CN109215673A

CN109215673A - 一种VoIP电话网络RTP语音流降噪方法

Info

Publication number: CN109215673A
Application number: CN201810882002.6A
Authority: CN
Inventors: 钱玮
Original assignee: Hangzhou Touxiangda Data Technology Co Ltd
Current assignee: Hangzhou Touxiangda Data Technology Co Ltd
Priority date: 2018-08-06
Filing date: 2018-08-06
Publication date: 2019-01-15
Anticipated expiration: 2038-08-06
Also published as: CN109215673B

Abstract

本发明涉及一种语音流降噪方法，尤其涉及一种VoIP电话网络RTP语音流降噪方法，属于VoIP语音降噪领域。本发明能够应用于电话通话中，通过对主要人声的特定处理，在不同的音质或音频环境下，保留语音通话中的主要信息，达到降噪的目的，特别是针对各种危险环境下的报警，对通话做出清晰的语音处理。

Description

一种VoIP电话网络RTP语音流降噪方法

技术领域

本发明涉及一种语音流降噪方法，尤其涉及一种VoIP电话网络RTP语音流降噪方法，属于VoIP语音降噪领域。

背景技术

VoIP(英文Voice over Internet Protocol的简写)是将模拟信号(Voice)数字化，以数据封包(Data Packet)的形式在IP网络(IP Network)上做实时传递。VoIP最大的优势是能广泛地采用Internet和全球IP互连的环境，提供比传统业务更多、更好的服务。VoIP可以在IP网络上便宜的传送语音、传真、视频、和数据等业务，如统一消息业务、虚拟电话、虚拟语音/传真邮箱、查号业务、Internet呼叫中心、Internet呼叫管理、电话视频会议、电子商务、传真存储转发和各种信息的存储转发等。

VoIP的基本原理：通过语音的压缩算法对语音数据编码进行压缩处理，然后把这些语音数据按TCP/IP标准进行打包，经过IP网络把数据包送至接收地，再把这些语音数据包串起来，经过解压处理后，恢复成原来的语音信号，从而达到由互联网传送语音的目的。IP电话的核心与关键设备是IP网关，它把各地区电话区号映射为相应的地区网关IP地址。这些信息存放在一个数据库中，数据接续处理软件将完成呼叫处理、数字语音打包、路由管理等功能。在用户拨打长途电话时，网关根据电话区号数据库资料，确定相应网关的IP地址，并将此IP地址加入IP数据包中，同时选择最佳路由，以减少传输时延，IP数据包经Internet到达目的地的网关。在一些Internet尚未延伸到或暂时未设立网关的地区，可设置路由，由最近的网关通过长途电话网转接，实现通信业务。

RTP(英文Real-time Transport Protocol的简写)又称数据传输协议，用于实时传输数据。该协议提供的信息包括：时间戳(用于同步)、序列号(用于丢包和重排序检测)、以及负载格式(用于说明数据的编码格式)。

语音活动检测(Voice Activity Detection,简写为VAD)又称语音端点检测,语音边界检测。目的是从声音信号流里识别和消除长时间的静音期，以达到在不降低业务质量的情况下节省话路资源的作用，它是IP电话应用的重要组成部分。静音抑制可以节省宝贵的带宽资源，可以有利于减少用户感觉到的端到端的时延。

傅里叶变换是一种积分变换，它来源于函数的傅里叶积分表示。积分称为f的傅里叶积分。离散傅里叶变换(Discrete FourierTransform，缩写为DFT)，是傅里叶变换在时域和频域上都呈离散的形式，将信号的时域采样变换为其DTFT的频域采样。FFT是一种DFT的高效算法，称为快速傅立叶变换(fastFourier transform)，它根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。DFT公式为：

式中

现有技术中的VoIP语音降噪是经过一次处理，直接和本次输入的时间点相关，输出不具有负反馈特点，对于输出的正误不具有调节特性，不能获取降噪过程中的主要通话人的语音特点；不能更好的获取通话人语音，并将过程中的语音进行持续的判断，对输出结果的语意进行分析以确定更好的降噪方式。

传统的降噪方式不具备面向对象的设计思路，对于所有语音都一概处理，使不在人声范围内、不具有信息量的声音也被保留。该种声音对于VoIP通话的语意判断不具有任何帮助，并可能干扰语意。

现有技术中基于VAD进行的噪声估计，对语音和噪音之和进行能量检测，如果检测没有语音，则认为噪声，这是对噪声的估计方法，但是对于较低能量的语音很难估计。

发明内容

本发明针对上述技术问题，提供一种结构设计合理、能有效判断分析语意的VoIP电话网络RTP语音流降噪方法。

本发明解决上述技术问题所采用的技术方案是：

一种VoIP电话网络RTP语音流降噪方法，原始音频数据经过降噪模块，其中，outdata＝if*ifft(lamda*fft(data(n)))，

c＝fc(fft(data(n)))，peak＝fp(fft(data(n)))，

式中outdata为输出数据，if是负反馈因子，ifft是离散傅立叶逆变换， lamda为特征值，fft为离散傅立叶变换，data(n)为输入音频数据且分为每段n点数据的每段数据，c为曲线差分斜率，peak为峰值个数，fc函数用以过滤出符合人声的曲线，fp函数用以判断是否存在波峰。

本发明通过对主要人声的特定处理，在不同的音质下对于语音通话保留通话的主要信息，达到降噪的目的。

进一步的，该降噪方法包括以下步骤：

S1、对输入数据进行fft；

S2、对特定频域区间的特征分析；

S3、对特征分析结果进ifft；

S4、对ifft结果在降噪模块中进行语意分析，确定特征分析参数的修改方向；

S5、参数调优后对结果进行数据输出。

该设计能对不同频率的语音，做去除噪音操作，并完整保留在通话过程中的主体语音的完整性，保证语义分析的正确性。

更进一步的，在该降噪方法中，曲线差分斜率c不符合c₀的阀值时，将数据丢弃，其中c₀为人声基本特征的曲线差分斜率阀值。

更进一步的，在该降噪方法中，峰值个数peak大于peak₀的门限时，保留该段语音中最长时间出现的语音峰，进行后续转换成时域数据，其中peak₀为峰值门限。

更进一步的，在步骤S4中，输出数据经过if判断语意与输入文本text歧义度diff大于diff₀时，则从步骤S1重新开始，并调整lamda，直至确定特征分析参数的修改方向，其中diff₀为歧义度判断的临界值。

更进一步的，在该降噪方法中，c为50-500hz频段的曲线差分斜率。

进一步的，X(n)＝fft(data(n))，式中X(n)是data(n)在频域的曲线。

更进一步的，X_out1(n)＝fc(X(n))，式中X_out1(n)为过滤出符合人声的曲线。

更进一步的，outdata＝if*(x_out(n))。

本发明同现有技术相比具有以下优点及效果：本发明能够应用于电话通话中，通过对主要人声的特定处理，在不同的音质或音频环境下，保留语音通话中的主要信息，达到降噪的目的，特别是针对各种危险环境下的报警，对通话做出清晰的语音处理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

图2为本发明降噪之前的频率分析示意图。

图3为本发明降噪之后的频率分析示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和 “该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语 “如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

以下将通过实施例对本发明进行详细描述。

实施例1：

c＝fc(fft(data(n)))，peak＝fp(fft(data(n)))，

优选的，X(n)＝fft(data(n))，式中X(n)是data(n)在频域的曲线。当N＝1024 时，有公式其中公式中

更有选的，X_out1(n)＝fc(X(n))，用于过滤出符合人声的曲线。

具体换算过程如下：

1、low(n)＝sign(X(n)-X(n+1))sign(X(n+2)-X(n+1))，其中公式中low(n)是X(n)最小值处为1、其余为0的函数。

2、其中公式中C_hin(n)为一族共有h_max条的波峰曲线。

其中sign(a)为符号函数：

3、C_hstd(n)＝C_hin(n+n_h)，用于将C_hin(n)曲线偏移至起点的横坐标为0，其中是指第h个波谷点到原点的频率差值。

4、C_h(n)＝Rs(h)C_hstd(n)，C_h(n)为具有人声特征的一族波峰曲线。

其中Rs(h)为平坦度函数，C_hstd(n)符合的平坦度要求时Rs(h)为1，否则Rs(h)为0；N_max为C_hstd(n)曲线最大值的x坐标值； C_hstd(N_max)是C_hstd(n)的最大值；设定C₀＝1.1。

5、最大的宽度曲线对每个曲线宽度作差都大于等于0，其它曲线该值为0，当再次与其他曲线叠加时则不会产生效果，所以被作为噪音滤除。C_h0(n)作用是在C_h(n) 具有人声特征的一族波峰曲线中提取宽度最大的曲线，由于C_h0(n)的宽度大于等于其他曲线的宽度，故作差时其他曲线的会等于0，有且只有h＝h₀时函数才有值。h₀为符合人声特征曲线中宽度最大曲线在这族曲线中的序号；当h＝h₀时，该C_h0(n)曲线是C_h(n)这族曲线中符合人声特征的曲线的宽度最大的曲线。

