CN112017681B - 定向语音的增强方法及系统 - Google Patents
定向语音的增强方法及系统 Download PDFInfo
- Publication number
- CN112017681B CN112017681B CN202010928538.4A CN202010928538A CN112017681B CN 112017681 B CN112017681 B CN 112017681B CN 202010928538 A CN202010928538 A CN 202010928538A CN 112017681 B CN112017681 B CN 112017681B
- Authority
- CN
- China
- Prior art keywords
- noise
- voice
- directional
- speech
- intervals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002708 enhancing effect Effects 0.000 title abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 13
- 239000003638 chemical reducing agent Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 101001120757 Streptococcus pyogenes serotype M49 (strain NZ131) Oleate hydratase Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229940083712 aldosterone antagonist Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
- G10L2021/02166—Microphone arrays; Beamforming
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明实施例提供一种定向语音的增强方法。该方法包括:利用m个麦克风的麦克风阵列将空间划分成n个区间,对n个区间进行信号定向增强;采集n个区间中n条通道的语音信号;将n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定n条通道的语音信号的参数大小,确定n个区间中的定向收音区间,将定向收音区间对应通道的语音信号确定为增强定向语音。本发明实施例还提供一种定向语音的增强系统。本发明实施例避免了DOA计算可能存在导致的性能下降问题,利用神经网络优于传统噪声估计算法的优点,可以得到更好的降噪效果。
Description
技术领域
本发明涉及语音增强领域,尤其涉及一种定向语音的增强方法及系统。
背景技术
为了提高语音采集、识别效果,会考虑到目标源说话的位置,进行定向拾音。通常会使用:1、通过定向拾音指令,得到所需角度,然后经延时补偿,再经预设滤波器算法降噪,其噪声估计方法为对数谱幅度最优估计法和/或MCRA算法;2、通过TDOA方法求得目标声源大致方向,再由MVDR计算目标声源的加权矢量,最终获得目标声源准确位置处的定向拾音数据;3、通过智能设备的唤醒功能和多个瞬时到达方向值,求得音频信号的实际到达方向,再对该方向进行定向的拾音。
在实现本发明过程中,发明人发现相关技术中至少存在如下问题:
1、噪声估计方法为传统信号处理方法,只能估计较为平稳的噪声,无法处理突变的噪声,如鼠标键盘点击声、音乐铃声、关门声等;
2、TDOA在存在环境噪声的情况下,目标方向的准确率会下降,噪声越强准确率越低,方向计算错误会严重影响拾音效果且该方案无法处理和目标声源方向同向的噪声;
3、需要语音唤醒这个功能模块,如果设备没有语音唤醒功能(如会议设备、线上教学设备、主播直播设备等),则无法工作,具有明显的局限性。
发明内容
为了至少解决现有技术中无法处理突变的噪声、在存在环境噪声的情况下目标方向的准确率较差、需要语音唤醒等局限性的问题。
第一方面,本发明实施例提供一种定向语音的增强方法,包括:
利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
采集所述n个区间中n条通道的语音信号;
将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
第二方面,本发明实施例提供一种定向语音的增强方法,包括:
利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;
将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
第三方面,本发明实施例提供一种定向语音的增强系统,包括:
区间划分程序模块,用于利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
信号采集程序模块,用于采集所述n个区间中n条通道的语音信号;
定向增强程序模块,用于将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
第四方面,本发明实施例提供一种定向语音的增强系统,包括:
区间划分程序模块,用于利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
降噪程序模块,用于采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;
定向增强程序模块,用于将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
第五方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的定向语音的增强方法的步骤。
第六方面,本发明实施例提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明任一实施例的定向语音的增强方法的步骤。
本发明实施例的有益效果在于:将360°空间进行区间划分,计算所有方向的信号,避免了DOA计算可能存在导致的性能下降问题,利用神经网络优于传统噪声估计算法的优点,可以得到更好的降噪效果,如语音失真小,清晰度/可懂度高、噪声衰减大等;同时由于神经网络对语音/噪声的估计、语音存在检测的准确率更高,定向收音区间准确率很高,从而无需唤醒等其他功能模块的支持,模块间解耦性较好,利于每个模块单独维护和优化。
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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种定向语音的增强方法的流程图;
图2是本发明另一实施例提供的一种定向语音的增强方法的流程图;
图3是本发明一实施例提供的一种定向语音的增强系统的结构示意图;
图4是本发明另一实施例提供的一种定向语音的增强系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示为本发明一实施例提供的一种定向语音的增强方法的流程图,包括如下步骤:
S11:利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
S12:采集所述n个区间中n条通道的语音信号;
S13:将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
对于步骤S11,首先利用麦克风阵列对空间多个固定方向进行信号定向增强。比如m个麦克风的麦克风阵列通过阵列信号处理(如定向MVDR(minimum variancedistortionless response,最小方差无失真响应)、FB(fixed beamforming,固定波束形成)、自适应谷点形成算法、GSC(generalized sidelobe cancellation,广义旁瓣抑制器)、LCMV(linear constraint minimal variance,线性约束最小方差)等)可以将空间360°划分成n个区间(m,n≥2,且均为正整数),即得到n通道增强信号,每个通道对应空间中的某个固定方向。
这样通过空间区分,可以将目标声源和噪声源分到不同的区间内,从而提升了目标声源所在方向的信噪比。麦克风数m越大,区间数n也越大,即区间越细,越容易区分目标声源和噪声源,区间的波束指向性也越好,信噪比也越高。通常,2/3个及以上麦克风阵列即可实现很好的3/5米以上远距离拾音效果。
对于步骤S12,在步骤S11划分好的n个区间进行信号采集,采集到n条通道的语音信号。
对于步骤S13,获得n条通道的语音信号后,输入到通道选择模块选取最终定向的单通道增强信号。
如果不知道用户相对麦克风阵列的方向,该情况下,通道选择模块可以借助每个通道的神经网络语音存在检测输出节点的数值大小、宽带/子带语音幅度比值的大小、宽带/子带语音能量/幅度的大小、宽带/子带语音信噪比的大小等一种或多种的组合,来判断哪个通道存在语音的概率最大,通道选择模块选取语音存在概率最大的那个通道即可。由于神经网络对语音/噪声的估计、语音存在检测的准确率明显优于传统信号处理(比如传统的语音存在检测基于短时能量、音高、过零率等特征,在噪声环境中准确率会明显下降。神经网络则可以得到各种环境下稳定且很高的准确率),因此保证了非常准确的通道选择结果。比如,会议/线上教育设备,说话人通常分布在以设备为中心的四周,由于每次的发言人可能处在不同的方向区间,这时需要通道选择模块来进行方向选择,同样可实现发言人方向的定向增强功能,同时抑制其他噪声,提高发言人的清晰度、可懂度。
通过该实施方式可以看出,将360°空间进行区间划分,计算所有方向的信号,避免了DOA计算可能存在导致的性能下降问题,由于神经网络对语音/噪声的估计、语音存在检测的准确率更高,且无需唤醒等其他功能模块的支持,模块间解耦性较好,利于每个模块单独维护和优化。
如图2所示为本发明一实施例提供的一种定向语音的增强方法的流程图,包括如下步骤:
S21:利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
S22:采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;
S23:将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
对于步骤S21,与步骤S11相同,在此不再赘述。
对于步骤S22,在步骤S11划分好的n个区间进行信号采集,采集到n条通道的语音信号
然后对这n通道增强语音信号的每个通道分别计算每一帧的特征,该特征与模型训练时保持完全一致,比如频率范围、维数、预加重等处理。然后根据模型训练时是否前后拼帧、具体拼帧方式、是否开启CMVN(cepstral mean and variance normalization,特征均值方差归一化)等,对特征进行处理后输入模型,模型前向计算得到每一帧每一个频点上的语音/噪声能量比Gspeech/noise tif或者幅度谱Aspeech/noise tif,比如时间t=10,20…ms;通道i=1,2…n;频率f=0,50,100…8000Hz。如果是语音/噪声能量比Gspeech/noise tif,Gspeech tif或(1-Gnoise tif)乘以对应通道带噪功率谱,开方后再乘以对应通道带噪语谱的相位谱得到降噪语谱;如果是语音/噪声幅度谱Aspeech/noise tif,Aspeech tif或(A带噪语谱tif-Anoise tif)乘以对应通道带噪语谱的相位谱即为降噪语谱,以此得到n通道降噪信号。
对于步骤S23,获得n条通道的降噪信号后,输入到通道选择模块选取最终定向的单通道增强信号。如果不知道用户相对麦克风阵列的方向,该情况下,通道选择模块可以借助每个通道的神经网络语音存在检测输出节点的数值大小、宽带/子带语音幅度比值的大小、宽带/子带语音能量/幅度的大小、宽带/子带语音信噪比的大小等一种或多种的组合,来判断哪个通道存在语音的概率最大,通道选择模块选取语音存在概率最大的那个通道即可。由于神经网络对语音/噪声的估计、语音存在检测的准确率明显优于传统信号处理(比如传统的语音存在检测基于短时能量、音高、过零率等特征,在噪声环境中准确率会明显下降。神经网络则可以得到各种环境下稳定且很高的准确率),因此保证了非常准确的通道选择结果。比如,会议/线上教育设备,说话人通常分布在以设备为中心的四周,由于每次的发言人可能处在不同的方向区间,这时需要通道选择模块来进行方向选择,同样可实现发言人方向的定向增强功能,同时抑制其他噪声,提高发言人的清晰度、可懂度。
通过该实施方式可以看出,将360°空间进行区间划分,计算所有方向的信号,避免了DOA计算可能存在导致的性能下降问题,利用神经网络优于传统噪声估计算法的优点,可以得到更好的降噪效果,如语音失真小,清晰度/可懂度高、噪声衰减大等;同时由于神经网络对语音/噪声的估计、语音存在检测的准确率更高,定向收音区间选择的准确率很高,从而无需唤醒等其他功能模块的支持,模块间解耦性较好,利于每个模块单独维护和优化。
作为一种实施方式,在本实施例中,所述降噪神经网络模型由语音/噪声频谱训练,包括:
基于搭载麦克风阵列的设备的性能,选择降噪神经网络模型的类型;
提取带噪训练语音集合内各带噪语音的语音特征,将所述语音特征作为所述降噪神经网络模型的输入进行训练,直至所述降噪神经网络模型输出的估计语音/噪声频谱向预设的基准语音/噪声频谱收敛,其中,语音/噪声频谱包括:语音/噪声能量比或语音/噪声幅度谱,所述估计语音/噪声频谱用于对所述语音信号进行语音降噪。
在本实施方式中,由于一些设备比如可便携设备(耳机、手表、户外直播设备等)的运算能力和存储空间相对有限,需要结合实际情况确定模型类型和大小。例如摆在客厅中间的智能音响对计算量和内存要求不高,又或者为主播提供录制视频的智能摄像头,则会要求计算量和内存尽可能的小。模型的类型可选比较多,比如DNN(deep neural networks,深度神经网络)、CNN(convolutional neural networks,卷积神经网络)、LSTM(long shortterm memory,长短时记忆神经网络)、FSMN(feedforward sequential memory networks,前馈序列神经网络)、RNN(reccurrent neural networks,递归神经网络)等一种或多种的组合进行适当选择。
收集近场纯净语音(如专业录音棚录制)和各种噪声场景下的纯噪声(不包含语音)数据。然后,将近场纯净语音通过大量不同的空间冲激响应、空间频率响应调制,再通过设定的信噪比范围,与各种噪声进行叠加处理得到带噪语音。在加噪处理的同时可以得到语音/噪声频谱的分布情况,通常选用语音/噪声能量比Gspeech/noise或者语音/噪声幅度谱Aspeech/noise,作为模型训练的标签。
另外,通过提取带噪语音的语音特征,如FFT(fast fourier transform,快速傅里叶变换)频点/子带、梅尔域/Bark域Fbank(filter bank,滤波器组)、MFCC(mel frequencycepstrum coefficient,梅尔频率倒谱系数)、LPC(linear prediction coefficient,线性预测系数)等一种特征或多种特征的组合,作为模型训练的输入。因为语音存在时间上的连续性,所以模型输入做前后拼帧处理后模型效果会有提升。但向后拼帧会带来延时问题,在通话场景中延时越小越好,因此可以向前拼的帧数多一些,向后拼的少一些。比如在人耳无法感知的范围内,延时尽可能做大以保证性能,通常在100毫秒以内。比如,帧移10ms,向前拼5帧,当前1帧,向后拼1帧,得到共计7帧的特征输入。此时的通话延时为信号处理重叠相加的1帧以及向后拼的1帧,共计2帧20ms,该延时较小,不会造成听感上的明显差异或者影响双讲情况。此外,模型还可选择对输入特征是否做CMVN(cepstral mean and variancenormalization,特征均值方差归一化),开启后模型对输入数据的绝对幅度不敏感,有利于模型训练收敛,也有利于远场小幅度的语音。
可选的,可以增加语音存在检测相关的标签,比如存在语音时标签为1,不存在语音,即纯噪声段时标签为0。增加该标签有助于通道选择模块的准确率。
通过该实施方式可以看出,训练神经网络模型利用神经网络优于传统噪声估计算法的优点,可以得到更好的降噪效果。
作为一种实施方式,在本实施例中,所述将所述n条通道的降噪信号输入至通道选择模块还包括:
若存在指定的收音区间时,将所述指定的收音区间对应通道的降噪信号确定为增强定向语音。
在本实施方式中,指定相对麦克风阵列的方向。该情况较为简单,首先设计好该方向区间的麦克风阵列权重系数,然后通道选择模块直接选取该方向对应的通道即可。比如,网络直播的主播通常站/坐在相对固定的区域内,这样通过设计好麦克风阵列位置及角度,预先设计好该方向区间的参数,通道选择模块固定选择该方向,即可实现定向拾取主播语音的功能,同时抑制其他噪声(如主播边上有播放背景音乐的有源音箱、房间开关门等噪声)。
通过该实施方式可以看出,指定相对麦克风阵列的方向,保证了主播语音的清晰度、可懂度。
作为一种实施方式,所述利用m个麦克风的麦克风阵列将空间划分成n个区间包括:
基于用户预设的指定空间,利用m个麦克风的麦克风阵列将空间划分成n个等分或n个不等分的区间。
在本实施方式中,这些方向可以360°等分,也可以根据实际需求进行不等分的滤波器权重设计。例如上文中举例的主播。由于主播位置相对固定,这样可以进行不等分空间划分,为主播位置的空间角度划分大一些。这样在指定相对麦克风阵列的方向上进一步提高了语音的清晰度、可懂度。
如图3所示为本发明一实施例提供的一种定向语音的增强系统的结构示意图,该系统可执行上述任意实施例所述的定向语音的增强方法,并配置在终端中。
本实施例提供的一种定向语音的增强系统包括:区间划分程序模块11,信号采集程序模块12和定向增强程序模块13。
其中,区间划分程序模块11用于利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;信号采集程序模块12用于采集所述n个区间中n条通道的语音信号;定向增强程序模块13用于将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的定向语音的增强方法;
作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:
利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
采集所述n个区间中n条通道的语音信号;
将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
如图4所示为本发明一实施例提供的一种定向语音的增强系统的结构示意图,该系统可执行上述任意实施例所述的定向语音的增强方法,并配置在终端中。
本实施例提供的一种定向语音的增强系统包括:区间划分程序模块21,降噪程序模块22和定向增强程序模块23。
其中,区间划分程序模块21用于利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;降噪程序模块22用于采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;定向增强程序模块23用于将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
进一步地,所述降噪程序模块用于:
基于搭载麦克风阵列的设备的性能,选择降噪神经网络模型的类型;
提取带噪训练语音集合内各带噪语音的语音特征,将所述语音特征作为所述降噪神经网络模型的输入进行训练,直至所述降噪神经网络模型输出的估计语音/噪声频谱向预设的基准语音/噪声频谱收敛,其中,语音/噪声频谱包括:语音/噪声能量比或语音/噪声幅度谱,所述估计语音/噪声频谱用于对所述语音信号进行语音降噪。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的定向语音的增强方法;
作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:
利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m,n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;
将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中,当被处理器执行时,执行上述任意方法实施例中的定向语音的增强方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据装置的使用所创建的数据等。此外,非易失性计算机可读存储介质可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的定向语音的增强方法的步骤。
本申请实施例的客户端以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如平板电脑。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据处理功能的电子装置。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种定向语音的增强方法,包括:
利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m、 n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
采集所述n个区间中n条通道的语音信号;
将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
2.一种定向语音的增强方法,包括:
利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m、 n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;
将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
3.根据权利要求2所述的方法,其中,所述降噪神经网络模型由语音/噪声频谱训练,包括:
基于搭载麦克风阵列的设备的性能,选择降噪神经网络模型的类型;
提取带噪训练语音集合内各带噪语音的语音特征,将所述语音特征作为所述降噪神经网络模型的输入进行训练,直至所述降噪神经网络模型输出的估计语音/噪声频谱向预设的基准语音/噪声频谱收敛,其中,语音/噪声频谱包括:语音/噪声能量比或语音/噪声幅度谱,所述估计语音/噪声频谱用于对所述语音信号进行语音降噪。
4.根据权利要求2所述的方法,其中,所述将所述n条通道的降噪信号输入至通道选择模块还包括:
若存在指定的收音区间时,将所述指定的收音区间对应通道的降噪信号确定为增强定向语音。
5.根据权利要求2所述的方法,其中,所述利用m个麦克风的麦克风阵列将空间划分成n个区间包括:
基于用户预设的指定空间,利用m个麦克风的麦克风阵列将空间划分成n个等分或n个不等分的区间。
6.一种定向语音的增强系统,包括:
区间划分程序模块,用于利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m、 n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
信号采集程序模块,用于采集所述n个区间中n条通道的语音信号;
定向增强程序模块,用于将所述n条通道的语音信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的语音信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的语音信号确定为增强定向语音,其中,所述语音信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
7.一种定向语音的增强系统,包括:
区间划分程序模块,用于利用m个麦克风的麦克风阵列将空间划分成n个区间,对所述n个区间进行信号定向增强,其中,m、 n≥2,n随着m的递增而递增,以对目标声源和噪声源在空间上进行初步区分;
降噪程序模块,用于采集所述n个区间中n条通道的语音信号,提取所述n条通道的语音信号中每一帧的语音特征,输入至降噪神经网络模型,输出所述n条通道的降噪信号,以扩大所述目标声源和噪声源的差异;
定向增强程序模块,用于将所述n条通道的降噪信号输入至通道选择模块,若不存在指定的收音区间时,基于神经网络确定所述n条通道的降噪信号的参数大小,确定所述n个区间中的定向收音区间,将所述定向收音区间对应通道的降噪信号确定为增强定向语音,其中,所述降噪信号的参数包括:神经网络节点的数值、宽带/子带语音幅度比值、宽带/子带语音能量/幅度、宽带/子带语音信噪比中的至少一种。
8.根据权利要求7所述的系统,其中,所述降噪程序模块用于:
基于搭载麦克风阵列的设备的性能,选择降噪神经网络模型的类型;
提取带噪训练语音集合内各带噪语音的语音特征,将所述语音特征作为所述降噪神经网络模型的输入进行训练,直至所述降噪神经网络模型输出的估计语音/噪声频谱向预设的基准语音/噪声频谱收敛,其中,语音/噪声频谱包括:语音/噪声能量比或语音/噪声幅度谱,所述估计语音/噪声频谱用于对所述语音信号进行语音降噪。
9.根据权利要求7所述的系统,其中,所述定向增强程序模块还用于:
若存在指定的收音区间时,将所述指定的收音区间对应通道的降噪信号确定为增强定向语音。
10.根据权利要求7所述的系统,其中,所述区间划分程序模块用于:
基于用户预设的指定空间,利用m个麦克风的麦克风阵列将空间划分成n个等分或n个不等分的区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010928538.4A CN112017681B (zh) | 2020-09-07 | 2020-09-07 | 定向语音的增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010928538.4A CN112017681B (zh) | 2020-09-07 | 2020-09-07 | 定向语音的增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017681A CN112017681A (zh) | 2020-12-01 |
CN112017681B true CN112017681B (zh) | 2022-05-13 |
Family
ID=73517071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010928538.4A Active CN112017681B (zh) | 2020-09-07 | 2020-09-07 | 定向语音的增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017681B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652320B (zh) * | 2020-12-04 | 2024-04-12 | 深圳地平线机器人科技有限公司 | 声源定位方法和装置、计算机可读存储介质、电子设备 |
CN112786069B (zh) * | 2020-12-24 | 2023-03-21 | 北京有竹居网络技术有限公司 | 语音提取方法、装置和电子设备 |
CN112837703B (zh) * | 2020-12-30 | 2024-08-23 | 深圳市联影高端医疗装备创新研究院 | 医疗成像设备中语音信号获取方法、装置、设备和介质 |
CN112992170B (zh) * | 2021-01-29 | 2022-10-28 | 青岛海尔科技有限公司 | 模型训练方法及装置、存储介质及电子装置 |
CN112951261B (zh) * | 2021-03-02 | 2022-07-01 | 北京声智科技有限公司 | 声源定位方法、装置及语音设备 |
CN113270097B (zh) * | 2021-05-18 | 2022-05-17 | 成都傅立叶电子科技有限公司 | 无人机械控制方法、电台语音指令转换方法及装置 |
CN113409811B (zh) * | 2021-06-01 | 2023-01-20 | 歌尔股份有限公司 | 声音信号处理方法、设备和计算机可读存储介质 |
CN113539260A (zh) * | 2021-06-29 | 2021-10-22 | 广州小鹏汽车科技有限公司 | 一种基于车辆的语音交流方法和装置 |
CN114827795A (zh) * | 2022-04-30 | 2022-07-29 | 上海浩宜信息科技有限公司 | 一种智能双向定向拾音麦克风 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8229740B2 (en) * | 2004-09-07 | 2012-07-24 | Sensear Pty Ltd. | Apparatus and method for protecting hearing from noise while enhancing a sound signal of interest |
US8130978B2 (en) * | 2008-10-15 | 2012-03-06 | Microsoft Corporation | Dynamic switching of microphone inputs for identification of a direction of a source of speech sounds |
KR101248971B1 (ko) * | 2011-05-26 | 2013-04-09 | 주식회사 마이티웍스 | 방향성 마이크 어레이를 이용한 신호 분리시스템 및 그 제공방법 |
CN109285557B (zh) * | 2017-07-19 | 2022-11-01 | 杭州海康威视数字技术股份有限公司 | 一种定向拾音方法、装置及电子设备 |
CN109831731B (zh) * | 2019-02-15 | 2020-08-04 | 杭州嘉楠耘智信息科技有限公司 | 音源定向方法及装置和计算机可读存储介质 |
CN110441730B (zh) * | 2019-07-04 | 2021-09-03 | 清华大学 | 一种基于模拟信号处理架构的麦克风阵列声源定向系统 |
CN110517701B (zh) * | 2019-07-25 | 2021-09-21 | 华南理工大学 | 一种麦克风阵列语音增强方法及实现装置 |
CN110956957B (zh) * | 2019-12-23 | 2022-05-17 | 思必驰科技股份有限公司 | 语音增强模型的训练方法及系统 |
-
2020
- 2020-09-07 CN CN202010928538.4A patent/CN112017681B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112017681A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017681B (zh) | 定向语音的增强方法及系统 | |
Szöke et al. | Building and evaluation of a real room impulse response dataset | |
CN109074816B (zh) | 远场自动语音识别预处理 | |
CN108899044B (zh) | 语音信号处理方法及装置 | |
CN111445920B (zh) | 一种多声源的语音信号实时分离方法、装置和拾音器 | |
CN111696567B (zh) | 用于远场通话的噪声估计方法及系统 | |
CN110797043B (zh) | 会议语音实时转写方法及系统 | |
CN108922553B (zh) | 用于音箱设备的波达方向估计方法及系统 | |
CN107919133A (zh) | 针对目标对象的语音增强系统及语音增强方法 | |
US20110096915A1 (en) | Audio spatialization for conference calls with multiple and moving talkers | |
JP2014085673A (ja) | 電子装置の音量をインテリジェントに制御する方法及び実装機器 | |
CN109658935B (zh) | 多通道带噪语音的生成方法及系统 | |
US11380312B1 (en) | Residual echo suppression for keyword detection | |
CN110610718A (zh) | 一种提取期望声源语音信号的方法及装置 | |
CN113870893B (zh) | 一种多通道双说话人分离方法及系统 | |
CN115359804B (zh) | 一种基于麦克风阵列的定向音频拾取方法和系统 | |
Shankar et al. | Efficient two-microphone speech enhancement using basic recurrent neural network cell for hearing and hearing aids | |
WO2022256577A1 (en) | A method of speech enhancement and a mobile computing device implementing the method | |
CN110169082B (zh) | 用于组合音频信号输出的方法和装置、及计算机可读介质 | |
US11528571B1 (en) | Microphone occlusion detection | |
CN114464184B (zh) | 语音识别的方法、设备和存储介质 | |
CN115620739A (zh) | 指定方向的语音增强方法及电子设备和存储介质 | |
CN113286252B (zh) | 一种声场重建方法、装置、设备及存储介质 | |
Li et al. | Speech separation based on reliable binaural cues with two-stage neural network in noisy-reverberant environments | |
CN109378012B (zh) | 用于单通道语音设备录制音频的降噪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 215123 14 Tengfei Innovation Park, 388 Xinping street, Suzhou Industrial Park, Suzhou, Jiangsu. Applicant after: Sipic Technology Co.,Ltd. Address before: 215123 14 Tengfei Innovation Park, 388 Xinping street, Suzhou Industrial Park, Suzhou, Jiangsu. Applicant before: AI SPEECH Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |