸平均(Minima-Controlled Recursive Averaging，MCRA)算法是利用噪聲譜估計(jì)的最小值來控制語音存在的條件概率和噪聲估計(jì)中使用的時(shí)間平滑因子[7]。改進(jìn)的最小值控制的遞歸平均(Improved Minima-Controlled Recursive Averaging，IMCRA)算法在計(jì)算語音存在的概率時(shí)是通過語音不存在的先驗(yàn)估計(jì)概率得到的[8]。此外，很多學(xué)者在這些算法的基礎(chǔ)之上進(jìn)行了改進(jìn)，如在IMCRA算法中加入了最優(yōu)平滑因子，用連續(xù)最小值跟蹤取代在固定窗內(nèi)的最小值搜索，這些改進(jìn)在改善語音質(zhì)量方面取得了一定效果，但是并沒有提高語音的可懂度，反而在語音去噪時(shí)引入了失真，進(jìn)一步損傷了語音的可懂度，因此需要設(shè)計(jì)一種算法，在改善語音質(zhì)量的同時(shí)又能提高語音的可懂度。

為了解決以上問題，本文提出基于SNRESI信道選擇的改進(jìn)IMCRA語音增強(qiáng)算法，該算法首先利用基于統(tǒng)計(jì)模型的方法結(jié)合IMCRA估計(jì)的噪聲功率譜對(duì)帶噪語音進(jìn)行降噪，然后再根據(jù)SNRESI準(zhǔn)則保留衰減失真的有用信號(hào)，進(jìn)而提高整個(gè)頻帶的信噪比和可懂度。

1 SNRESI信道選擇標(biāo)準(zhǔn)

大部分語音增強(qiáng)算法無法準(zhǔn)確估計(jì)背景噪聲頻譜，并且在降噪過程中引入了失真導(dǎo)致無法提高語音的可懂度。在某些情況下，引入的語音失真可能比背景噪聲更具破壞性[9]。為了分析由降噪算法引入的失真對(duì)可懂度的影響，需要建立失真與可懂度之間的關(guān)系，頻率加權(quán)分段信噪比(fwSNRseg)與噪聲抑制語音的可懂度高度相關(guān)[10]，具體公式如下：

式中：W(k,t)表示第k個(gè)頻帶的權(quán)重值；K表示頻帶數(shù)量；M表示信號(hào)的總幀數(shù)。

將式(2)中分子分母同除以X2(k,t)，得到：

圖1 SNRESI度量圖

區(qū)域I和區(qū)域II的并集(稱為區(qū)域I+II)，有以下約束：

2 算法簡(jiǎn)介

2.1 IMCRA算法

假定帶噪語音信號(hào)y(n)由純凈信號(hào)x(n)和噪聲信號(hào)d(n)組成，即：

y(n)=x(n)+d(n)

(6)

兩邊進(jìn)行分幀加窗和傅里葉變換得到：

Y(λ,k)=X(λ,k)+D(λ,k)

(7)

式中：λ表示幀數(shù)；k表示頻點(diǎn)。

IMCRA算法是基于時(shí)間遞歸平均來對(duì)噪聲譜進(jìn)行估計(jì)，噪聲估計(jì)形式如下：

在IMCRA算法中，平滑因子αd(λ,k)由語音存在概率決定，語音存在概率需要通過兩次迭代計(jì)算得到。第一次迭代主要是對(duì)各頻點(diǎn)進(jìn)行粗略的話音活動(dòng)檢測(cè)以此來判決語音活性，第二次迭代是通過時(shí)頻平滑去除相對(duì)較強(qiáng)的語音分量，得出更準(zhǔn)確的語音存在概率。

第一次迭代：

首先對(duì)帶噪語音的功率譜做平滑估計(jì)，估計(jì)方式如下：

S(λ,k)=αsS(λ-1,k)+(1-αs)Sf(λ,k)

(9)

式中：αs為平滑因子。

式中：w(i)為窗函數(shù)，窗長(zhǎng)為2Lw+1。當(dāng)前幀的最小值Smin(λ,k)采用在D幀的固定窗長(zhǎng)內(nèi)進(jìn)行最小值統(tǒng)計(jì)得到。

通過搜索得到Smin(λ,k)后，然后判決語音的存在性，判決規(guī)則如下：

第二次迭代：

這次迭代主要針對(duì)已經(jīng)被判斷為噪聲的頻率分量，平滑過程如下：

(12)

(14)

計(jì)算出不存在概率q(λ,k)后，可以通過以下計(jì)算得出語音存在概率p(λ,k)：

式中：v(λ,k)=γk(λ)ξk(λ)/(1+ξk(λ))，γk(λ)和ξk(λ)分別為頻點(diǎn)k的后驗(yàn)和先驗(yàn)SNR。計(jì)算出p(λ,k)之后，就可以更新本幀的噪聲功率譜估計(jì)值。此外，為了最小化語音失真，引入了一個(gè)偏差補(bǔ)償因子：

