论文部分内容阅读
单通道语音分离(Single Channel Speech Separation,SCSS)是指从一维混合语音中恢复出多个语音的过程。这是一种欠定问题,解决起来极为困难。但是由于单个麦克风部署简单、价格低廉等特点,SCSS被广泛应用于各个领域。因此,对于单通道语音分离的研究具有一定的实用意义。近年来,深度神经网络(Deep Neural Network,DNN)常被用于解决单通道语音分离问题,它通过学习混合语音与目标源之间的非线性关系来解决语音分离问题,并取得了突出的成果。本文利用深度神经网络针对无噪和含噪情况下的单通道语音分离问题进行了一系列的探讨和研究。同时,在现有方法的基础上,对基于深度神经网络的单通道语音分离算法做了一定的优化。针对无噪和含噪两种情况,分别提出了利用联合约束算法以及幅度相位联合估计算法。实验结果表明,所提算法有效提高了语音的分离质量。本文的主要工作内容和贡献包括以下几个方面:(1)介绍了语音分离问题的研究意义和发展现状。详述了深度神经网络的原理与训练过程,并阐述了常见的声学特征和训练目标。剖析了基于深度神经网络解决单通道语音分离的系统框架及其实现过程。(2)针对无噪环境中的单通道语音分离问题,提出了基于双输出深度神经网络的单通道语音分离联合约束算法。该算法以传统基于双输出深度神经网络的单通道语音分离算法为基础,提出了一种具有联合约束的损失函数,并在该损失函数的指导下训练深度神经网络。该损失函数充分挖掘了深度神经网络双输出间的联合关系,通过联合约束来进一步约束网络参数使得估计语音幅度谱尽可能地逼近纯净语音幅度谱。最后实验仿真验证所提算法有效提高了语音的可懂性,减少了分离重构语音信号的失真。(3)针对噪声环境中的单通道语音分离问题,提出了基于深度神经网络的幅度相位联合估计的单通道含噪语音分离算法。传统方法通过训练单个DNN来直接分离含噪混合语音,且忽略了相位对于语音质量的影响。论文提出对语音信号的幅度和相位进行联合估计。在估计幅度时采用两步法,首先训练增强DNN对含噪语音做降噪处理,然后训练幅度分离DNN用以分离降噪后的混合信号幅度谱。在相位估计时,训练相位DNN来估测目标说话人的相位。最后,将分离后语音幅度谱特征与估计得到相位经由短时傅里叶逆变换重构语音信号。实验结果验证了所提算法的有效性。