论文部分内容阅读
语音分离作为语音信号处理系统的前端,其分离后的语音质量直接影响着整个系统的性能。以往的语音分离研究大多建立在固定方位目标的基础上,且在混响和噪声情况下性能急剧下降。本文结合人耳的听觉感知特性,基于双耳空间特征和谱特征,研究鲁棒的双耳语音分离算法。论文提出的算法主要包括两个方面:基于深度神经网络的双耳语音分离算法和基于混合特征的双耳语音分离算法。(1)基于深度神经网络和多分类的双耳语音分离算法。本文将分离的基本单元从频点扩展到子带,将前向方位的语音分离看成多分类问题,提取双耳空间特征耳间时间差ITD(Interaural Time Difference)、耳间强度差ILD(Interaural Level Difference)和互相关函数CCF(Cross Correlation Function),用于训练一个包含两个隐层、顶层为Softmax的神经网络,结合定位的先验信息,取概率较大的方位作为时频单元的声源归属,实现前向任意两方位角间的语音分离。本文同时对分离的理想二值掩膜IBM(Ideal Binary Mask)进行平滑,提升语音的听觉感知效果。论文采用SAR(Sources to Artifacts Ratio)、SDR(Source to Distortion Ratio)、SIR(Source to Interferences Ratio)、PESQ(Perceptual Evaluation of Speech Quality)作为评价指标,仿真结果表明此算法优于传统的DUET(Degenerate Unmixing Estimation Technique)算法。(2)基于混合特征的双耳语音分离算法。利用计算听觉场景分析,将空间特征和频谱特征进行结合,用于双耳语音分离。分别对说话人分离、语音增强两种情况进行分析。在频谱特征提取模块,利用波束形成器对双耳信号进行预处理用于提取频谱特征的单声道信号,随后提取单声道分离的频谱特征参数。之后将频谱特征和空间特征结合后输入深度神经网络进行训练,并在多种环境下进行仿真实验。本文采用STOI(Short-time Objective Intelligibility)和PESQ作为评价指标,仿真结果表明在语音增强中,将空间特征和频谱特征进行结合能提升语音分离的质量,且在不同混响环境下具有良好的范化性能。