式中：β為常數(shù)1.47。

2.2 改進(jìn)IMCRA算法

在IMCRA算法中，計(jì)算平滑功率密度譜的最小值Smin(λ,k)都是在固定窗內(nèi)進(jìn)行搜索，這種方法容易延遲，不能快速響應(yīng)噪聲譜的變換，因此在改進(jìn)的IMCRA算法中使用連續(xù)最小值跟蹤算法來計(jì)算Smin(λ,k)[12]，定義如下：

ifSmin(λ-1,k)

βS(λ-1,k))

(17)

else

Smin(λ,k)=S(λ,k)

end

式中：β=0.96；γ=0.998。

式中：β=1.47；θ為經(jīng)驗(yàn)函數(shù)。

2.3 基于SNRESI信道選擇的改進(jìn)IMCRA語音增強(qiáng)算法

本文首先利用基于統(tǒng)計(jì)模型的方法結(jié)合估計(jì)的噪聲功率譜對(duì)帶噪語音進(jìn)行降噪，然后再根據(jù)SNRESI準(zhǔn)則，保留衰減失真的有用信道，消除放大失真的不利信道，最后對(duì)通過有用信道的信號(hào)進(jìn)行合成得到增強(qiáng)的語音信號(hào)。整體算法的一般步驟如下：

(1) 頻譜分解：帶噪語音信號(hào)通過短時(shí)幀加窗和傅里葉變換得到Y(jié)(k,t)，Y(k,t)表示第t幀第k個(gè)頻帶的帶噪信號(hào)頻譜。

(3) 信道選擇：通過SNRESI準(zhǔn)則，只允許SNRESI>1的信道通過，消除放大失真的信道，得到通過選定信道的語音增強(qiáng)信號(hào)頻譜XC(k,t)。

(4) 信號(hào)合成：對(duì)通過選定信道的信號(hào)頻譜XC(k,t)進(jìn)行傅里葉逆變換重構(gòu)信號(hào)，最終得到增強(qiáng)語音信號(hào)。

整體算法的流程如圖2所示。

圖2 基于SNRESI信道選擇的改進(jìn)IMCRA語音增強(qiáng)算法流程

3 實(shí) 驗(yàn)

3.1 語音質(zhì)量評(píng)估標(biāo)準(zhǔn)

語音質(zhì)量評(píng)估標(biāo)準(zhǔn)有主觀音質(zhì)測(cè)度和客觀音質(zhì)測(cè)度兩種方法。主觀測(cè)度是比較原始純凈語音和處理后增強(qiáng)語音的音質(zhì)，并按照預(yù)設(shè)好的等級(jí)標(biāo)準(zhǔn)對(duì)增強(qiáng)后語音的音質(zhì)進(jìn)行評(píng)分；客觀測(cè)度是用數(shù)值對(duì)原始純凈語音和處理后增強(qiáng)語音的音質(zhì)進(jìn)行量化對(duì)比[13]。本文客觀測(cè)度采用分段信噪比(SNRseg)和感知語音質(zhì)量評(píng)估(PESQ)標(biāo)準(zhǔn)，主觀測(cè)度采用ITU-T P.835[14]評(píng)價(jià)標(biāo)準(zhǔn)。ITU-T P.835評(píng)價(jià)增強(qiáng)語音信號(hào)有如下方面：

(1) 僅語音信號(hào)，使用五分制信號(hào)失真(SIG)量表，1代表嚴(yán)重失真，2代表明顯失真，3代表有些失真，4代表幾乎不失真，5代表無失真。

(2) 僅背景噪聲，使用五分制背景失真(BAK)量表，1代表十分明顯且十分煩擾，2代表明顯且煩擾，3代表可覺察但不煩擾，4代表有些覺察，5代表不可覺察。

(3) 整體效果，采用平均意見得分(OVL)量表，1代表很差，2代表差，3代表一般，4代表好，5代表非常好。

3.2 實(shí)驗(yàn)結(jié)果與分析

本文采用的實(shí)驗(yàn)數(shù)據(jù)來自NOIZEUS噪聲語音庫(kù)[15]，該語音庫(kù)中包含30個(gè)由不同人員發(fā)音的純凈語句，噪聲信號(hào)包括來自人群、機(jī)場(chǎng)、餐廳、汽車、街道等不同地方的錄音。仿真實(shí)驗(yàn)時(shí)，噪聲分別按照0 dB、5 dB、10 dB、15 dB的不同信噪比添加到純凈語音中，然后再利用語音增強(qiáng)算法進(jìn)行去噪。為了驗(yàn)證在非平穩(wěn)噪聲環(huán)境中的去噪效果，本文隨機(jī)選擇了三段純凈語音sp01.wav、sp07.wav和sp10.wav，分別疊加人群、機(jī)場(chǎng)、餐廳、汽車、街道等不同類型的噪聲，然后再利用改進(jìn)的IMCRA算法、基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的語音增強(qiáng)算法和本文算法對(duì)其進(jìn)行去噪處理。通過主客觀測(cè)度來評(píng)價(jià)三種算法的去噪效果。去噪處理時(shí)，語音采樣頻率為8 kHz，短時(shí)幀為320個(gè)樣本點(diǎn)，使用漢明窗加窗處理，F(xiàn)FT的分析點(diǎn)數(shù)為640。

