CN113593590A - 一种语音中瞬态噪声的抑制方法 - Google Patents

一种语音中瞬态噪声的抑制方法 Download PDF

Info

Publication number
CN113593590A
CN113593590A CN202110835134.5A CN202110835134A CN113593590A CN 113593590 A CN113593590 A CN 113593590A CN 202110835134 A CN202110835134 A CN 202110835134A CN 113593590 A CN113593590 A CN 113593590A
Authority
CN
China
Prior art keywords
noise
transient noise
transient
speech
voice
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.)
Pending
Application number
CN202110835134.5A
Other languages
English (en)
Inventor
兰朝凤
司振飞
林小佳
陈思琪
韩玉兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202110835134.5A priority Critical patent/CN113593590A/zh
Publication of CN113593590A publication Critical patent/CN113593590A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Noise Elimination (AREA)

Abstract

一种深度复值U‑Net网络的瞬态噪声抑制方法，解决了传统方法在低信噪比下语音可懂度低、语音信号失真大的问题，属于语音增强领域。本发明包括：根据时频域语音信号，通过语音存在概率、阈值确定瞬态噪声所在时间段；建立改进的深度复值U‑Net网络的瞬态噪声抑制模型，改进的深度复值U‑Net网络模型总共有十一个卷积块，五个编码块，五个解码块，一个专注力块；最后将得到的瞬态噪声时域段送入到深度复值U‑Net网络模型中进行增强，然后把得到的增强结果插回到原序列中得到增强语音；本方法把深度学习应用于瞬态噪声的抑制，极大地提高了语音的可懂度。

