CN113763976B - 音频信号的降噪方法、装置、可读介质和电子设备 - Google Patents
音频信号的降噪方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN113763976B CN113763976B CN202010506954.5A CN202010506954A CN113763976B CN 113763976 B CN113763976 B CN 113763976B CN 202010506954 A CN202010506954 A CN 202010506954A CN 113763976 B CN113763976 B CN 113763976B
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- audio
- long
- noise reduction
- 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
- 230000005236 sound signal Effects 0.000 title claims abstract description 180
- 230000009467 reduction Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 93
- 230000015654 memory Effects 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000000750 progressive effect Effects 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000001228 spectrum Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 47
- 230000000873 masking effect Effects 0.000 claims description 23
- 230000007787 long-term memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000006403 short-term memory Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 43
- 210000002569 neuron Anatomy 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G10L21/0232—Processing in the frequency domain
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本公开涉及一种音频信号的降噪方法、装置、可读介质和电子设备，该方法包括：获取带噪音频信号，将带噪音频信号输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，作为带噪音频信号去除噪声信号后的音频信号，其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络，渐进式深度神经网络包括多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本，在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。能够有效地去除噪声信号，提高降噪效果。
Description
技术领域
本公开涉及信号处理技术领域，具体地，涉及一种音频信号的降噪方法、装置、可读介质和电子设备。
背景技术
随着终端技术的不断发展，音频处理功能(例如通话、音视频聊天、K歌等)已经成为终端设备的基本功能之一。由于所处环境通常伴随着大量噪声，终端设备采集到的音频信号为带噪音频信号，即采集到的音频信号中包括了原始音频信号(例如可以是用户的语音)和噪声信号。因此需要对带噪音频信号进行降噪处理，以去除噪声信号，获得原始音频信号。然而针对信噪比较低的场景，由于带噪音频信号中所包含的原始音频信号的功率相比于噪声信号的功率过小，导致目前的降噪处理很难有效地去除噪声信号，降噪效果较差。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种音频信号的降噪方法，所述方法包括：
获取带噪音频信号；
将所述带噪音频信号输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；
其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；
所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
第二方面，本公开提供一种音频信号的降噪装置，所述装置包括：
获取模块，用于获取带噪音频信号；
降噪模块，用于将所述带噪音频信号的输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；
其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；
所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取带噪音频信号，之后将带噪音频信号的信号输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，以将目标音频信号作为带噪音频信号去除噪声信号后的音频信号。其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络。渐进式深度神经网络包括有多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本。在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。本公开利用预先训练的深度学习模型对带噪音频信号进行降噪，深度学习模型中包括按照信噪比升高的顺序进行渐进学习的至少一个长短期记忆网络，每个长短期记忆网络能够依次对带噪音频信号提升不同的信噪比，因此至少一个长短期记忆网络能够对带噪音频信号渐进地降噪，依次提升信噪比，从而使得深度学习模型的输出结果对应的目标音频信号能够更加接近带噪音频信号中的原始音频信号，从而有效地去除噪声信号，提高降噪效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种音频信号的降噪方法的流程图；
图2是根据一示例性实施例示出的另一种音频信号的降噪方法的流程图；
图3是根据一示例性实施例示出的渐进式深度神经网络的结构示意图；
图4是根据一示例性实施例示出的另一种音频信号的降噪方法的流程图；
图5是根据一示例性实施例示出的一种音频信号的降噪装置的框图；
图6是根据一示例性实施例示出的另一种音频信号的降噪装置的框图；
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
在介绍本公开提供的音频信号的降噪方法、装置、可读介质和电子设备之前，首先对本公开各个实施例所涉及的应用场景进行介绍。该应用场景可以为终端设备，终端设备例如包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。终端设备上是设置有声音采集装置(例如：麦克风等)，用于获取带噪音频信号，带噪音频信号中包括了原始音频信号和噪声信号。
图1是根据一示例性实施例示出的一种音频信号的降噪方法的流程图，如图1所示，该方法包括：
步骤101，获取带噪音频信号。
步骤102，将带噪音频信号输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，作为带噪音频信号去除噪声信号后的音频信号。
举例来说，首先可以通过声音采集装置获取带噪音频信号。之后，将带噪音频信号作为预先训练的深度学习模型的输入，以得到深度学习模型的输出结果。再根据深度学习模型的输出结果确定目标音频信号，并将目标音频信号作为带噪音频信号去除噪声信号后的音频信号。即将目标音频信号作为对带噪音频信号中原始音频信号的估计。
其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络。
渐进式深度神经网络包括多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本。在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
示例的，深度学习模型中可以包括已训练的渐进式深度神经网络中的至少一个LSTM(英文：Long Short-Term Memory，缩写：长短期记忆网络)。若深度学习模型只包括一个LSTM，那么该LSTM的输出结果，即为深度学习模型的输出结果，若深度学习模型包括多个LSTM，那么可以将多个LSTM的输出结果的平均值，作为深度学习模型的输出结果。
其中，渐进式深度神经网络可以包括多个LSTM，多个LSTM中的每个LSTM对应不相同，且为正值的信噪比，多个LSTM按照信噪比升高的顺序进行渐进学习。可以理解为，每个LSTM能够依次对带噪音频信号提升不同的信噪比，渐进式深度神经网络能够对带噪音频信号渐进地降噪，依次提升信噪比。
针对渐进式深度神经网络中的每个LSTM，将音频训练样本输入到该LSTM的情况下，该LSTM的输出结果对应降噪音频样本。降噪音频样本的信噪比，与音频训练样本的信噪比之间的差值，等于该LSTM对应的信噪比，可以理解为，降噪音频样本中噪声信号的占比，低于音频训练样本中噪声信号的占比，即该LSTM能够将音频训练样本提升对应的信噪比。
以音频训练样本的信噪比为0dB，渐进式深度神经网络中包括3个LSTM为L1、L2、L3来举例，L1对应的信噪比为10dB，L2对应的信噪比为30dB，L3对应的信噪比为100dB，按照L1至L2至L3的顺序进行渐进学习。那么，L1的输出结果对应的降噪音频样本的信噪比为10dB，L2的输出结果对应的降噪音频样本的信噪比为30dB，L3的输出结果对应的降噪音频样本的信噪比为100dB。可以理解为，L1能够滤除音频训练样本中的小部分噪声信号。L2能够滤除音频训练样本中更多的噪声信号，L3能够滤除音频训练样本中绝大部分的噪声信号。
若深度学习模型只包括一个LSTM，那么该LSTM可以是渐进式深度神经网络中的最后一个LSTM(即对应信噪比最高的LSTM)，那么该LSTM的输出结果，即为深度学习模型的输出结果。若深度学习模型包括多个LSTM，那么可以从渐进式深度神经网络中选取多个LSTM，并将多个LSTM的输出结果的平均值，作为深度学习模型的输出结果。
由于渐进式深度神经网络中每个LSTM滤除噪声信号的能力是逐步增加的，相比于一次性直接滤除全部噪声信号(即信噪比为+∞)，通过多个对应不同信噪比的LSTM来滤除带噪音频信号中的噪声信号，能够获得带噪音频信号的更多特征，从而使目标音频信号更加接近带噪音频信号中的原始音频信号，有效地去除噪声信号，提高了降噪效果。即使在噪声信号为非平稳噪声，或者带噪音频信号的信噪比较低的情况下，也能得到与原始音频信号接近的目标音频信号，提高了降噪的适用范围。
综上所述，本公开首先获取带噪音频信号，之后将带噪音频信号的信号输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，以将目标音频信号作为带噪音频信号去除噪声信号后的音频信号。其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络。渐进式深度神经网络包括有多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本。在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。本公开利用预先训练的深度学习模型对带噪音频信号进行降噪，深度学习模型中包括按照信噪比升高的顺序进行渐进学习的至少一个长短期记忆网络，每个长短期记忆网络能够依次对带噪音频信号提升不同的信噪比，因此至少一个长短期记忆网络能够对带噪音频信号渐进地降噪，依次提升信噪比，从而使得深度学习模型的输出结果对应的目标音频信号能够更加接近带噪音频信号中的原始音频信号，从而有效地去除噪声信号，提高降噪效果。
图2是根据一示例性实施例示出的另一种音频信号的降噪方法的流程图，如图2所示，步骤102可以包括：
步骤1021，提取带噪音频信号的信号特征，并将带噪音频信号的信号特征输入到深度学习模型。
举例来说，提取带噪音频信号的信号特征，例如可以先将带噪音频信号转换到频域，在根据带噪音频信号的频谱确定信号特征，信号特征可以分为两类：谱特征和掩蔽特征。其中，谱特征可以包括：对数谱和对数功率谱(英文：Log-power Spectra，缩写：LPS)，掩蔽特征可以包括：理想二值掩蔽(英文：Ideal Binary Mask，缩写：IBM)、目标二值掩蔽(英文：Target Binary Mask，缩写：TBM)、理想比率掩蔽(英文：Ideal Ratio Mask，中文：IRM)和短时傅里叶变换掩蔽(英文：Fast Fourier Transform Mask，缩写：FFT-Mask)。带噪音频信号的信号特征可以是一个，也可以是多个，例如可以提取带噪音频信号的对数功率谱和理想比率掩蔽，作为信号特征。
之后将带噪音频信号的信号特征输入到深度学习模型，以得到深度学习模型输出的目标音频信号的信号特征，即深度学习模型的输出结果为目标音频信号的信号特征。
需要说明的是，在带噪音频信号的信号特征为N(N>1)个的情况下，深度学习模型可以看作是多目标任务的深度学习模型，即在将带噪音频信号的N个信号特征输入深度学习模型的情况下，深度学习模型可以同时输出目标音频信号的N个信号特征。
步骤1022，根据深度学习模型输出的目标音频信号的信号特征，确定目标音频信号。
示例的，在得到深度学习模型输出的目标音频信号的信号特征后，可以将目标音频信号的信号特征从频域转换到时域，以得到对应在时域上的信号，即目标音频信号。
在深度学习模型只包括一个LSTM的场景中，深度学习模型输出的目标音频信号的信号特征即为该LSTM输出的信号特征。在深度学习模型包括多个LSTM的场景中，可以将按照预设算法对每个LSTM输出的信号特征进行处理后得到的结果，作为目标音频信号的信号特征。预设算法的一种实现方式可以是将多个LSTM输出的信号特征的平均值，作为目标音频信号的信号特征。另一种实现方式可以是将多个LSTM输出的信号特征进行加权平均，将加权平均得到的结果作为目标音频信号的信号特征，其中，每个LSTM输出的信号特征对应的权重，可以和该LSTM对应的信噪比正相关。
在一种实现方式中，渐进式深度神经网络是通过以下步骤进行训练的：
步骤1)，获取样本输入集，和渐进式深度神经网络每个LSTM对应的样本输出集，样本输入集中的每个样本输入包括一个音频训练样本的信号特征，音频训练样本中同样也包括原始音频信号和噪声信号。该LSTM对应的样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括该LSTM对应的降噪音频样本的信号特征，其中，该LSTM对应的降噪音频样本的信噪比，与对应的音频训练样本的信噪比的差，等于该LSTM对应的信噪比。
可以理解为，预先获取多个音频训练样本，然后将每个音频训练样本的信号特征作为样本输入集。再根据多个音频训练样本，分别得到每个LSTM对应的多个降噪音频样本，最后将该LSTM对应的每个降噪音频样本的信号特征作为该LSTM对应的样本输出集。
步骤2)，将样本输入集作为每个LSTM的输入，将该LSTM对应的样本输出集作为该深度神经网络的输出，以训练该LSTM。其中，多个LSTM按照对应的信噪比的大小升序排列，即多个LSTM按照信噪比升高的顺序进行渐进学习。
举例来说，对多个LSTM的渐进训练过程，可以预先获取样本输入集，和每个LSTM对应的样本输出集，将样本输入集作为每个LSTM的输入，将该LSTM对应的样本输出集作为该LSTM的输出，以训练该LSTM。即每个LSTM的输入集相同，每个LSTM的输出集各不相同。
以3个LSTM：L1、L2、L3为例，L1、L2、L3的结构示意图如图3所示，每个LSTM都包括输入层、输出层和多个LSTM层。L1对应的信噪比为15dB，L2对应的信噪比为35dB，L3对应的信噪比为+∞(即不存在噪声信号的场景)，可以理解为，将音频训练样本中的原始音频信号，作为L3对应的降噪音频样本，此时降噪音频样本中不存在噪声信号，信噪比为+∞。
针对每个LSTM，可以理解为，每个LSTM在开始进行训练时，LSTM的结构都是相同的(即都包括输入层、输出层和数量相同的LSTM层)，其中每个神经元的参数的初始值不同。每个LSTM在开始进行训练时，神经元的参数的初始值，为训练好的上一个LSTM中每个神经元的参数。其中，神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。针对多个LSTM中的第一个LSTM，可以将预设的神经元参数作为第一个LSTM中神经元的参数的初始值。
进一步的，针对多个LSTM中的最后一个LSTM，可以将最后一个LSTM的上一个训练好的LSTM中每个神经元的参数作为最后一个LSTM中每个神经元的参数的初始值。还可以将除最后一个LSTM之外的，其他LSTM中每个神经元的参数全部累加，作为最后一个LSTM中每个神经元的参数的初始值。以图3所示的渐进式深度神经网络来举例，先按照预设的神经元参数作为L1中神经元的参数的初始值，以对L1进行训练。在L1完成训练后，对L2在开始进行训练时，将L2中神经元的参数的初始值设置为训练好的L1神经元的参数，以对L2进行训练。在L2完成训练后，对L3在开始进行训练时，将L3中神经元的参数的初始值设置为训练好的L2神经元的参数，以对L3进行训练。
这样，每个LSTM在训练时，都能够结合上一个LSTM的训练结果，提高了训练的速度，并且能够得到更准确的LSTM。同时，由于多个LSTM按照信噪比升高的顺序进行渐进学习，那么每个LSTM滤除噪声信号的能力也是逐步增加，相比于一次性直接滤除全部噪声信号(即信噪比为+∞)，通过多个对应不同信噪比的LSTM来滤除带噪音频信号中的噪声信号，能够获得带噪音频信号的更多特征，从而使目标音频信号更加接近带噪音频信号中的原始音频信号，有效地去除噪声信号，提高了降噪效果。即使在噪声信号为非平稳噪声，或者带噪音频信号的信噪比较低的情况下，也能得到与原始音频信号接近的目标音频信号，提高了降噪的适用范围。
进一步的，上述任一个LSTM要完成训练，需要满足的预设条件为该LSTM的损失函数最小。损失函数可以是根据误差函数和自适应权重确定的，其中，误差函数，是根据该LSTM在输入音频训练样本进行训练时输出的降噪音频信号的信号特征与所述音频训练样本对应的降噪音频样本的信号特征确定的。
具体的，误差函数可以是根据第一差值和第二差值确定的，其中，第一差值为降噪音频样本的信号特征，与降噪音频信号的信号特征的差值，第二差值为音频训练样本中噪声信号的信号特征，与降噪音频信号的信号特征的差值。
举例来说，损失函数例如可以是l1损失函数或者l2损失函数。损失函数还可以为：
其中，信号特征为N个，L表示损失函数，li表示根据该LSTM在输入音频训练样本进行训练时输出的降噪音频信号的第i个信号特征，和音频训练样本对应的降噪音频样本的第i个信号特征确定的第i个误差函数，σi表示第i个信号特征的自适应权重，可以利用梯度下降法，训练σi，使得σi能够适用于对应的LSTM，得到最小的损失函数。
第i个误差函数为：
其中，Yki表示降噪音频样本在第k个频点处的第i个信号特征，表示LSTM输出的降噪音频信号的第k个频点处的第i个信号特征，/>即为第一差值，Nki表示音频训练样本中噪声信号在第k个频点处的第i个信号特征，/>即为第二差值。M表示该LSTM输出的降噪音频信号在频域上的频点数量。/>能够反映降噪音频信号的第i个信号特征的最小均方误差(英文：Mean-Square Error)，/>能够反映降噪音频信号的第i个信号特征与音频训练样本中噪声信号的第i个信号特征之间的距离，即误差函数即考虑了对噪声信号的抑制，又考虑了原始音频信号的失真，能够平衡抑制噪声和音频信号失真。
图4是根据一示例性实施例示出的另一种音频信号的降噪方法的流程图，如图4所示，步骤1021的实现方式可以包括：
步骤A，获取带噪音频信号的频谱。
步骤B，根据带噪音频信号的频谱，确定带噪音频信号的幅度谱，并根据带噪音频信号的幅度谱，确定带噪音频信号的功率谱特征。
步骤C，根据带噪音频信号的功率谱特征，和带噪音频信号中噪声信号的功率谱特征，确定带噪音频信号的掩蔽特征。
步骤D，将带噪音频信号的功率谱特征，和带噪音频信号的掩蔽特征作为带噪音频信号的信号特征。
示例的，提取带噪音频信号的信号特征的过程，可以先对带噪音频信号进行FFT(英文：Fast Fourier Transform，中文：快速傅里叶变换)处理，将带噪音频信号从时域转换到频域，以得到带噪音频信号对应的频谱。之后，根据带噪音频信号的频谱，确定带噪音频信号的幅度谱，再根据带噪音频信号的幅度谱，确定带噪音频信号的功率谱特征，和带噪音频信号的掩蔽特征。功率谱特征例如可以是对数功率谱，可以通过以下公式来得到：
Yl(t,f)＝log[(Yf(t,f))2]
其中，Yl(t,f)表示带噪音频信号中第t帧信号在第f个频点处的对数功率谱，Yf(t,f)表示带噪音频信号中第t帧信号在第f个频点处的幅度谱。由于对数功率谱中对数计算能够缩小数值范围，因此将对数功率谱作为信号特征，能够减少渐进式深度神经网络需要训练的数据范围。
掩蔽特征例如可以是理想比率掩蔽，可以通过以下公式来得到：
其中，IRM(t,f)表示带噪音频信号中第t帧信号在第f个频点处的理想比率掩蔽，X(t,f)表示带噪音频信号中原始音频信号中第t帧信号在第f个频点处的功率谱特征，N(t,f)表示带噪音频信号中噪声信号中第t帧信号在第f个频点处的功率谱特征，β为常数，例如可以为1或0.5。其中，X(t,f)是根据带噪音频信号的功率谱特征确定的，N(t,f)是根据X(t,f)和带噪音频信号的功率谱特征确定的。由于理想比率掩蔽的范围在0到1之间，同样能够缩小数值范围，因此将理想比率掩蔽作为信号特征，能够减少渐进式深度神经网络需要训练的数据范围。
进一步的，步骤1022的实现方式可以为，根据频域上的目标音频信号的信号特征，对时域上的目标音频信号进行重构。
首先，可以先将目标音频信号的信号特征转换为目标音频信号的频谱，然后再将目标音频信号的频谱进行傅立叶反变换，得到时域上的目标音频信号。以信号特征为对数功率谱来举例，将目标音频信号的信号特征转换为目标音频信号的频谱的过程可以通过以下公式来实现：
其中，表示目标音频信号中第t帧信号在第f个频点处的幅度谱，/>表示目标音频信号中第t帧信号在第f个频点处的对数功率谱，/>表示目标音频信号中第t帧信号在第f个频点处的频谱，∠Yf(t,f)表示带噪音频信号中第t帧信号在第f个频点处的相位，由于人耳对于音频信号的相位不敏感，因此可以直接使用带噪音频信号的相位。
以信号特征为理想比率掩蔽来举例，将目标音频信号的信号特征转换为目标音频信号的频谱的过程可以通过以下公式来实现：
其中，表示目标音频信号中第t帧信号在第f个频点处的幅度谱，/>表示目标音频信号中第t帧信号在第f个频点处的理想比率掩蔽，YP(t,f)表示带噪音频信号中第t帧信号在第f个频点处的功率谱，/>表示目标音频信号中第t帧信号在第f个频点处的频谱，∠Yf(t,f)表示带噪音频信号的相位。
综上所述，本公开首先获取带噪音频信号，之后将带噪音频信号的信号输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，以将目标音频信号作为带噪音频信号去除噪声信号后的音频信号。其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络。渐进式深度神经网络包括有多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本。在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。本公开利用预先训练的深度学习模型对带噪音频信号进行降噪，深度学习模型中包括按照信噪比升高的顺序进行渐进学习的至少一个长短期记忆网络，每个长短期记忆网络能够依次对带噪音频信号提升不同的信噪比，因此至少一个长短期记忆网络能够对带噪音频信号渐进地降噪，依次提升信噪比，从而使得深度学习模型的输出结果对应的目标音频信号能够更加接近带噪音频信号中的原始音频信号，从而有效地去除噪声信号，提高降噪效果。
图5是根据一示例性实施例示出的一种音频信号的降噪装置的框图，如图5所示，该装置200包括：
提取模块201，用于获取带噪音频信号。
降噪模块202，用于将带噪音频信号的输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，作为带噪音频信号去除噪声信号后的音频信号。
其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络。
渐进式深度神经网络包括多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本。在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
图6是根据一示例性实施例示出的另一种音频信号的降噪装置的框图，如图6所示，降噪模块202可以包括：
输入子模块2021，用于提取带噪音频信号的信号特征，并将带噪音频信号的信号特征输入到深度学习模型。
降噪子模块2022，用于根据深度学习模型输出的目标音频信号的信号特征，确定目标音频信号。
其中，信号特征包括：功率谱特征和/或掩蔽特征。
在一种实现方式中，在长短期记忆网络的损失函数最小的情况下，长短期记忆网络完成训练。
损失函数是根据误差函数和自适应权重确定的。
其中，误差函数是，根据长短期记忆网络在输入音频训练样本进行训练时输出的降噪音频信号的信号特征与音频训练样本对应的降噪音频样本的信号特征确定的。
在另一种实现方式中，误差函数是根据第一差值和第二差值确定的。第一差值为降噪音频样本的信号特征，与降噪音频信号的信号特征的差值，第二差值为音频训练样本中噪声信号的信号特征，与降噪音频信号的信号特征的差值。
具体的，输入子模块2021可以用于执行以下步骤：
步骤A，获取带噪音频信号的频谱。
步骤B，根据带噪音频信号的频谱，确定带噪音频信号的幅度谱，并根据带噪音频信号的幅度谱，确定带噪音频信号的功率谱特征。
步骤C，根据带噪音频信号的功率谱特征，和带噪音频信号中噪声信号的功率谱特征，确定带噪音频信号的掩蔽特征。
步骤D，将带噪音频信号的功率谱特征，和带噪音频信号的掩蔽特征作为带噪音频信号的信号特征。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取带噪音频信号，之后将带噪音频信号的信号输入到预先训练的深度学习模型，并根据深度学习模型的输出结果确定目标音频信号，以将目标音频信号作为带噪音频信号去除噪声信号后的音频信号。其中，深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络。渐进式深度神经网络包括有多个长短期记忆网络，在音频训练样本分别输入到多个长短期记忆网络的情况下，多个长短期记忆网络的输出结果分别对应音频训练样本提升不同信噪比下所得到的降噪音频样本。在渐进式深度神经网络中，多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。本公开利用预先训练的深度学习模型对带噪音频信号进行降噪，深度学习模型中包括按照信噪比升高的顺序进行渐进学习的至少一个长短期记忆网络，每个长短期记忆网络能够依次对带噪音频信号提升不同的信噪比，因此至少一个长短期记忆网络能够对带噪音频信号渐进地降噪，依次提升信噪比，从而使得深度学习模型的输出结果对应的目标音频信号能够更加接近带噪音频信号中的原始音频信号，从而有效地去除噪声信号，提高降噪效果。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如可以是终端设备，即上述实施例中的执行主体)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取带噪音频信号；将所述带噪音频信号输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取带噪音频信号的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种音频信号的降噪方法，包括：获取带噪音频信号；将所述带噪音频信号输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述将所述带噪音频信号输入到预先训练的深度学习模型，包括：提取所述带噪音频信号的信号特征，并将所述带噪音频信号的信号特征输入到所述深度学习模型；所述根据所述深度学习模型的输出结果确定目标音频信号，包括：根据所述深度学习模型输出的所述目标音频信号的信号特征，确定所述目标音频信号；其中，所述信号特征包括：功率谱特征和/或掩蔽特征。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，在所述长短期记忆网络的损失函数最小的情况下，所述长短期记忆网络完成训练；所述损失函数是根据误差函数和自适应权重确定的；所述误差函数，是根据所述长短期记忆网络在输入音频训练样本进行训练时输出的降噪音频信号的信号特征与所述音频训练样本对应的降噪音频样本的信号特征确定的。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述误差函数是根据第一差值和第二差值确定的；所述第一差值为所述降噪音频样本的信号特征，与所述降噪音频信号的信号特征的差值，所述第二差值为所述音频训练样本中噪声信号的信号特征，与所述降噪音频信号的信号特征的差值。
根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述提取所述带噪音频信号的信号特征，包括：获取所述带噪音频信号的频谱；根据所述带噪音频信号的频谱，确定所述带噪音频信号的幅度谱；并根据所述带噪音频信号的幅度谱，确定所述带噪音频信号的功率谱特征；根据所述带噪音频信号的功率谱特征，和所述带噪音频信号中噪声信号的功率谱特征，确定所述带噪音频信号的掩蔽特征；将所述带噪音频信号的功率谱特征，和所述带噪音频信号的掩蔽特征作为所述带噪音频信号的信号特征。
根据本公开的一个或多个实施例，示例6提供了一种音频信号的降噪装置，所述装置包括：获取模块，用于获取带噪音频信号；降噪模块，用于将所述带噪音频信号的输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习。
根据本公开的一个或多个实施例，示例7提供了示例6的装置，所述降噪模块包括：输入子模块，用于提取所述带噪音频信号的信号特征，并将所述带噪音频信号的信号特征输入到所述深度学习模型；降噪子模块，用于根据所述深度学习模型输出的所述目标音频信号的信号特征，确定所述目标音频信号；其中，所述信号特征包括：功率谱特征和/或掩蔽特征。
根据本公开的一个或多个实施例，示例8提供了示例6的装置，在所述长短期记忆网络的损失函数最小的情况下，所述长短期记忆网络完成训练；所述损失函数是根据误差函数和自适应权重确定的；所述误差函数，是根据所述长短期记忆网络在输入音频训练样本进行训练时输出的降噪音频信号的信号特征与所述音频训练样本对应的降噪音频样本的信号特征确定的。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例5中所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例5中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (7)
1.一种音频信号的降噪方法，其特征在于，所述方法包括：
获取带噪音频信号；
将所述带噪音频信号输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；
其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；
所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习；其中，所述长短期记忆网络包括LSTM，多个LSTM中的每个LSTM对应不相同，且为正值的信噪比；
在所述长短期记忆网络的损失函数最小的情况下，所述长短期记忆网络完成训练；
所述损失函数是根据误差函数和自适应权重确定的；
所述误差函数，是根据所述长短期记忆网络在输入音频训练样本进行训练时输出的降噪音频信号的信号特征与所述音频训练样本对应的降噪音频样本的信号特征确定的；
所述误差函数是根据第一差值和第二差值确定的；
所述第一差值为所述降噪音频样本的信号特征与所述降噪音频信号的信号特征的差值，所述第二差值为所述音频训练样本中噪声信号的信号特征与所述降噪音频信号的信号特征的差值。
2.根据权利要求1所述的方法，其特征在于，所述将所述带噪音频信号输入到预先训练的深度学习模型，包括：提取所述带噪音频信号的信号特征，并将所述带噪音频信号的信号特征输入到所述深度学习模型；
所述根据所述深度学习模型的输出结果确定目标音频信号，包括：根据所述深度学习模型输出的所述目标音频信号的信号特征，确定所述目标音频信号；
其中，所述信号特征包括：功率谱特征和/或掩蔽特征。
3.根据权利要求2所述的方法，其特征在于，所述提取所述带噪音频信号的信号特征，包括：
获取所述带噪音频信号的频谱；
根据所述带噪音频信号的频谱，确定所述带噪音频信号的幅度谱；并根据所述带噪音频信号的幅度谱，确定所述带噪音频信号的功率谱特征；
根据所述带噪音频信号的功率谱特征，和所述带噪音频信号中噪声信号的功率谱特征，确定所述带噪音频信号的掩蔽特征；
将所述带噪音频信号的功率谱特征和/或所述带噪音频信号的掩蔽特征作为所述带噪音频信号的信号特征。
4.一种音频信号的降噪装置，其特征在于，所述装置包括：
获取模块，用于获取带噪音频信号；
降噪模块，用于将所述带噪音频信号的输入到预先训练的深度学习模型，并根据所述深度学习模型的输出结果确定目标音频信号，作为所述带噪音频信号去除噪声信号后的音频信号；
其中，所述深度学习模型中包括已训练的渐进式深度神经网络中的至少一个长短期记忆网络；
所述渐进式深度神经网络包括多个长短期记忆网络；在音频训练样本分别输入到所述多个长短期记忆网络的情况下，所述多个长短期记忆网络的输出结果分别对应所述音频训练样本提升不同信噪比下所得到的降噪音频样本；在所述渐进式深度神经网络中，所述多个长短期记忆网络按照信噪比升高的顺序进行渐进学习；其中，所述长短期记忆网络包括LSTM，多个LSTM中的每个LSTM对应不相同，且为正值的信噪比；
在所述长短期记忆网络的损失函数最小的情况下，所述长短期记忆网络完成训练；
所述损失函数是根据误差函数和自适应权重确定的；
所述误差函数，是根据所述长短期记忆网络在输入音频训练样本进行训练时输出的降噪音频信号的信号特征与所述音频训练样本对应的降噪音频样本的信号特征确定的；
所述误差函数是根据第一差值和第二差值确定的；
所述第一差值为所述降噪音频样本的信号特征与所述降噪音频信号的信号特征的差值，所述第二差值为所述音频训练样本中噪声信号的信号特征与所述降噪音频信号的信号特征的差值。
5.根据权利要求4所述的装置，其特征在于，所述降噪模块包括：
输入子模块，用于提取所述带噪音频信号的信号特征，并将所述带噪音频信号的信号特征输入到所述深度学习模型；
降噪子模块，用于根据所述深度学习模型输出的所述目标音频信号的信号特征，确定所述目标音频信号；
其中，所述信号特征包括：功率谱特征和/或掩蔽特征。
6.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-3中任一项所述方法的步骤。
7.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506954.5A CN113763976B (zh) | 2020-06-05 | 2020-06-05 | 音频信号的降噪方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506954.5A CN113763976B (zh) | 2020-06-05 | 2020-06-05 | 音频信号的降噪方法、装置、可读介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763976A CN113763976A (zh) | 2021-12-07 |
| CN113763976B true CN113763976B (zh) | 2023-12-22 |
Family
ID=78785101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010506954.5A Active CN113763976B (zh) | 2020-06-05 | 2020-06-05 | 音频信号的降噪方法、装置、可读介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763976B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283830A (zh) * | 2021-12-17 | 2022-04-05 | 南京工程学院 | 基于深度学习网络的麦克风信号回声消除模型构建方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9972339B1 (en) * | 2016-08-04 | 2018-05-15 | Amazon Technologies, Inc. | Neural network based beam selection |
| CN110060704A (zh) * | 2019-03-26 | 2019-07-26 | 天津大学 | 一种改进的多目标准则学习的语音增强方法 |
| CN110415687A (zh) * | 2019-05-21 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 语音处理方法、装置、介质、电子设备 |
| CN110428849A (zh) * | 2019-07-30 | 2019-11-08 | 珠海亿智电子科技有限公司 | 一种基于生成对抗网络的语音增强方法 |
| CN110491404A (zh) * | 2019-08-15 | 2019-11-22 | 广州华多网络科技有限公司 | 语音处理方法、装置、终端设备及存储介质 |
| CN110767244A (zh) * | 2018-07-25 | 2020-02-07 | 中国科学技术大学 | 语音增强方法 |
| WO2020042708A1 (zh) * | 2018-08-31 | 2020-03-05 | 大象声科（深圳）科技有限公司 | 基于时频掩蔽和深度神经网络的声源方向估计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10861478B2 (en) * | 2016-05-30 | 2020-12-08 | Oticon A/S | Audio processing device and a method for estimating a signal-to-noise-ratio of a sound signal |
| US10224058B2 (en) * | 2016-09-07 | 2019-03-05 | Google Llc | Enhanced multi-channel acoustic models |
| US10672414B2 (en) * | 2018-04-13 | 2020-06-02 | Microsoft Technology Licensing, Llc | Systems, methods, and computer-readable media for improved real-time audio processing |
-
2020
- 2020-06-05 CN CN202010506954.5A patent/CN113763976B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9972339B1 (en) * | 2016-08-04 | 2018-05-15 | Amazon Technologies, Inc. | Neural network based beam selection |
| CN110767244A (zh) * | 2018-07-25 | 2020-02-07 | 中国科学技术大学 | 语音增强方法 |
| WO2020042708A1 (zh) * | 2018-08-31 | 2020-03-05 | 大象声科（深圳）科技有限公司 | 基于时频掩蔽和深度神经网络的声源方向估计方法 |
| CN110060704A (zh) * | 2019-03-26 | 2019-07-26 | 天津大学 | 一种改进的多目标准则学习的语音增强方法 |
| CN110415687A (zh) * | 2019-05-21 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 语音处理方法、装置、介质、电子设备 |
| CN110428849A (zh) * | 2019-07-30 | 2019-11-08 | 珠海亿智电子科技有限公司 | 一种基于生成对抗网络的语音增强方法 |
| CN110491404A (zh) * | 2019-08-15 | 2019-11-22 | 广州华多网络科技有限公司 | 语音处理方法、装置、终端设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Gao T，Du J，Dai L Ｒ，et al．.《SNＲ-based progressive learning of deep neural network for Speech Enhancement》.《Proceedings of the 17th Annual Conference of the International Speech Communication Association，San Francisco，USA》.2016,3713-3717. * |
| 文仕学,孙磊,杜俊.《渐进学习语音增强方法在语音识别中的应用》.《小型微型计算机系统》.2018,第39卷(第01期),1-6. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763976A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107068161B (zh) | 基于人工智能的语音降噪方法、装置和计算机设备 | |
| CN112634928B (zh) | 声音信号处理方法、装置和电子设备 | |
| CN112259116B (zh) | 一种音频数据的降噪方法、装置、电子设备及存储介质 | |
| CN113611324B (zh) | 一种直播中环境噪声抑制的方法、装置、电子设备及存储介质 | |
| CN111883117B (zh) | 语音唤醒方法及装置 | |
| CN111369968B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112309414B (zh) | 基于音频编解码的主动降噪方法、耳机及电子设备 | |
| CN113763976B (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
| CN113674752B (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
| CN112669878B (zh) | 声音增益值的计算方法、装置和电子设备 | |
| CN111276134B (zh) | 语音识别方法、装置和计算机可读存储介质 | |
| CN116913258A (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| CN111312223B (zh) | 语音分割模型的训练方法、装置和电子设备 | |
| CN113496706B (zh) | 音频处理方法、装置、电子设备及存储介质 | |
| CN111312224A (zh) | 语音分割模型的训练方法、装置和电子设备 | |
| CN113179354B (zh) | 声音信号处理方法、装置和电子设备 | |
| CN109378012B (zh) | 用于单通道语音设备录制音频的降噪方法及系统 | |
| CN116137153A (zh) | 一种语音降噪模型的训练方法以及语音增强方法 | |
| CN113987258A (zh) | 音频的识别方法、装置、可读介质和电子设备 | |
| CN113113038A (zh) | 回声消除方法、装置及电子设备 | |
| CN117316160B (zh) | 无声语音识别方法、装置、电子设备和计算机可读介质 | |
| CN113096679A (zh) | 音频数据处理方法和装置 | |
| CN112634930B (zh) | 多通道声音增强方法、装置及电子设备 | |
| CN110431625B (zh) | 语音检测方法、语音检测装置、语音处理芯片以及电子设备 | |
| CN113382119B (zh) | 消除回声的方法、装置、可读介质和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |