數(shù)字語(yǔ)音降噪系統(tǒng)實(shí)現(xiàn)研究

宋 飛,范 焜,張昊宇,朱泳翔

(西安航空學(xué)院 電子工程學(xué)院,西安 710077)

0 引言

語(yǔ)音是人們進(jìn)行信息交換的最直接的手段,然而在各類通信交流場(chǎng)景中,語(yǔ)音信號(hào)又很容易受到各種噪聲的干擾。尤其在短波語(yǔ)音通信場(chǎng)景中,各種復(fù)雜而強(qiáng)大的電磁干擾往往會(huì)產(chǎn)生大幅度的背景噪聲,會(huì)使通信語(yǔ)音質(zhì)量明顯下降。這種情況在短波通信中普遍存在,輕則可使通信雙方無(wú)法識(shí)別語(yǔ)音,重則可對(duì)接收人員聽(tīng)力帶來(lái)?yè)p害,因此研究效果良好且易于實(shí)現(xiàn)的語(yǔ)音降噪技術(shù)具有重要的現(xiàn)實(shí)意義。

語(yǔ)音降噪技術(shù)在生產(chǎn)和生活中具有廣泛的應(yīng)用,研究人員對(duì)其進(jìn)行了深入研究。王濤[1]針對(duì)傳統(tǒng)的頻譜減法算法的噪聲估計(jì)部分進(jìn)行改進(jìn),使用了基于語(yǔ)音檢測(cè)的噪聲估計(jì)算法對(duì)噪聲進(jìn)行有效估計(jì)。并使用基于最小均方算法的自適應(yīng)加權(quán)平均濾波器有效降低了語(yǔ)音噪聲。

孫端[2]采用小波變換理論對(duì)帶噪語(yǔ)音進(jìn)行降噪處理,既可克服短時(shí)傅立葉變換窗口大小不隨頻率變化的缺點(diǎn),又可提供隨頻率改變的時(shí)頻窗口。孫端[2]對(duì)比了使用不同閾值小波變換的降噪效果,驗(yàn)證了小波降噪方法在語(yǔ)音信號(hào)降噪中的可行性。

聶欣欣[3]研究使用麥克風(fēng)陣列結(jié)構(gòu),應(yīng)用最小二乘法(RLS)進(jìn)行語(yǔ)音降噪,并對(duì)降噪效果的影響因素進(jìn)行了研究。

方健[4]將卷積神經(jīng)網(wǎng)絡(luò)噪聲識(shí)別器和堆疊自動(dòng)編碼器相結(jié)合,利用噪聲識(shí)別器的識(shí)別結(jié)果,自主選擇自動(dòng)編碼器的模型,最終實(shí)現(xiàn)了噪聲自適應(yīng)的堆疊自動(dòng)編碼器語(yǔ)音降噪算法。

趙鼎[5]將子空間的思想與深度學(xué)習(xí)方法相結(jié)合,提出了基于子空間投影的時(shí)域語(yǔ)音降噪網(wǎng)絡(luò),在編碼器和解碼器之間添加了基于自注意力的投影模塊,能夠?qū)⑶度胂蛄糠謩e投影到兩個(gè)正交的子空間內(nèi),得到相互正交的語(yǔ)音向量和噪聲向量,進(jìn)而極大程度地將語(yǔ)音信息與噪聲信息分離。

上述這些常用的降噪方法針對(duì)常見(jiàn)的噪音干擾具有一定效果,實(shí)驗(yàn)普遍是高于-5 dB的帶噪語(yǔ)音,但對(duì)于信噪比較小,噪音幅度完全淹沒(méi)語(yǔ)音幅度的短波電臺(tái)應(yīng)用場(chǎng)景,前述研究工作中沒(méi)有提及。研究表明,基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音降噪方法對(duì)噪聲的自動(dòng)識(shí)別和提升降噪效果有一定幫助,但選擇適合人耳語(yǔ)音的損失函數(shù)比較困難,且深度神經(jīng)網(wǎng)絡(luò)需要的計(jì)算資源較多,過(guò)于復(fù)雜的算法應(yīng)用于實(shí)現(xiàn)環(huán)節(jié)難度較高。

短波電臺(tái)接收端接收到的帶噪語(yǔ)音進(jìn)行語(yǔ)音降噪應(yīng)用場(chǎng)景下噪聲的幅度往往完全淹沒(méi)語(yǔ)音,使用常規(guī)方法很難達(dá)到有效降低噪音干擾的效果。這要求對(duì)帶噪語(yǔ)音進(jìn)行濾波處理,改善語(yǔ)音質(zhì)量,提高聽(tīng)者的舒適度和可懂度。此外,在實(shí)際應(yīng)用中需要在可移動(dòng)的短波電臺(tái)中實(shí)現(xiàn)算法,因此對(duì)算法的復(fù)雜度也有一定的制約。

基于前述分析,本文探索解決短波電臺(tái)接收端噪聲污染問(wèn)題,從接收端的帶噪語(yǔ)音中提取盡可能純凈的語(yǔ)音,在有效降低單音和白噪聲干擾的同時(shí)進(jìn)行語(yǔ)音增強(qiáng),提高通信質(zhì)量及聽(tīng)者舒適度,效果要求盡可能的使語(yǔ)音自然度和清晰度好,可懂度高,殘留“音樂(lè)噪聲”少。

1 語(yǔ)音降噪方法設(shè)計(jì)

經(jīng)比較分析,語(yǔ)音降噪首先采用基于梅爾倒譜系數(shù)(MFCC)的時(shí)域倒譜算法進(jìn)行語(yǔ)音分段識(shí)別處理,后采用譜減降噪算法進(jìn)行語(yǔ)音降噪,再進(jìn)行濾波處理,整體算法流程如圖1所示。

圖1 整體算法流程圖

1.1 基于梅爾倒譜系數(shù)的語(yǔ)音端點(diǎn)檢測(cè)

梅爾倒譜系數(shù)是在語(yǔ)音信號(hào)處理中常用的語(yǔ)音特征。研究者發(fā)現(xiàn)人類的聽(tīng)覺(jué)靈敏度在可聽(tīng)范圍內(nèi)是隨聲波的不同頻率而變化的,低頻的靈敏度高于高頻的。由此設(shè)計(jì)一組帶通濾波器,其在低頻部分較稀疏,在高頻部分較稠密,輸入語(yǔ)音信號(hào)經(jīng)過(guò)此濾波器組處理后,其強(qiáng)度可作為該信號(hào)的基本特征。這種特征的優(yōu)點(diǎn)是能夠較好地匹配人類聽(tīng)覺(jué)特性,具有良好的魯棒性,對(duì)低信噪比語(yǔ)音信號(hào)具有較好的識(shí)別性。

語(yǔ)音端點(diǎn)檢測(cè)是語(yǔ)音降噪系統(tǒng)中的一個(gè)重要環(huán)節(jié),主要任務(wù)是將帶噪語(yǔ)音分成兩部分:語(yǔ)音部分和噪音部分。這樣方便后續(xù)對(duì)語(yǔ)音部分進(jìn)行降噪,對(duì)噪音部分更新底噪,減少語(yǔ)音處理的數(shù)據(jù)量[6]。

端點(diǎn)檢測(cè)的誤差會(huì)直接導(dǎo)致語(yǔ)音識(shí)別的錯(cuò)誤判別,進(jìn)而對(duì)后續(xù)降噪產(chǎn)生不良影響。在高信噪比情況下,正確地確定語(yǔ)音的端點(diǎn)并不困難。然而,對(duì)于一些低信噪比場(chǎng)景下,常規(guī)的端點(diǎn)檢測(cè)方法,如基于能量的端點(diǎn)檢測(cè)方法等,不能有效地工作。由于基于梅爾倒譜系數(shù)的語(yǔ)音特征對(duì)高噪聲環(huán)境具有更好的魯棒性,本文利用其來(lái)檢測(cè)語(yǔ)音端點(diǎn),圖2所示為MFCC特征向量獲取流程圖。