Description

一种语音中瞬态噪声的抑制方法
技术领域
本发明涉及一种基于语音存在概率的瞬态噪声定位与改进的DCU-Net结合的瞬态噪声抑制方法，属于语音增强领域。
背景技术
语音是人们日常交流的主要手段，但是现实生活中的声音信号总是夹杂着各种各样的噪声，这些噪声有时候会严重影响语音的质量，降低语音的清晰度和可懂度。瞬态噪声已经慢慢的引起了许多学者的关注，主要原因是瞬态噪声在特定时间段包含了。大量的能量，在时域上与语音信号完全重叠，中强程度的瞬态噪声可以对语音信号造成淹没性的干扰，导致在输出端不能对有用信号进行很好的提取。
瞬态噪声的能量主要集中在它的低频部分，发生的概率也比其它噪声要低得多。虽然噪声抑制已经被研究了很多年，也比较成熟，但是大多数传统的语音增强算法都是针对连续的稳态干扰而设计的，对瞬态噪声的抑制效果很小。为非平稳噪声抑制设计的一些算法对瞬态噪声的抑制虽然有一定效果，但是绝大多数处理后的语音信号遭到破坏，结果令人不满意。
1964年首次提出来了语音信号中脉冲噪声抑制的问题，报告了脉冲噪声对于语音通话质量的危害和一些典型的特征，认为从数字化语音中去除脉冲噪声问题是一个参数估计的问题。谱减法是最早的语音去噪算法，由于噪声的功率谱估计并不准确，就会引入音乐噪声，所以对于像非稳态的瞬态噪声抑制能力并不理想。随着时间的推移，用于处理图像椒盐噪声的中值滤波被提了出来，同时被应用于语音中脉冲噪声的抑制问题，中值滤波器是一种信号相关滤波器，它能去除信号中快速变化分量，同时保留输入信号的缓慢变化分量。也正是由于这种特性，它可能会使语音快速变化的区域失真。
伴随着多尺度多分辨率特点的小波时频域局部分析方法的兴起，又有人又把小波算法引入到了语音去噪的问题中来，引起了众多学者的关注。例如，Nongpiur等人通过语音的时变缓慢特性和Lipschitz规律性来识别和抑制脉冲噪声的小波系数，降低了脉冲噪声，但是瞬态噪声的频域分布和语音重叠，因此这种方法并不适合瞬态噪声的抑制问题。2012年Hirszhorn等人提出了一种基于最优改进对数谱幅度估计(Optimally-Modified-LogSpectral-Amplitude,OM-LSA)的瞬态噪声抑制方法，该方法根据估计瞬态噪声的功率谱密度，设计OM-LSA滤波器进行语音增强。OM-LSA算法相比较其它抑制算法有较少的音乐噪声残留，因此也逐渐应用于工程领域用于抑制非稳态噪声，但是泛化能力差依然是此算法的一个短板。近几年由于深度学习的兴起，学者们又开始把深度学习算法应用于语音中噪声的抑制，比如Williamson等人通过深度神经网络估计复值理想比率掩膜的实部和虚部，极大地提高了语音可懂度。由此可见，相比于传统方法，深度学习泛化能力强、语音的增强效果也要好于传统方法，但运用深度学习处理瞬态噪声仍然是一个很大的挑战。
根据上述分析可知，对于瞬态噪声的抑制问题还是以传统方法居多，不过抑制效果不理想，深度学习已经广泛应用于语音增强之中，但是将深度学习运用在瞬态噪声抑制上的研究几乎没有。怎样才能更好的定位到瞬态噪声的位置、怎样提高受瞬态噪声污染的语音信号的强度而减少语音失真等，仍有很大的技术瓶颈有待突破。
发明内容
针对传统的语音增强算法对瞬态噪声抑制能力差、语音失真度大的问题，本发明提供一种提高瞬态噪声抑制能力和减少语音失真的基于深度复值U-Net的语音降噪方法。
本发明的一种语音中瞬态噪声的抑制方法，所述方法包括：
S1、通过语音存在概率和阈值确定瞬态噪声段；
S2、建立改进DCU-Net的瞬态噪声抑制模型；
S3、利用确定参数的改进的DCU-Net网络模型对带噪语音信号进行降噪；
优选的是，所述S1包括：
S11、将估计出的瞬态噪声经过阈值处理；
S12、将不连续的噪声掩膜经过向前搜索使之连续；
优选的是，所述S1中，将估计出的瞬态噪声时域幅值和阈值比较，如果比经验阈值大，则标记为瞬态噪声点。
生成的瞬态噪声掩膜可表达为：
Figure BDA0003176939770000021
其中，
Figure BDA0003176939770000022
为估计的瞬态噪声，δt为瞬态噪声存在经验阈值。
优选的是，所述S1中，噪声掩膜经过向前搜索使之连续表达为
Figure BDA0003176939770000023
其中，l为搜索距离，最大取值为100。
优选的是，所述S2中，在第一个神经网络块和第五个神经网络块之间加了一个神经网络块，称之为专注力块，使之可以学习到更多的噪声的特征。所述神经网络块有三个隐藏层，依次分别为二维卷积层、批量正则化层和最大池化层。
优选的是，所述S3中，利用确定参数的改进的DCU-Net网络模型对带噪语音信号进行降噪处理，把S1获取的瞬态噪声掩膜和带噪语音信号乘积之后取出带噪噪声段送入到确定参数的DCU-Net网络模型中进行增强。
本发明的有益效果，本发明借鉴传统的OM-LSA算法和深度复值U-Net网络，针对瞬态噪声具有短时能量大、随机性强、频域分布广的特点，传统去噪方法是语音和噪声关系的假设，因此并不能有效地抑制瞬态噪声。基于此，本发明根据最优改进对数谱幅度(Optimally-Modified-Log Spectral-Amplitude,OM-LSA)算法首先估计出含噪语音信号中的瞬态噪声，然后利用阈值确定瞬态噪声段，并把瞬态噪声段送入到改进的深度复值U-Net(Deep Complex U-Net，DCU-net)网络中进行语音增强，最后把增强结果插入到原序列中，重建去噪后的语音信号。在Voice Bank corpus语音数据集和自制噪声数据集中进行实验测试，结果表明本发明在时域上对瞬态噪声的幅值有较大的抑制。由此表明，本发明在低信噪比下对瞬态噪声有很强的抑制能力，语音质量得以提高。
附图说明
图1为瞬态噪声谱估计流程图；
图2为估计出的瞬态噪声掩膜；
图3为十个块的DCU-Net的网络结构及参数示意图；
图4为改进的十个块的DCU-Net网络结构图；
图5为增强前后的时域波形对比图；
图6为系统总体框图；
具体实施方式
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，所描述的实施例仅仅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的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。本实施方式的语音语音中瞬态噪声抑制的方法是首先通过传统的OM-LSA方法确定瞬态噪声的位置，然后把带有瞬态噪声的时域带噪语音段取出来，送入到改进的深度复值U-Net网络中进行语音增强，最后把增强的结果插回到原序列中，系统总体框图如图6所示。本实施方式一种语音中瞬态噪声的抑制的实现，包括：