圖3表示純凈語音sp01.wav疊加0 dB、5 dB、10 dB、15 dB四種不同信噪比的人群背景噪聲，分別采用改進(jìn)的IMCRA算法、基于CNN的語音增強(qiáng)算法和本文算法得到的SIG、BAK、OVL評(píng)分等級(jí)?？梢钥闯?，對(duì)于四種不同信噪比的人群背景噪聲，三種算法都有一定的去噪效果，但采用本文算法后得到的SIG、BAK、OVL評(píng)分最高，其次是基于CNN的語音增強(qiáng)算法，最后是改進(jìn)的IMCRA算法，說明本文算法在降噪和引入失真方面效果更好，進(jìn)一步提高了語音的質(zhì)量和可懂度。

(a) 0 dB人群噪聲

(b) 5 dB人群噪聲

(c) 10 dB人群噪聲

(d) 15 dB人群噪聲圖3 不同信噪比的人群背景噪聲下采用三種算法得到的SIG、BAK、OVL評(píng)分

為了驗(yàn)證本文算法在各種非平穩(wěn)環(huán)境下的去噪效果，進(jìn)一步選取純凈語音sp07.wav，分別疊加0 dB、5 dB、10 dB、15 dB四種不同信噪比的機(jī)場(chǎng)、餐廳、汽車三種背景噪聲，分別采用改進(jìn)的IMCRA算法、基于CNN的語音增強(qiáng)算法和本文算法進(jìn)行語音去噪處理，去噪后得到的SNRseg和PESQ得分情況如表1所示。

表1 不同信噪比輸入下的不同類型噪聲語音增強(qiáng)后的SNRseg和PESQ得分情況

可以看出，在不同信噪比的不同背景噪聲下，針對(duì)同一類型的噪聲輸入，相比其他兩種算法，本文算法在SNRseg和PESQ得分方面均最高，說明本文算法在語音增強(qiáng)方面更好，進(jìn)一步提高了語音的質(zhì)量和可懂度。另外，在低信噪比的機(jī)場(chǎng)、餐廳背景噪聲下，基于CNN的語音增強(qiáng)算法在PESQ方面要好于改進(jìn)的IMCRA算法，但是在SNRseg方面要低于改進(jìn)的IMCRA算法；在高信噪比的機(jī)場(chǎng)、餐廳背景噪聲下和在汽車背景噪聲下，改進(jìn)的IMCRA算法要好于基于CNN的語音增強(qiáng)算法。以上說明，改進(jìn)的IMCRA算法和基于CNN的算法在語音增強(qiáng)方面各有利弊，本文算法效果最好。

圖4表示純凈語音sp10.wav受到輸入信噪比為0 dB的非平穩(wěn)街道噪聲干擾時(shí)，分別使用改進(jìn)的IMCRA算法、基于CNN的算法和本文算法后得到的增強(qiáng)語音時(shí)域波形圖?？梢钥闯?，純凈語音受到噪聲干擾后，出現(xiàn)了許多毛刺，通過三種語音增強(qiáng)算法后，波形都有明顯改善，但是采用本文算法得到的波形和純凈語音波形最接近，說明本文算法的去噪效果最好。相比本文算法，改進(jìn)的IMCRA算法和基于CNN的算法在去噪過程中引入了失真，去除了部分有用信息，而且在末尾階段還殘留了部分噪聲，使語音質(zhì)量和可懂度受到影響。通過增強(qiáng)語音時(shí)域波形圖對(duì)比，進(jìn)一步說明了本文算法對(duì)語音的質(zhì)量和可懂度均有所提高。

(a) 純凈語音波形

(b) 帶噪語音波形

(c) 改進(jìn)的IMCRA算法語音波形

(d) 基于CNN算法語音波形

(e) 本文算法語音波形圖4 純凈語音、帶噪語音和增強(qiáng)語音時(shí)域波形圖

4 結(jié) 語

傳統(tǒng)的語音增強(qiáng)算法主要對(duì)語音質(zhì)量進(jìn)行改善，但是在改善質(zhì)量的同時(shí)引入了失真，使語音可懂度受到影響，為了能提高語音的質(zhì)量和可懂度，本文提出基于SNRESI信道選擇的改進(jìn)IMCRA語音增強(qiáng)算法。該算法首先利用基于統(tǒng)計(jì)模型的方法結(jié)合估計(jì)的噪聲功率譜對(duì)帶噪語音進(jìn)行降噪，然后再根據(jù)SNRESI準(zhǔn)則保留衰減失真的有用信道，最終對(duì)通過有用信道的信號(hào)進(jìn)行合成得到增強(qiáng)的語音信號(hào)。本文對(duì)比分析了在不同信噪比、不同噪聲環(huán)境下采用不同語音增強(qiáng)算法后得到的SIG、BAK、OVL評(píng)分和分段信噪比SNRseg、PESQ得分，結(jié)果表明本文算法在語音增強(qiáng)方面有更好的效果，進(jìn)一步提高了語音的質(zhì)量和可懂度。