论文部分内容阅读
实际环境中,语音信号在到达听觉系统时往往伴随着其它噪声。一个能够有效的从干扰源中分离出目标语音的信号分离系统对于自动语音识别、说话人识别、音频检索以及数字内容管理等应用有着十分重要的意义。
目前,对混合语音信号的分离研究大体上集中在盲源分离及计算听觉场景分析这两个领域。本文主要从计算听觉场景分析领域对单声道混合语音分离算法进行了深入地研究和探索。所取得的主要工作成果和创新点如下:
>从感知质量的角度对语音分离系统的优化准则进行了探索性的研究,并取得初步的成果。证实了感知质量在语音分离工作中可以作为优化的准则。在此基础上,探讨了语音的感知质量这一高层知识与计算听觉场景分析的结合问题,提出了一种基于计算听觉场景分析和语音客观质量评估的单声道混合语音分离系统。该系统将语音客观感知质量作为听觉场景分析及语音分离的优化目标和准则,成功地将语音客观感知质量评估机理应用到语音分离系统中,提高了分离语音的质量。
>针对ITU-T P.563语音客观质量评估标准在使用方面的限制以及计算量大的缺点,提出了一种采用基于时域包络信息的客观质量评估方法来替代P.563算法的混合语音分离系统。该系统在几乎不降低系统分离性能的前提下,大大降低了算法运行所需的时间和资源消耗。
>针对许多计算听觉场景分析系统无法很好地解决多说话人混合语音信号分离的问题,提出了一种基于多基音跟踪的单声道混合语音分离系统。该系统充分利用了多基音跟踪研究的最新成果,通过将多基音跟踪得到的目标语音和干扰语音的基音轨迹信息结合到分离系统中,有效地改善了分离系统对多说话人混合语音的分离效果。
>针对大部分计算听觉场景分析系统无法解决清音信号的分离问题,提出了一个基于计算听觉场景分析和因子最大矢量量化的可以同时分离语音中的清音和浊音的混合语音分离方法。该方法通过使用机器学习技术从独立的纯净说话人语音数据中学习分组线索,并借助一个因子最大矢量量化模型来推断计算听觉场景分析再合成阶段所需的掩蔽信号,实现了目标说话人和干扰说话人语音的分离。实验表明,该方法能够有效地解决清音信号的分离问题,对两个说话人混叠语音也有很好的分离效果。此外,该系统还可以作为自动语音识别系统的鲁棒前端,提高语音识别系统的性能。