一種用于因果式語音增強(qiáng)的門控循環(huán)神經(jīng)網(wǎng)絡(luò)

李江和，王 玫

（桂林理工大學(xué) 信息科學(xué)與工程學(xué)院，廣西 桂林 541006）

0 概述

近年來，語音增強(qiáng)技術(shù)在軍事、商業(yè)等領(lǐng)域發(fā)揮著重要作用，在工業(yè)界與學(xué)術(shù)界受到越來越多的關(guān)注。在語音識別、通信等應(yīng)用領(lǐng)域，由于背景噪聲的影響，語音質(zhì)量、語音可懂度等指標(biāo)大幅下降，從而導(dǎo)致語音識別率下降，同時給試聽者帶來較差的聽覺體驗。為解決該問題，語音增強(qiáng)技術(shù)在語音預(yù)處理中成為不可或缺的一部分［1］。

當(dāng)前，語音增強(qiáng)技術(shù)發(fā)展迅速，傳統(tǒng)經(jīng)典的語音增強(qiáng)算法包括譜減法［2-3］、統(tǒng)計模型法［4-6］、維納濾波［7-8］等。傳統(tǒng)譜減法的關(guān)鍵在于對噪聲頻譜進(jìn)行估計，通過在帶噪頻譜中減去噪聲譜，從而得到增強(qiáng)后的語音頻譜。在傳統(tǒng)基于譜減法的語音增強(qiáng)方法中，需要對先驗信噪比進(jìn)行估計，但這會影響到算法性能。除此之外，基于子空間的語音增強(qiáng)算法［9-10］也得到一定發(fā)展。

傳統(tǒng)的語音增強(qiáng)方法均建立在數(shù)字信號處理的基礎(chǔ)上。近年來，基于深度學(xué)習(xí)的語音增強(qiáng)方法逐漸引起研究人員的關(guān)注并展現(xiàn)出優(yōu)越性能。相較傳統(tǒng)的基于數(shù)字信號處理的語音增強(qiáng)方法，基于深度學(xué)習(xí)的語音增強(qiáng)方法在語音客觀可懂度、語音感知質(zhì)量（PESQ）等指標(biāo)上得到大幅提升。XU 等［11］提出基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的語音增強(qiáng)方法，通過多目標(biāo)、多通道的網(wǎng)絡(luò)學(xué)習(xí)，在語音可懂度、語音感知質(zhì)量等指標(biāo)上得到較大提升。由于語音信號在頻域表現(xiàn)出時頻相關(guān)性，為了更好地學(xué)習(xí)這種相關(guān)性，文獻(xiàn)［12-14］提出基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)方法，通過卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)頻譜的空間相關(guān)性，同時利用循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)頻譜的時間相關(guān)性，研究結(jié)果表明，這種方法能更好地建模語音信號。一些學(xué)者通過研究發(fā)現(xiàn)，聽覺特征可以提高深度學(xué)習(xí)的語音增強(qiáng)性能，文獻(xiàn)［15-16］通過融合使用MFCC、Log_Mel 頻譜等聽覺特征，提高了神經(jīng)網(wǎng)絡(luò)對語音信號的建模能力。

然而，現(xiàn)有基于深度學(xué)習(xí)的語音增強(qiáng)方法［17-19］為了使網(wǎng)絡(luò)更好地學(xué)習(xí)語音信號相鄰幀的相關(guān)性，網(wǎng)絡(luò)采用了非因果式的對稱窗作為輸入，即輸入不僅為當(dāng)前幀（第n幀），而且需要先前的N幀以及后續(xù)的N幀共同作為網(wǎng)絡(luò)的輸入特征（2N+1 幀），這導(dǎo)致在語音增強(qiáng)過程中產(chǎn)生了固定時延，不能滿足語音增強(qiáng)系統(tǒng)對實時性的要求。因果式語音增強(qiáng)方法僅利用當(dāng)前幀（第n幀）與先前的N幀作為網(wǎng)絡(luò)輸入，從而避免了固定時延問題。文獻(xiàn)［20］從實驗中尋找適合因果式語音增強(qiáng)的網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)后的語音質(zhì)量得到較大提升，但其并未針對網(wǎng)絡(luò)本身結(jié)構(gòu)進(jìn)行改進(jìn)。

本文從網(wǎng)絡(luò)結(jié)構(gòu)出發(fā)，為充分利用先前N幀語音信號的信息，提出一種用于因果式語音增強(qiáng)的門控循環(huán)神經(jīng)網(wǎng)絡(luò)CGRU。該網(wǎng)絡(luò)結(jié)構(gòu)單元的輸出結(jié)合當(dāng)前時刻的輸入xt以及上一時刻的輸入xt-1和輸出ht-1，充分利用先前幀的信息來提高網(wǎng)絡(luò)的建模能力。在實驗過程中，將本文CGRU 網(wǎng)絡(luò)與簡單循環(huán)神經(jīng)網(wǎng)絡(luò)（SRNN）、門控循環(huán)神經(jīng)網(wǎng)絡(luò)（GRU）、簡化循環(huán)神經(jīng)網(wǎng)絡(luò)（SRU）［21］等傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行性能對比，驗證算法增強(qiáng)后的語音在短時客觀可懂度（STOI）、語音感知質(zhì)量、分段信噪比（SSNR）等指標(biāo)上的性能表現(xiàn)。

1 深度學(xué)習(xí)因果式的語音增強(qiáng)方法

假設(shè)加性噪聲為n(t)，純凈語音信號為s(t)，帶噪語音為y(t)，則帶噪語音信號的時域表示為：

為了更好地分析語音信號，一般需要對時域信號進(jìn)行短時傅里葉變換（Short Time Fourier Transform，STFT）。對帶噪語音信號y(t)進(jìn)行的短時傅里葉變換為：

其中：n、k分別表示第n幀的第k個頻帶。本文采用基于非負(fù)幅度的特征實現(xiàn)語音增強(qiáng)實驗，以驗證所提方法的有效性。通過短時傅里葉變換式（2），得到音頻的頻率分量。非負(fù)幅度譜［22］可通過式（3）計算：

其中：Y(n，k)為語音通過短時傅里葉變換后的幅度譜；Z(n，k)為非負(fù)幅度譜特征。在深度學(xué)習(xí)因果式的語音增強(qiáng)中，語音增強(qiáng)可視為通過非線性函數(shù)fx實現(xiàn)帶噪語音到純凈語音的復(fù)雜映射：

其中：x為神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的參數(shù)；Xn代表網(wǎng)絡(luò)的輸入特征，其為當(dāng)前幀（第n幀）與先前N幀拼接而成的因果式輸入特征（N+1 幀）；為神經(jīng)網(wǎng)絡(luò)對純凈語音特征的估計結(jié)果。

通過網(wǎng)絡(luò)的不斷訓(xùn)練迭代，得到一個從帶噪語音到純凈語音的復(fù)雜映射函數(shù)，記為fx。在網(wǎng)絡(luò)的訓(xùn)練過程中，本文通過多次實驗發(fā)現(xiàn)絕對誤差的語音增強(qiáng)效果較好，最后選擇的損失函數(shù)為平均絕對誤差，如下：

其中：fx(Xi)是通過網(wǎng)絡(luò)后得到的輸出特征值，即對純凈語音非負(fù)幅度譜的估計；Ti為網(wǎng)絡(luò)的訓(xùn)練標(biāo)簽，即目標(biāo)語音的非負(fù)幅度譜；M為網(wǎng)絡(luò)在訓(xùn)練時采用的批量大小，本文通過實驗得出M的合適取值為256。

通過神經(jīng)網(wǎng)絡(luò)對帶噪語音非負(fù)幅度譜Zn(n，k)進(jìn)行估計得到純凈語音非負(fù)幅度譜，記為Zs(n，k)，然后利用人耳對相位不敏感的特點，通過帶噪語音的相位譜φ(n，k)結(jié)合估計的純凈語音非負(fù)幅度譜逆變換，得到增強(qiáng)后的時域語音分幀后的信號，利用重疊相加法得到估計的語音信號xt：

對于語音信號，通過對分幀加窗（hamming 窗）處理后的數(shù)據(jù)進(jìn)行STFT（式（2）），得到語音信號的時頻二維分量，求取頻率幅度值并保存相位φ(n，k)，利用幅度譜，通過式（3）可計算得到非負(fù)幅度譜特征以用于網(wǎng)絡(luò)訓(xùn)練和測試。通過語音增強(qiáng)算法得到增強(qiáng)后的非負(fù)幅度譜，并經(jīng)由式（6）、式（7），聯(lián)合保存的相位φ(n，k)經(jīng)過傅里葉逆變換得到增強(qiáng)后的時域語音信號，最后利用重疊相加法（式（8））恢復(fù)增強(qiáng)后的信號時域序列xt。

2 門控循環(huán)神經(jīng)單元

2.1 GRU 門控循環(huán)神經(jīng)單元

圖1 所示為門控循環(huán)神經(jīng)單元結(jié)構(gòu)，其中，xt、ht、ht-1分別為當(dāng)前時刻輸入、當(dāng)前時刻輸出以及上一時刻輸出，rt、zt、分別為重置門、更新門和候選隱藏狀態(tài)。門控循環(huán)神經(jīng)單元（GRU）采用了門控機(jī)制，在一定程度上能夠緩解網(wǎng)絡(luò)過擬合問題，且網(wǎng)絡(luò)能夠?qū)W習(xí)更長的時序關(guān)系［23］。GRU 對長短時記憶（LSTM）網(wǎng)絡(luò)進(jìn)行優(yōu)化，在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度、網(wǎng)絡(luò)參數(shù)量等指標(biāo)上均有改進(jìn)，LSTM 具有3 個門結(jié)構(gòu)，而GRU 只有重置門rt和更新門zt這2 個門。GRU 相對于LSTM網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度更低，語音增強(qiáng)實時性更高，此外，GRU 網(wǎng)絡(luò)結(jié)構(gòu)對語音增強(qiáng)系統(tǒng)的硬件要求更低。

圖1 GRU 結(jié)構(gòu)Fig.1 Structure of GRU

GRU 的單元更新關(guān)系可由式（9）表示：

其中：W、U為權(quán)重矩陣，b為偏置項，它們均為可訓(xùn)練的參數(shù)；⊙為Hadmard 乘積；σ為Sigmoid 激活函數(shù)。

2.2 CGRU 因果式門控循環(huán)神經(jīng)單元

圖2 所示為本文所設(shè)計的CGRU 因果式門控循環(huán)神經(jīng)單元結(jié)構(gòu)。為了解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)語音增強(qiáng)中因采用非因果式（輸入為2N+1 幀）的對稱窗而產(chǎn)生的固定時延問題，本文采用因果式（輸入為N+1 幀）的網(wǎng)絡(luò)輸入。由于采用了因果式的網(wǎng)絡(luò)輸入，因此神經(jīng)網(wǎng)絡(luò)獲得的語音信號特征信息衰減為非因果式輸入的0.5 倍，為減小其對神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的影響，本文充分利用前N幀的語音信號特征信息，在CGRU網(wǎng)絡(luò)單元中融入上一時刻的輸入特征xt-1。

圖2 CGRU 結(jié)構(gòu)Fig.2 Structure of CGRU

在圖2 中，xt、ht、xt-1、ht-1分別為當(dāng)前時刻的輸入和輸出以及上一時刻的輸入和輸出。CGRU 神經(jīng)網(wǎng)絡(luò)單元當(dāng)前時刻的輸出ht由上一時刻的輸入xt-1、上一時刻的輸出ht-1以及當(dāng)前時刻的輸入xt共同決定，從而充分利用先前幀的語音信號特征。受空間注意力機(jī)制以及門控線性單元（GLU）［24］的啟發(fā)，本文在CGRU 因果式門控循環(huán)神經(jīng)網(wǎng)絡(luò)的單元輸入中首先計算xt、xt-1、ht-1的帶權(quán)特征向量：

與GRU 不同，CGRU 的候選隱藏狀態(tài)僅由當(dāng)前時刻的輸入xt決定：

當(dāng)前時刻網(wǎng)絡(luò)單元的輸出ht由候選隱藏狀態(tài)、遺忘門ft以及上一時刻輸出的帶權(quán)特征共同決定，如式（13）所示：

為了降低網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜度，本文僅在CGRU網(wǎng)絡(luò)中采用一個遺忘門ft，同時，針對在因果式語音增強(qiáng)中因輸入語音信號特征信息減少所導(dǎo)致的語音增強(qiáng)性能下降問題，本文充分利用先前幀的語音信號特征，在當(dāng)前時刻的輸入xt中融合上一時刻的輸入xt-1，同時采用GLU 控制特征信息的傳遞，從而大幅提高網(wǎng)絡(luò)性能。

3 實驗結(jié)果與分析

3.1 實驗設(shè)置

為了驗證CGRU 網(wǎng)絡(luò)的有效性，本文進(jìn)行對比實驗。針對純凈語音，本文在TIMIT 語音數(shù)據(jù)集［25］的訓(xùn)練集中隨機(jī)選取2 000 條音頻作為訓(xùn)練集，從測試集中隨機(jī)選取500 條音頻作為測試集。對于訓(xùn)練集的噪聲，本文使用文獻(xiàn)［26］中的100 種環(huán)境噪聲，對于測試集的噪聲，使用文獻(xiàn)［27］中的15 種噪聲。在信噪比分別為-5 dB、0 dB、5 dB、10 dB 這4 種情況下，將從TIMIT 訓(xùn)練集中隨機(jī)選取的2 000 條音頻與文獻(xiàn)［26］中的100種環(huán)境噪聲隨機(jī)混合生成8 000條訓(xùn)練數(shù)據(jù)集。在信噪比分別為-5 dB、0 dB、5 dB、10 dB 這4 種情況下，將從TIMIT 測試集中隨機(jī)選取的500 條純凈語音數(shù)據(jù)與文獻(xiàn)［27］中的15 種噪聲隨機(jī)混合生成2 000 條帶噪語音測試數(shù)據(jù)集。在特征提取時，純凈語音、噪聲的采樣頻率均設(shè)置為8 000 Hz，幀長為256（約31 ms），幀移為128。

在keras/tensorflow2.0 的環(huán)境下完成網(wǎng)絡(luò)構(gòu)建與訓(xùn)練。網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)為1e-4，為了使網(wǎng)絡(luò)更好地收斂，設(shè)置學(xué)習(xí)率的衰減系數(shù)為1e-6，最大學(xué)習(xí)迭代次數(shù)為50 次。網(wǎng)絡(luò)訓(xùn)練采用批量梯度下降算法，利用Adam 算法做迭代優(yōu)化，批量大小設(shè)置為256。網(wǎng)絡(luò)訓(xùn)練的損失函數(shù)使用平均絕對誤差（MAE）。在實驗過程中，分別設(shè)計4 層的GRU、SRNN、SRU 以及CGRU 網(wǎng)絡(luò)結(jié)構(gòu)，每一層均為512 個神經(jīng)網(wǎng)絡(luò)單元。

3.2 結(jié)果分析

分別對4 層的GRU、SRNN、SRU 以及CGRU 網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行實驗。在-5 dB、0 dB、5 dB 這3 種信噪比條件下，測試集上的factory2、destroyerengine、buccaneer1、hfchannal 4 種噪聲［27］分別與測試集中的500 條純凈語音進(jìn)行混合，利用4 種網(wǎng)絡(luò)模型進(jìn)行語音增強(qiáng)對比實驗，從而驗證所提網(wǎng)絡(luò)的有效性。

在本次實驗中，語音增強(qiáng)性能評估指標(biāo)選擇STOI、PESQ 以及SSNR。STOI 的取值范圍為0～1，PESQ 的取值范圍為-0.5～4.5，數(shù)值越大，表明增強(qiáng)后的語音質(zhì)量越高，語音可懂度越高。表1、表2 所示分別為不同網(wǎng)絡(luò)模型得到的平均語音感知質(zhì)量與平均語音短時可懂度。

表1 平均語音感知質(zhì)量對比Table 1 Comparison of average speech perceptual quality

表2 平均語音短時可懂度對比Table 2 Comparison of average speech objective intelligibility

通過對表1、表2 中的平均語音感知質(zhì)量與平均語音短時可懂度進(jìn)行分析可以發(fā)現(xiàn)，SRNN 的語音增強(qiáng)效果最差，SRU 與GRU 具有較好的語音增強(qiáng)效果，這是由于簡單循環(huán)神經(jīng)網(wǎng)絡(luò)并不能學(xué)習(xí)到長期依賴關(guān)系，而GRU 與SRU 采用的門控機(jī)制在很大程度上提升了網(wǎng)絡(luò)的學(xué)習(xí)能力。與其他3 種網(wǎng)絡(luò)相比，本文因果式語音增強(qiáng)網(wǎng)絡(luò)CGRU 在語音質(zhì)量與語音短時可懂度上均取得了良好表現(xiàn)。

在CGRU 網(wǎng)絡(luò)的單元結(jié)構(gòu)中，采用門控循環(huán)神經(jīng)網(wǎng)絡(luò)的門控機(jī)制，同時，為了充分利用輸入特征先前的特征信息，在當(dāng)前網(wǎng)絡(luò)的輸出特征計算中，不僅整合當(dāng)前時刻的輸入xt與上一時刻的輸出ht-1，而且還融合了上一時刻的輸入xt-1，從而充分利用語音信號先前的N幀特征信息。表1 和表2 的實驗結(jié)果證明了因果式循環(huán)神經(jīng)網(wǎng)絡(luò)CGRU 的有效性。為了進(jìn)一步直觀地展現(xiàn)CGRU 的優(yōu)越性，統(tǒng)計4 種噪聲的平均語音感知質(zhì)量與平均語音短時可懂度，結(jié)果如圖3 所示。從圖3 可以看出，CGRU 在語音短時可懂度上取得了最好的可懂度評分，在平均語音感知質(zhì)量方面，雖然在-5 dB 信噪比條件下CGRU 性能略低于SRU，但是隨著信噪比的增加，CGRU 表現(xiàn)出更好的性能。

圖3 平均語音感知質(zhì)量與平均語音短時可懂度Fig.3 Average speech perceptual quality and average speech objective intelligibility

為了進(jìn)一步驗證CGRU 的優(yōu)越性，統(tǒng)計不同信噪比條件下4 種噪聲通過4 種不同網(wǎng)絡(luò)增強(qiáng)后得到的平均語音分段信噪比SSNR，結(jié)果如圖4 所示。從圖4 可以看出，在圖4（c）的destroyerengine 噪聲下，SRNN 在-5 dB 和0 dB 信噪比條件下獲得了較高的SSNR 得分，除此之外，CGRU 在增強(qiáng)后的語音分段信噪比評價指標(biāo)上得分普遍優(yōu)于其他3 種網(wǎng)絡(luò)結(jié)構(gòu)，這進(jìn)一步驗證了CGRU 的優(yōu)越性。

圖4 不同噪聲條件下的分段信噪比結(jié)果對比Fig.4 Comparison of SSNR results under different noise conditions

在圖3 中，相較傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)（GRU、SRNN），CGRU 網(wǎng)絡(luò)在增強(qiáng)后的語音可懂度（STOI）、語音感知質(zhì)量（PESQ）評價指標(biāo)上均有較大提升。在圖4 中，CGRU 網(wǎng)絡(luò)相較GRU、SRNN、SRU 等傳統(tǒng)網(wǎng)絡(luò)在增強(qiáng)后的語音平均分段信噪比評價指標(biāo)上也得到了提升。GRU、SRNN 網(wǎng)絡(luò)僅融合上一時刻的輸出，很多情況下語音增強(qiáng)性能反而低于未融合上一時刻輸出的SRU 網(wǎng)絡(luò)。本文CGRU 網(wǎng)絡(luò)在當(dāng)前時刻的輸入中融合上一時刻的輸入與輸出，同時采用線性門控機(jī)制控制信息傳輸，緩解了網(wǎng)絡(luò)過擬合問題，提升了網(wǎng)絡(luò)對帶噪語音的建模能力，使得增強(qiáng)后的語音評價指標(biāo)結(jié)果均取得了較大提升。

表3 所示為不同網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)量對比，從表3可以看出，相對于GRU 的雙門控機(jī)制，CGRU 由于采用了單門控機(jī)制，因此其參數(shù)量較少。

表3 不同網(wǎng)絡(luò)模型的參數(shù)量對比Table 3 Comparison of parameter quantity of different network models

4 結(jié)束語

傳統(tǒng)基于深度學(xué)習(xí)的語音增強(qiáng)方法采用非因果式的輸入，導(dǎo)致產(chǎn)生固定時延問題，難以滿足語音增強(qiáng)系統(tǒng)對實時性的需求。本文提出一種基于因果式門控循環(huán)神經(jīng)網(wǎng)絡(luò)CGRU 的語音增強(qiáng)方法。實驗結(jié)果表明，在平均語音短時客觀可懂度、平均語音感知質(zhì)量、分段信噪比等指標(biāo)上，CGRU 網(wǎng)絡(luò)的表現(xiàn)均優(yōu)于SRNN、GRU、SRU 等傳統(tǒng)網(wǎng)絡(luò)。下一步將以提高語音增強(qiáng)系統(tǒng)的實時性、降低網(wǎng)絡(luò)復(fù)雜度作為研究目標(biāo)，此外，考慮到卷積神經(jīng)網(wǎng)絡(luò)能夠提取頻譜結(jié)構(gòu)特征，后續(xù)將融合卷積神經(jīng)網(wǎng)絡(luò)同時建模音頻的時間相關(guān)性與空間相關(guān)性，從而提高網(wǎng)絡(luò)性能。