S1、通过语音存在概率和阈值确定瞬态噪声段，包括：
S11、将估计出的瞬态噪声经过阈值处理；
S12、将不连续的噪声掩膜经过向前搜索使之连续；
背景噪声或者语音信号变化率比较大，因此可以利用这一特性对瞬态噪声进行追踪。瞬态噪声谱估计流程图如图1所示，本实施是在OM-LSA瞬态估计算法的基础上增加阈值判断，通过前向判断获取瞬态噪声段。
假设带噪语音模型表示如下
y(n)＝x(n)+t(n)
其中，x(t)、t(n)分别表示为纯净语音信号和瞬态噪声信号，y(n)表示二者混合后的信号。
经短时傅里叶变换，可以表示为
Y(k,l)＝X(k,l)+T(k,l)
其中，Y(k,l)、X(k,l)、T(k,l)分别表示y(n)、x(n)、t(n)的短时傅里叶变换。
把功率谱通过一阶平滑处理
S(k,l)＝αSS(k,l-1)+(1-αS)|Y(k,l)|2
其中，S(k,l)表示为它的局部能量，αS是平滑因子。
可以从有限的因果窗L中搜索得到平滑谱的最小值，表示为：
Figure BDA0003176939770000041
其中，
Figure BDA0003176939770000042
是S的局部最小值。
是否为瞬态噪声帧，可根据下式来判断：
Figure BDA0003176939770000043
其中，δ是一个经验阈值，当Sτ(k,l)＞δ时，判定当前帧为瞬态噪声帧。
经平滑处理后，瞬态噪声存在概率p(k,l)可表达为：
p(k,l)＝αpp(k,l-1)+(1-αp)I(k,l)
其中，αp是一个平滑参数，取值范围是0＜αp＜1，I(k,l)表示瞬态存在指标。如果Sτ(k,l)＞δ、则I(k,l)等于1，如果Sτ(k,l)＜δ、则I(k,l)等于0。
经推导，可以得到瞬态噪声谱估计，表示为：
Figure BDA0003176939770000051
其中，
Figure BDA0003176939770000052
αt是一个确定的平滑参数(0＜αt＜1)。
经推导，生成的瞬态噪声掩膜可表达为：
Figure BDA0003176939770000053
其中，
Figure BDA0003176939770000054
为估计的瞬态噪声，δt为瞬态噪声存在经验阈值。
由于得到的Iest是不连续的，可利用下式使之连续，表示为：
Figure BDA0003176939770000055
其中，l为搜索距离，最大取值为100。
Iest就是最终估计出来的瞬态噪声掩膜，估计出的瞬态噪声掩膜如图2所示。
S2、建立改进的DCU-Net的瞬态噪声抑制模型：
本实施是在DCU-Net的基础上改进而来，十个块的DCU-Net的网络模型及参数如图3所示，每个块的计算都是在复数域进行，本实施所涉及的复数计算规定如下：
首先我们给定一个复数滤波器表示为：
W＝A+Bi
其中，A和B表示实数矩阵，与复值向量h＝x+yi的卷积操作为：
W*h＝(A*x-B*y)+(B*x+A*y)i
本实施采用的损失函数为加权源失真比，源失真比(Source-to-distortion
ratio,SDR)可表达为：
Figure BDA0003176939770000061
其中，y是纯净语音信号，
Figure BDA0003176939770000062
是估计出来的语音信号。为了防止估计出来的语音信号误差累积过大，本文添加噪声弥补项
Figure BDA0003176939770000063
因此加权源失真比损失函数可表达为：
Figure BDA0003176939770000064
其中，
Figure BDA0003176939770000065
表示估计噪声，α表示纯净语音y和噪声z的能量比值。
我们在DCU-Net网络结构的基础上在第一个神经网络块和第五个神经网络块之间加了一个神经网络块，这个神经网络块包括三个隐藏层，分别是卷积层、批量归一化层和最大池化层，此神经网络块也采用复值计算，主要是为了学习更多的瞬态噪声的特征，改进的DCU-Net网络结构图如图4所示。
S3、利用确定参数的改进的DCU-Net网络模型对带噪语音信号进行降噪：
为了使语音信号最大程度的不失真，我们必须确定瞬态噪声所在位置，然后把带有瞬态噪声的时间段取出来，进行语音增强，本实施把S1获取的瞬态噪声掩膜Iest和带噪语音信号乘积之后取出带噪噪声段，然后把带噪噪声段送入到确定参数的改进的DCU-Net网络模型中进行增强，最后把增强结果插入到原序列中，重建语音信号，以实现抑制瞬态噪声的目的。
实验：
1、实验环境
实验环境在Pytorch框架下进行实验。实验设备采用处理器Inter(R)Core(TM)i7-9700 CPU@3.00GHz，安装内存32G，操作系统64位Windows10，GPU型号GEFORCE RTX 2080Ti，实验在GPU模式下运行。
2、语音数据集
语音数据集采用Voice Bank corpus数据集，VCTK语音数据集包含了109个英语母语者的各种口音的语音数据，每个人朗读大约400个句子，其中大部分是从报纸中挑选出来的。瞬态噪声数据集自采集，总共5种类型，分别是键盘声、敲桌子声、玻璃杯碰撞声、金属撞击声、椅子移动声，每类型100个样本，每个瞬态样本的时长是0.512秒，语音和噪声样本的采样率都是48kHz。在预处理阶段，每段语音截取一段和单个噪声样本大小一样的语音段，制成合成的带噪语音数据集，共7425条带噪语音，其中90％用作训练集，10％用作验证集。
3、实验结果
本发明结合OM-LSA和DCU-Net网络的优势，针对类间差异性的瞬态噪声抑制问题，提出融合基于语音存在概率谱估计与深度神经网络来抑制语音中瞬态噪声的方法。首先，本发明使用语音存在概率的谱估计法生成瞬态噪声段掩膜，然后通过瞬态噪声掩膜把带噪的噪声时间段取出来，保证输入到神经网络时噪声信息的完整。然后把噪声段经过短时傅里叶变换的结果组成复值图送入到改进的深度复值U-Net网络中进行语音增强。其次，模型中加入了批量正则化方法，使深度神经网络训练过程中每一层神经网络的输入保持相同分布，加快了训练速度、提高了泛化能力，语音增强前后的时域波形图对比如图5所示，通过对比去噪前后的时域波形，验证本发明方法可以很好的抑制语音中的瞬态噪声。本发明在深度学习基础上，提出提高了瞬态噪声抑制能力的新方法，对瞬态噪声的抑制给出了有效的解决方案。

Claims (6)

1.一种语音中瞬态噪声的抑制方法，其特征在于，包括：
S1、通过语音存在概率和阈值确定瞬态噪声段；
S2、建立改进DCU-Net的瞬态噪声抑制模型；
S3、利用确定参数的改进的DCU-Net网络模型对带噪语音信号进行降噪。
2.根据权利要求1所述的通过语音存在概率和阈值确定瞬态噪声段的方法，其特征在于，所述S1包括：
S11、将估计出的瞬态噪声经过阈值处理；
S12、将不连续的噪声掩膜经过向前搜索使之连续。
3.根据权利要求2所述的将估计出的瞬态噪声经过阈值处理的方法，其特征在于，所述S11中：
将估计出的瞬态噪声时域幅值和阈值比较，如果比经验阈值大，则标记为瞬态噪声点；
生成的瞬态噪声掩膜可表达为：
Figure FDA0003176939760000011
其中，
Figure FDA0003176939760000012
为估计的瞬态噪声，δt为瞬态噪声存在经验阈值。
4.根据权利要求2所述的将不连续的噪声掩膜经过向前搜索使之连续的方法，其特征在于，所述S12中：
噪声掩膜经过向前搜索使之连续表达为
Figure FDA0003176939760000013
其中，l为搜索距离，最大取值为100。
5.根据权利要求1所述的建立改进DCU-Net的瞬态噪声抑制模型，其特征在于，所述S2中，在第一个神经网络块和第五个神经网络块之间加了一个神经网络块，使之可以学习到更多的噪声的特征，所述神经网络块有三个隐藏层，依次分别为二维卷积层、批量正则化层和最大池化层。
6.根据权利要求1所述的利用确定参数的改进的DCU-Net网络模型对带噪语音信号进行降噪，其特征在于，所述S3中，把S1获取的瞬态噪声掩膜Iest和带噪语音信号乘积之后取出带噪噪声段送入到确定参数的DCU-Net网络模型中进行增强，最后把增强结果插入到原序列中，重建语音信号。
CN202110835134.5A 2021-07-23 2021-07-23 一种语音中瞬态噪声的抑制方法 Pending CN113593590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110835134.5A CN113593590A (zh) 2021-07-23 2021-07-23 一种语音中瞬态噪声的抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110835134.5A CN113593590A (zh) 2021-07-23 2021-07-23 一种语音中瞬态噪声的抑制方法

Publications (1)

Publication Number Publication Date
CN113593590A true CN113593590A (zh) 2021-11-02

Family

ID=78249200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110835134.5A Pending CN113593590A (zh) 2021-07-23 2021-07-23 一种语音中瞬态噪声的抑制方法

Country Status (1)

Country Link
CN (1) CN113593590A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114242095A (zh) * 2021-12-10 2022-03-25 上海立可芯半导体科技有限公司 基于采用谐波结构的omlsa框架的神经网络降噪系统和方法
CN115798455A (zh) * 2023-02-07 2023-03-14 深圳元象信息科技有限公司 语音合成方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170206908A1 (en) * 2014-10-06 2017-07-20 Conexant Systems, Inc. System and method for suppressing transient noise in a multichannel system
US20200043516A1 (en) * 2018-08-06 2020-02-06 Spotify Ab Singing voice separation with deep u-net convolutional networks
WO2021009319A1 (fr) * 2019-07-17 2021-01-21 Audionamix Sa Procédé de séparation d'un signal acoustique de mélange en une pluralité de m contributions sonores; produit programme d'ordinateur et support lisible d'informations associés
CN113129918A (zh) * 2021-04-15 2021-07-16 浙江大学 联合波束形成和深度复数U-Net网络的语音去混响方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170206908A1 (en) * 2014-10-06 2017-07-20 Conexant Systems, Inc. System and method for suppressing transient noise in a multichannel system
US20200043516A1 (en) * 2018-08-06 2020-02-06 Spotify Ab Singing voice separation with deep u-net convolutional networks
US20200043518A1 (en) * 2018-08-06 2020-02-06 Spotify Ab Singing voice separation with deep u-net convolutional networks
WO2021009319A1 (fr) * 2019-07-17 2021-01-21 Audionamix Sa Procédé de séparation d'un signal acoustique de mélange en une pluralité de m contributions sonores; produit programme d'ordinateur et support lisible d'informations associés
CN113129918A (zh) * 2021-04-15 2021-07-16 浙江大学 联合波束形成和深度复数U-Net网络的语音去混响方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHOI H S等: "Phase-aware Speech Enhancement with Deep Complex U-Net", INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, VANCOUVER, BC, CANADA, pages 214 - 218 *
ZHAO, SK (ZHAO, SHENGKUI)等: "MONAURAL SPEECH ENHANCEMENT WITH COMPLEX CONVOLUTIONAL BLOCK ATTENTION MODULE AND JOINT TIME FREQUENCY LOSSES", 2021 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP 2021), pages 6648 - 6652 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114242095A (zh) * 2021-12-10 2022-03-25 上海立可芯半导体科技有限公司 基于采用谐波结构的omlsa框架的神经网络降噪系统和方法
CN115798455A (zh) * 2023-02-07 2023-03-14 深圳元象信息科技有限公司 语音合成方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108831499B (zh) 利用语音存在概率的语音增强方法
CN106885971B (zh) 一种用于电缆故障检测定点仪的智能背景降噪方法
CN102982801A (zh) 一种用于鲁棒语音识别的语音特征提取方法
CN109523999A (zh) 一种提升远场语音识别的前端处理方法和系统
CN105489226A (zh) 一种用于拾音器的多窗谱估计的维纳滤波语音增强方法
CN110808059A (zh) 一种基于谱减法和小波变换的语音降噪方法
Wang et al. Joint noise and mask aware training for DNN-based speech enhancement with sub-band features
CN113593590A (zh) 一种语音中瞬态噪声的抑制方法
Ambikairajah et al. Wavelet transform-based speech enhancement
CN112233657A (zh) 一种基于低频音节识别的语音增强方法
Li et al. Noisy speech enhancement based on discrete sine transform
CN115440240A (zh) 语音降噪的训练方法、语音降噪系统及语音降噪方法
CN115497492A (zh) 一种基于全卷积神经网络的实时语音增强方法
TWI749547B (zh) 應用深度學習的語音增強系統
Yang et al. A speech enhancement algorithm combining spectral subtraction and wavelet transform
Shao et al. A versatile speech enhancement system based on perceptual wavelet denoising
Meher et al. Dynamic spectral subtraction on AWGN speech
CN106997766B (zh) 一种基于宽带噪声的同态滤波语音增强方法
Fu et al. A novel speech enhancement system based on wavelet denoising
Khalil et al. Enhancement of speech signals using multiple statistical models
Joshi et al. Comparative analysis of thresholding techniques using discrete wavelet transform
CN110933235A (zh) 一种基于机器学习的智能呼叫系统中的噪声去除方法
Liu et al. An improved spectral subtraction method
Sudheer Kumar et al. Noise Reduction in Audio File Using Spectral Gatting and FFT by Python Modules
Zehtabian et al. Optimized singular vector denoising approach for speech enhancement

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