圖2 MFCC特征向量獲取流程圖

1.1.1 語(yǔ)音信號(hào)預(yù)處理

語(yǔ)音信號(hào)預(yù)處理模塊包括三個(gè)部分:預(yù)加重、分幀、加窗。

(1)預(yù)加重。預(yù)加重部分的作用是通過(guò)對(duì)高頻語(yǔ)音的補(bǔ)償,從而使語(yǔ)音信號(hào)的頻譜更加平坦化,進(jìn)而能夠一定程度消除發(fā)聲過(guò)程中聲帶和嘴唇摩擦效應(yīng)。

輸入信號(hào)s(n)先進(jìn)行高通濾波處理,有

H(z)=1-a*(z-1)

(1)

式中:H(z)為z域?yàn)V波器函數(shù);a為常數(shù),介于0.9和1.0之間;z為z域自變量。

預(yù)加重后的信號(hào)s2(n),其時(shí)域表達(dá)式為

s2(n)=s(n)-a*s(n-1)

(2)

(2)分幀。語(yǔ)音信號(hào)具有短時(shí)平穩(wěn)特性,可進(jìn)行分幀處理,以降低處理難度。通常設(shè)置一幀信號(hào)有N個(gè)采樣點(diǎn)(通常取256),持續(xù)時(shí)間約為26 ms。并在兩幀之間設(shè)置一部分重疊區(qū)域,假設(shè)有M個(gè)采樣點(diǎn),其值一般約為N的1/3。一般語(yǔ)音信號(hào)的采樣頻率為8 kHz,可知,分幀后對(duì)應(yīng)一幀的時(shí)長(zhǎng)是32 ms。

(3)加窗。分幀后,需要用窗函數(shù)卷積每一幀信號(hào),以降低頻譜泄漏的影響。假設(shè)分幀后的語(yǔ)音信號(hào)為s3(n),n=0,1,…,N-1,N為幀數(shù),使用漢明窗W(n)

W(n,a)=(1-a)-a*cos[2πN/(N-1)]

(3)

式(3)中n的取值范圍為[0,N-1]。選擇不同的a值可得到不同的漢明窗,一般取a=0.46。

卷積后的信號(hào)為

s′(n)=s(n)*W(n)

(4)

1.1.2 頻域變換及能量求取

(1)FFT。由于語(yǔ)音信號(hào)和噪聲信號(hào)很難從時(shí)域角度區(qū)分其信號(hào)特性,故常將其轉(zhuǎn)換為頻域加以區(qū)分。由此,對(duì)上一步分幀加窗處理后的信號(hào),經(jīng)過(guò)快速傅里葉變換得到其頻域表達(dá)式

(5)

式中:s′(n)為語(yǔ)音信號(hào)輸入;N為FFT變換的點(diǎn)數(shù)。

(2)頻譜能量。對(duì)傅里葉變換后的語(yǔ)音信號(hào)求解其頻譜能量。

1.1.3 Mel濾波

將上述譜線能量通過(guò)一組三角形濾波器組以平滑頻譜,消除諧波的影響,突顯語(yǔ)音的共振峰,與此同時(shí)還可減少數(shù)據(jù)量。

設(shè)這組含M個(gè)三角形濾波器,中心頻率為f(m),M通常取20～26。隨著m取值增大各f(m)的間隔也隨之變寬,其頻率響應(yīng)定義為

(6)

同時(shí)需要注意這組三角形濾波器組在梅爾頻率上是平均分布的,梅爾頻率和一般頻率的關(guān)系式如下

Mel(f)=2 595log10(1+f/700)

(7)

計(jì)算每個(gè)濾波器組輸出的對(duì)數(shù)能量為

(8)

1.1.4 離散余弦轉(zhuǎn)換

信號(hào)處理中,離散余弦轉(zhuǎn)換(Discrete Cosine Transform, DCT)常用于有損數(shù)據(jù)壓縮。語(yǔ)音信號(hào)經(jīng)過(guò)DCT處理后能量大多集中在低頻部分。

將上述對(duì)數(shù)能量SE(m)進(jìn)行DCT處理后,可求出L階的梅爾倒譜參數(shù)。不同的梅爾濾波器是交集相關(guān)的,使用DCT變換可去掉這些相關(guān)性。離散余弦轉(zhuǎn)換公式如下

(9)

式中:L為MFCC系數(shù)階數(shù);M為三角濾波器個(gè)數(shù)。

1.1.5 差量倒頻譜特征

要獲得語(yǔ)音信號(hào)各幀之間的動(dòng)態(tài)信息,就需要加上差量倒頻譜特征,以顯示倒頻譜對(duì)時(shí)間的變化。可以用當(dāng)前幀的前后幾幀的信息來(lái)計(jì)算一階差量倒頻譜特征

(10)

上式得到的dt是差量特征,計(jì)算第t幀需要t-P到t+P的系數(shù)(P通常取2)。若對(duì)一階差量的結(jié)果再使用上述公式就可得到二階差量倒頻譜特征,這樣總共可得到3×12=36維的特征。取一階和二階差分特征,再加入每幀的對(duì)數(shù)能量作為特征,共可得到MFCC特征向量為3×13=39維。

1.2 倒譜距離雙門限檢測(cè)

梅爾倒譜特征作為語(yǔ)音信號(hào)特征具有很好的魯棒性,在噪聲強(qiáng)度很高的情況下,對(duì)于語(yǔ)音幀和非語(yǔ)音幀的區(qū)分,使用其他信號(hào)特征很難進(jìn)行,因此采用上述計(jì)算出的梅爾倒譜特征進(jìn)行語(yǔ)音幀的端點(diǎn)檢測(cè)。

信號(hào)復(fù)倒譜定義為信號(hào)能量譜密度函數(shù)S(ω)的對(duì)數(shù)的傅里葉級(jí)數(shù),其可表示式為

(11)

式中cn為實(shí)數(shù),通常稱為倒譜系數(shù),且

(12)

對(duì)于一對(duì)譜密度函數(shù)S(ω)與S′(ω),根據(jù)Parseval定理,倒譜距離表示對(duì)數(shù)譜的均方距離

(13)

信號(hào)譜的差異可以以倒譜距離作為衡量標(biāo)準(zhǔn)。先假定開(kāi)始幾幀是背景噪聲,可計(jì)算出其倒譜距離矢量,利用其平均值可近似估計(jì)出背景噪聲的倒譜距離矢量。之后的當(dāng)前幀若被認(rèn)為是非語(yǔ)音幀,則背景噪聲倒譜距離矢量可按下式進(jìn)行更新

(14)

若被認(rèn)為是語(yǔ)音幀,則正常計(jì)算語(yǔ)音信號(hào)的倒譜距離矢量。

計(jì)算中對(duì)于式(13)表示的倒譜距離可進(jìn)行近似計(jì)算,如式(15)所示

(15)

采用雙門限法進(jìn)行語(yǔ)音幀端點(diǎn)檢測(cè)。先為倒譜距離設(shè)置較低和較高兩個(gè)門限,較低門限用于檢測(cè)信號(hào)的初步變化;較高門限用于最終確認(rèn)信號(hào)的變化。假如信號(hào)超過(guò)了低門限,并不能確認(rèn)是語(yǔ)音的開(kāi)始,有可能是隨機(jī)噪聲超過(guò)了低門限。只有當(dāng)信號(hào)超過(guò)了高門限,并且在之后一段時(shí)間內(nèi)一直在低門限上方,才能表明語(yǔ)音信號(hào)開(kāi)始。低于高門限時(shí)可能是擾動(dòng)所引起的,未必是語(yǔ)音結(jié)束,只有低于低門限且持續(xù)一段時(shí)間內(nèi)低于高門限,才能表明語(yǔ)音信號(hào)結(jié)束。語(yǔ)音端點(diǎn)檢測(cè)的準(zhǔn)確性和敏感度受這兩個(gè)門限的影響很大:若設(shè)定過(guò)高,則會(huì)導(dǎo)致漏檢率上升;若設(shè)定過(guò)低,則會(huì)使誤檢率上升。在實(shí)際應(yīng)用中,需根據(jù)具體數(shù)據(jù)和應(yīng)用場(chǎng)景進(jìn)行的參數(shù)調(diào)整。

1.3 譜減法降噪

經(jīng)典的語(yǔ)音降噪算法為譜減法,具有簡(jiǎn)單易實(shí)現(xiàn),計(jì)算量小的優(yōu)點(diǎn),在實(shí)際中應(yīng)用廣泛。依據(jù)人類語(yǔ)音的短時(shí)平穩(wěn)特性,以及常見(jiàn)加性噪聲頻譜,近似替代含噪語(yǔ)音幀中的噪聲頻譜,再利用帶噪語(yǔ)音的頻譜減去這個(gè)底噪頻譜,從而達(dá)到降噪功能。

使用譜減法進(jìn)行語(yǔ)音降噪處理,先根據(jù)之前階段已找到的各語(yǔ)音段端點(diǎn),對(duì)噪音段進(jìn)行消去并更新底噪水平,對(duì)語(yǔ)音段消除噪聲的影響。之后再進(jìn)行平滑處理。人耳對(duì)語(yǔ)音的感知主要來(lái)源于語(yǔ)音幅度譜,對(duì)語(yǔ)音相位譜的感知并不敏感,因此在后續(xù)計(jì)算中可使用譜減前的含噪語(yǔ)音的相位譜近似代替譜減后的語(yǔ)音相位譜,進(jìn)而可計(jì)算得到降噪處理后的時(shí)域語(yǔ)音信號(hào)。

1.4 濾波器濾除雜音

使用濾波法進(jìn)一步濾除消噪后語(yǔ)音信號(hào)中的雜音。由于譜減法的缺點(diǎn)是存在對(duì)負(fù)數(shù)域的非線性處理及對(duì)噪聲譜的估計(jì)存在的偏差,處理后往往會(huì)產(chǎn)生“音樂(lè)噪聲”。為削弱這種附加的噪聲,方便后續(xù)嵌入式的實(shí)現(xiàn),采用車比雪夫低通濾波器對(duì)低頻語(yǔ)音段進(jìn)行濾波處理,可明顯降低這種噪聲的影響。此外,對(duì)于系統(tǒng)中存在的工頻等其他頻率的干擾,為便于后續(xù)嵌入式實(shí)現(xiàn),采用凱澤窗高通濾波器進(jìn)行濾波,只保留需要頻段的語(yǔ)音分量,可明顯消除這類噪聲的影響。

2 實(shí)驗(yàn)分析

選用從某型短波電臺(tái)接收端實(shí)際接收到的真實(shí)含噪語(yǔ)音作為處理信號(hào)。設(shè)置其采樣率為8 kHz,采用一段典型背景下的接收帶噪語(yǔ)音進(jìn)行語(yǔ)音降噪和濾波處理,原始語(yǔ)音信號(hào)波形如圖3所示。

圖3 原始語(yǔ)音信號(hào)波形

由圖3可以看出,噪音幅度較大,已完全覆蓋了語(yǔ)音的幅度。這種情況下,采用常規(guī)語(yǔ)音識(shí)別方法難以區(qū)分出語(yǔ)音和噪音。

原始語(yǔ)音信號(hào)經(jīng)過(guò)前述的基于梅爾倒譜距離的語(yǔ)音端點(diǎn)檢測(cè)處理后,依據(jù)設(shè)置的雙門限劃分出了各自的語(yǔ)音段和噪音段,結(jié)果如圖4所示。

圖4 基于Mel倒譜距離的雙門限端點(diǎn)檢測(cè)

圖4中黑色曲線為倒譜距離軌跡,橫向黑色直線為設(shè)置的較高門限T1,橫向綠色虛線為設(shè)置的較低門限T2,豎向紅色直線為判斷的語(yǔ)音段起始點(diǎn),豎向藍(lán)色虛線為判斷的語(yǔ)音段結(jié)束點(diǎn)。由圖4可明顯看出,使用本文提出的方法處理后語(yǔ)音段和噪音段的劃分非常明顯,這有利于后續(xù)的降噪處理。

采用前述的譜減法降噪算法處理后,得出降噪后的語(yǔ)音信號(hào)如圖5所示。由圖5可見(jiàn),經(jīng)譜減法降噪處理后,帶噪語(yǔ)音的語(yǔ)音信號(hào)得到了增強(qiáng),同時(shí)噪音信號(hào)得到了抑制。

圖5 譜減降噪后的波形

采用前述的濾波器進(jìn)行濾波處理,前述設(shè)計(jì)的低通濾波器幅頻響應(yīng)如圖6所示。

圖6 低通濾波器幅頻響應(yīng)曲線

采用高通濾波器幅頻特性曲線如圖7所示。

圖7 高通濾波器幅頻響應(yīng)曲線

對(duì)帶噪語(yǔ)音段進(jìn)行濾波處理后的波形如圖8所示。

圖8 進(jìn)行濾波處理后的波形

由圖8可見(jiàn),對(duì)所選擇的真實(shí)帶噪語(yǔ)音段經(jīng)語(yǔ)音降噪系統(tǒng)處理后可有效進(jìn)行語(yǔ)音段分解,語(yǔ)音信號(hào)得到加強(qiáng),白噪聲和“音樂(lè)噪聲”信號(hào)得到抑制,輸出語(yǔ)音清晰,可懂度高,噪聲明顯減少,能夠滿足語(yǔ)音降噪的功能要求。

為進(jìn)行定性實(shí)驗(yàn)分析,采用上述Mel分段-譜減法對(duì)開(kāi)源帶噪語(yǔ)音數(shù)據(jù)進(jìn)行降噪處理,并將所得結(jié)果與標(biāo)準(zhǔn)譜減算法進(jìn)行比較。

評(píng)價(jià)指標(biāo)選擇語(yǔ)音處理中較常用的語(yǔ)音質(zhì)量感知評(píng)價(jià)(PESQ)指標(biāo),該指標(biāo)是國(guó)際電信聯(lián)盟認(rèn)定的客觀語(yǔ)音質(zhì)量評(píng)估指標(biāo),得分位于-0.5到4.5,越高代表語(yǔ)音質(zhì)量越高[7]。

開(kāi)源含噪語(yǔ)音數(shù)據(jù)選擇的是中文語(yǔ)音庫(kù)THCHS-30,其由清華大學(xué)語(yǔ)音與語(yǔ)言技術(shù)中心制作。其干凈語(yǔ)音由單麥克風(fēng)錄制,并且可選擇附加強(qiáng)度可控的三種典型噪聲:餐廳噪聲、汽車噪聲或白噪聲。設(shè)置采樣精度為16 bit、采樣率為16 kHz。

本文選擇該語(yǔ)音庫(kù)中具體代表性的語(yǔ)音段并附加白噪聲,控制信噪比分別為-5、0、5、10和15 dB,通過(guò)下采樣達(dá)到8 kHz采樣率,分別采用標(biāo)準(zhǔn)譜減法和Mel分段-譜減法兩種方法進(jìn)行降噪處理,結(jié)果如表1所示。

表1 不同信噪比下不同算法的PESQ結(jié)果

由表1可知,帶噪語(yǔ)音的信噪比從-5 dB到15 dB變化時(shí),經(jīng)Mel分段-譜減方法進(jìn)行降噪處理的PESQ得分相較于標(biāo)準(zhǔn)譜減法降噪分別提高了0.36、0.24、0.49、0.28和0.29,相較于未處理語(yǔ)音更是提高了0.45、0.60、0.51、0.58和0.49。由此可看出,本文所提出的基于Mel分段-譜減降噪算法在降噪性能上優(yōu)于標(biāo)準(zhǔn)譜減算法。

3 結(jié)論

針對(duì)短波語(yǔ)音通信場(chǎng)景,基于梅爾倒譜距離的語(yǔ)音端點(diǎn)檢測(cè)與譜減法降噪和有效的濾波器濾波相結(jié)合研究了數(shù)字語(yǔ)音降噪系統(tǒng)設(shè)計(jì)方案,并通過(guò)實(shí)驗(yàn)方法對(duì)帶噪語(yǔ)音進(jìn)行降噪處理,并與常用的標(biāo)準(zhǔn)譜減法進(jìn)行對(duì)比。結(jié)果表明,本文提出的Mel分段-譜減法能夠高效的實(shí)現(xiàn)對(duì)強(qiáng)噪聲短波電臺(tái)接收語(yǔ)音的有效降噪功能,輸出語(yǔ)音清晰,可懂度高,同時(shí)又具有算法簡(jiǎn)單等優(yōu)點(diǎn)。