用于计算语音峰宽度。

其中sign2(a)为符号函数：

6、X_out1(n)＝f_c(X(n))＝C_h0(n-n₀)，用于平移曲线到原有位置,C_h0(n)为C_h(n)曲线族中宽度最大曲线。

7、X_out(n)＝fp(X(n))*X_out1(n)，

其中X(n)大于等于一个峰时fp(n)为1，没有峰时fp(n)为0。

8、x_out(n)＝ifft(X_out(n))，x_out(n)为输出原始音频数据。当其中N＝1024时，对应公式为：

9、outdata＝if*(x_out(n))，其中if是负反馈因子，表示为：

判断语意与输入文本text歧义度diff小于等于diff₀时。

实施例2：

如图1所示，在实施例1的基础上，该降噪方法包括以下步骤：

S1、对输入数据进行fft，X(n)＝fft(data(n))；

S2、对特定频域区间的特征分析，X_out(n)＝lamda*X(n)；

S3、对特征分析结果进ifft，x_out(n)＝ifft(X_out(n))；

S5、参数调优后对结果进行数据输出。

在步骤S1中，确定lamda的特征分析参数，以该参数进行带通滤波(对地球物理信号进行处理的过程中，滤去高、低频信号，保留中频信号的滤波方法叫带通滤波)，并确定峰值曲线差分斜率，和峰值个数。优选的，上述的峰值曲线差分斜率为50-500hz频段的曲线差分斜率。优选的，当曲线差分斜率c符合 c₀的阀值，峰值个数peak符合peak₀的门限，则进行后续过程转换成输出原始音频数据；当曲线差分斜率c不符合c₀的阀值时，排除人声的可能，所以将数据丢弃，其中c₀为人声基本特征的曲线差分斜率阀值；当峰值个数peak大于 peak₀的门限，保留该段语音中最长时间出现的语音峰，进行后续转换成输出原始音频数据，其中peak₀为峰值门限。

在步骤S4中，输出数据经过if判断语意与输入文本text歧义度diff大于diff₀时，则从步骤S1重新开始，并调整lamda，直至确定特征分析参数的修改方向，以确定减少diff的方向，其中diff₀为歧义度判断的临界值。

如图2所示，一段语音的频率分析中，包含有若干波峰，经过本发明降噪后，如图3所示的频率分析，滤除了大部分的噪音，保留主题语音。

本发明能对不同频率的语音，做去除噪音操作，并完整保留在通话过程中的主体语音的完整性，保证语义分析的正确性。特别是针对各种危险环境下的报警，对通话做出清晰的语音处理，如在地震、洪水等灾害环境的sip电话(一种聊天通讯类软件，是同类产品中唯一一家对方能显示来电的真实手机号码，集WIFI直拨、回拨、短信为一体)、微信对讲通话过程中，有助于语音的清晰度的提高和语意的理解。

此外，需要说明的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims

1.一种VoIP电话网络RTP语音流降噪方法，其特征在于：原始音频数据经过降噪模块，其中，outdata＝if*ifft(lamda*fft(data(n)))，

c＝fc(fft(data(n)))，peak＝fp(fft(data(n)))，

式中outdata为输出数据，if是负反馈因子，ifft是离散傅立叶逆变换，lamda为特征值，fft为离散傅立叶变换，data(n)为输入音频数据且分为每段n点数据的每段数据，c为曲线差分斜率，peak为峰值个数，fc函数用以过滤出符合人声的曲线，fp函数用以判断是否存在波峰。

2.根据权利要求1所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：该降噪方法包括以下步骤：

S1、对输入数据进行fft；

S2、对特定频域区间的特征分析；

S3、对特征分析结果进ifft；

S5、参数调优后对结果进行数据输出。

3.根据权利要求2所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：在该降噪方法中，曲线差分斜率c不符合c₀的阀值时，将数据丢弃，其中c₀为人声基本特征的曲线差分斜率阀值。

4.根据权利要求3所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：在该降噪方法中，峰值个数peak大于peak₀的门限时，保留该段语音中最长时间出现的语音峰，进行后续转换成时域数据，其中peak₀为峰值门限。

5.根据权利要求4所述的一种VOIP电话网络RTP语音流降噪方法，其特征是：在步骤S4中，输出数据经过if判断语意与输入文本text歧义度diff大于diff₀时，则从步骤S1重新开始，并调整lamda，直至确定特征分析参数的修改方向，其中diff₀为歧义度判断的临界值。

6.根据权利要求5所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：在该降噪方法中，c为50-500hz频段的曲线差分斜率。

7.根据权利要求1所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：X(n)＝fft(data(n))，式中X(n)是data(n)在频域的曲线。

8.根据权利要求7所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：X_out1(n)＝fc(X(n))，用于过滤出符合人声的曲线。

9.根据权利要求8所述的一种VoIP电话网络RTP语音流降噪方法，其特征是：outdata＝if*(x_out(n))。