CN117351978A - 音频掩蔽模型的确定方法、音频掩蔽方法 - Google Patents

音频掩蔽模型的确定方法、音频掩蔽方法 Download PDF

Info

Publication number
CN117351978A
CN117351978A CN202311199098.3A CN202311199098A CN117351978A CN 117351978 A CN117351978 A CN 117351978A CN 202311199098 A CN202311199098 A CN 202311199098A CN 117351978 A CN117351978 A CN 117351978A
Authority
CN
China
Prior art keywords
audio
signal
output result
sub
sample
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
CN202311199098.3A
Other languages
English (en)
Inventor
赵明洲
丁丹
徐银海
刘益帆
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.)
Anson Chongqing Electronic Technology Co ltd
Original Assignee
Anson Chongqing Electronic Technology Co ltd
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 Anson Chongqing Electronic Technology Co ltd filed Critical Anson Chongqing Electronic Technology Co ltd
Priority to CN202311199098.3A priority Critical patent/CN117351978A/zh
Publication of CN117351978A publication Critical patent/CN117351978A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G10L2021/02082—Noise filtering the noise being echo, reverberation of the speech

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

本公开的实施例公开了音频掩蔽模型的确定方法、音频掩蔽方法。该确定方法的一具体实施方式包括：获取音频样本，其中，音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号；提取音频样本的信号特征；将信号特征输入至初始音频掩蔽模型中，得到初始输出结果；确定初始输出结果与音频样本对应的音频标签之间的偏差值；响应于确定偏差值不满足预设的收敛条件，对初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。该实施方式可以通过监督学习的方式得到音频掩蔽模型，以用于掩蔽音频信号中的噪声及混响成分。

Description

音频掩蔽模型的确定方法、音频掩蔽方法
技术领域
本公开的实施例涉及音频领域，具体涉及音频掩蔽模型的确定方法、音频掩蔽方法。
背景技术
在封闭的空间中，声源产生的声波经过反射物(墙壁、地面和室内装饰物等)多径反射后会叠加形成混响。在均匀介质声场中，声源到传声器(例如麦克风)的直达声传播时间最短，在直达声之后50-100ms内被传声器接收到的反射声被定义为早期混响，在直达50-100ms之后被传声器接收到的反射声被定义为晚期混响。
对于电话、会议室讲话等通讯场景，早期混响会降低传声器拾取的语音信号的质量，但却可以提高语音信号的可懂度；而晚期混响会模糊和混淆语音信号中的音节，语音信号的质量和可懂度均遭严重破坏。
目前，对于去除语音信号中的混响，通常采用的方式为：采用WPE(WeightedPrediction Error，加权预测误差)算法及其若干改进算法，假设混响成分可以被线性预测，且目标信号(直达声或者直达声+早期混响)在每个时频点上服从均值为0、方差为λ的复高斯模型分布，通过最大化模型负对数的似然函数，并利用交替迭代的方式更新方差和滤波器系数的估计值，得到目标信号的估计。
然而，采用上述去除混响的方式，通常存在以下技术问题：WPE算法必须遵循上述严格假设，其滤波器去混响的实际效果较差，而且难以消除与直达声、混响同时存在的、与直达声无相关性的环境背景噪声。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于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。本公开的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。
本公开的一些实施例提出了音频掩蔽模型的确定方法、音频掩蔽方法、电子设备与计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种音频掩蔽模型的确定方法，该方法包括：获取音频样本，其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号；提取上述音频样本的信号特征；将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果；确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值，其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本；响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
第二方面，本公开的一些实施例提供了一种音频掩蔽模型的确定装置，该装置包括：获取单元，被配置成获取音频样本，其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号；提取单元，被配置成提取上述音频样本的信号特征；特征输入单元，被配置成将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果；确定单元，被配置成确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值，其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本；更新单元，被配置成响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
第三方面，本公开的一些实施例提供了一种音频掩蔽方法，该方法包括：获取传声器的音频采集信号；提取上述音频采集信号的信号特征；将上述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果，其中，上述音频掩蔽模型是通过第一方面上述的方法生成的；根据上述音频采集信号和上述模型输出结果，生成目标音频信号。
第四方面，本公开的一些实施例提供了一种音频掩蔽装置，该装置包括：获取单元，被配置成获取传声器的音频采集信号；提取单元，被配置成提取上述音频采集信号的信号特征；输入单元，被配置成将上述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果，其中，上述音频掩蔽模型是通过如第一方面上述的方法生成的；生成单元，被配置成根据上述音频采集信号和上述模型输出结果，生成目标音频信号。
第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的音频掩蔽模型的确定方法，基于监督学习算法，可以得到用于掩蔽音频信号中的噪声及混响成分的音频掩蔽模型。从而，可以高效去混响，以及消除与直达声、混响同时存在的环境背景噪声。具体来说，去混响的效果较差且难以消除与直达声、混响同时存在的环境背景噪声的原因在于：WPE算法必须遵循若干严格假设，故其滤波器去混响的实际效果较差；基于WPE算法设计的滤波器针对的是与直达声相关的混响成分，但环境背景噪声与直达声无相关性，故难以被消除。基于此，本公开的一些实施例的音频掩蔽模型的确定方法，首先，获取音频样本。其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号。由此，为确定音频掩蔽模型，提供了数据支持。其次，提取上述音频样本的信号特征；将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果。然后，确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值。其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本。由此，可以确定输出结果与音频标签之间的差异值。从而，便于调整模型参数。最后，响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。由此，基于监督学习算法，可以得到用于掩蔽音频信号中的噪声及混响成分的音频掩蔽模型。从而，可以高效去混响，以及消除与直达声、混响同时存在的环境背景噪声。
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，元件和元素不一定按照比例绘制。
图1是根据本公开的音频掩蔽模型的确定方法的一些实施例的流程图；
图2是根据本公开的音频掩蔽方法的一些实施例的流程图；
图3是根据本公开的音频掩蔽模型的确定装置的一些实施例的结构示意图；
图4是根据本公开的音频掩蔽装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的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。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
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。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的音频掩蔽模型的确定方法的一些实施例的流程图。示出了根据本公开的音频掩蔽模型的确定方法的一些实施例的流程100。该音频掩蔽模型的确定方法，包括以下步骤：
步骤101，获取音频样本。
在一些实施例中，音频掩蔽模型的确定方法的执行主体(例如，计算设备)可以通过有线连接或无线连接的方式从终端设备中获取音频样本。其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号。第一音频信号可以是指纯净音频信号，例如某声源到传声器的直达声信号。第二音频信号可以表示对应纯净音频信号的混响信号，例如与纯净音频信号之间的互相关函数值大于预设阈值的信号。即，音频样本包括的音频信号可以是指对第一音频信号至少叠加了第二音频信号之后的信号。
除第二音频信号外，音频样本包括的音频信号还可以是指对第一音频信号进一步叠加了第三音频信号之后的信号。第三音频信号可以是指与第一音频信号无相关性(互相关函数值为零或者小于预设阈值)的噪声信号，例如某声源所处环境的背景底噪信号。
步骤102，提取上述音频样本的信号特征。
在一些实施例中，上述执行主体可以提取上述音频样本的信号特征。例如，信号特征可以包括：幅值调制谱、相对谱变换和感知线性预测、梅尔倒谱系数、γ(伽马)音调滤波器能量以及它们的样本间变化量，为多维特征向量。实践中，上述执行主体可以通过预设的音频特征算法，提取上述音频样本的信号特征。例如，预设的音频特征算法可以包括但不限于：短时傅里叶变换、梅尔频率倒谱系数表示、线性预测编码系数、频谱质心。
步骤103，将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果。
在一些实施例中，上述执行主体可以将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果。其中，初始音频掩蔽模型可以是指未更新结束的音频掩蔽模型。例如，初始音频掩蔽模型可以是未更新结束的深度神经网络(Deep Neural Networks，DNN)。音频掩蔽模型可以是更新完成的以音频信号的特征向量为输入的深度神经网络。模型输出结果可以是指无量纲向量，用于掩蔽音频信号中的混响成分，或者用于掩蔽音频信号中的噪声及混响成分。
步骤104，确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值。
在一些实施例中，上述执行主体可以确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值。其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本。例如，上述执行主体可以通过预设的损失函数，确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值。例如，预设的损失函数可以是：均方差损失函数、总体方差损失函数。与之相对应地，上述初始输出结果与上述音频样本对应的音频标签之间的偏差值可以是：均方差值、总体方差值。
可选地，上述初始输出结果包括：多个第一子输出结果，一个第一子输出结果对应一个信号频率。上述初始输出结果对应上述音频样本。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值：
第一步，响应于确定上述初始音频掩蔽模型为第一类型的模型，对于上述初始输出结果包括的每个第一子输出结果，执行如下处理步骤：
确定上述第一子输出结果与上述音频标签包括的对应第一信号频率的第一子音频标签之间的第一子偏差值。其中，上述第一信号频率为上述第一子输出结果对应的信号频率。上述第一子音频标签为：上述第一音频信号样本在上述第一信号频率上的幅值与上述音频样本在上述第一信号频率上的幅值的比值。第一类型可以表示初始音频掩蔽模型输出的结果针对的是各个信号频率对应的信号幅值。
第二步，根据所确定的各个第一子偏差值，生成上述初始输出结果与上述音频样本对应的音频标签之间的偏差值。
作为一个示例，以总体方差损失函数作为预设的损失函数，上述执行主体可以通过以下公式确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值：
其中，k表示上述音频样本/上述第一音频信号样本对应的唯一标识符。f表示信号频率。表示第k个音频样本各信号频率f对应的第一子输出结果。M(k,f)表示第k个音频样本各信号频率f对应的第一子音频标签，可以理解为是/>对应的期望。
可选地，上述初始输出结果包括：多个子输出结果对，一个子输出结果对对应一个信号频率，每个子输出结果对包括：第二子输出结果和第三子输出结果。一个子输出结果对可以构建一个对应信号频率的复域值，第二子输出结果可以表示该复域值的实部值，第三子输出结果可以表示该复域值的虚部值。
在一些实施例的另一些可选的实现方式中，上述执行主体可以通过以下步骤确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值：
第一步，响应于确定上述初始音频掩蔽模型为第二类型的模型，对于上述初始输出结果包括的每个子输出结果对，执行如下处理步骤：
第一子步骤，确定上述子输出结果对包括的第二子输出结果与上述音频标签包括的对应第二信号频率的第二子音频标签之间的第二子偏差值。其中，上述第二信号频率为上述子输出结果对对应的信号频率，上述第二子音频标签为：上述第一音频信号样本在上述第二信号频率上的复域值与上述音频样本在上述第二信号频率上的复域值的比值的实部值。第二类型可以表示初始音频掩蔽模型输出的结果针对的是各个信号频率对应的信号幅值以及信号相位。
第二子步骤，确定上述子输出结果对包括的第三子输出结果与上述音频标签包括的对应上述第二信号频率的第三子音频标签之间的第三子偏差值。其中，上述第三子音频标签为：上述第一音频信号样本在上述第二信号频率上的复域值与上述音频样本在上述第二信号频率上的复域值的比值的虚部值。
第二步，根据所确定的各个第二子偏差值与各个第三子偏差值，生成初始输出结果与上述音频样本对应的音频标签之间的偏差值。
作为一个示例，以总体方差损失函数作为预设的损失函数，上述执行主体可以通过以下公式确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值：
其中，k表示上述音频样本/上述第一音频信号样本对应的唯一标识符。f表示信号频率。表示第k个音频样本各信号频率f对应的第二子输出结果。Mr(k，f)表示第k个音频样本各信号频率f对应的第二子音频标签，可以理解为是/>对应的期望。/>表示第k个音频样本各信号频率f对应的第三子输出结果。Mi(k，f)表示第k个音频样本各信号频率f对应的第三子音频标签，可以理解为是/>对应的期望。
其中，Yr(k，f)表示第k个音频样本在信号频率f上的复域值的实部值。Dr(k，f)表示第k个第一音频信号样本在信号频率f上的复域值的实部值。Yi(k，f)表示第k个音频样本在信号频率f上的复域值的虚部值。Di(k，f)表示第k个第一音频信号样本在信号频率f上的复域值的虚部值。
其中，
确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值，是为了用于更新上述初始音频掩蔽模型。模型更新过程中，上述音频样本的实部值Yr(k，f)和虚部值Yi(k，f)、上述第一音频信号样本的实部值Dr(k，f)和虚部值Di(k，f)的数值范围通常较大(例如，取值范围均为-∞至+∞)，导致基于监督学习算法的模型更新效率较低。
为了提高模型更新的效率，可以对上述第二子音频标签和上述第三子音频标签进行数值归一化处理，使其取值范围被约束为-1至1。与之相对应地，在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤执行上述步骤103：
第一步，将上述信号特征输入至初始音频掩蔽模型中，得到原始结果。
上述执行主体可以将上述信号特征输入至初始音频掩蔽模型中，得到一对原始结果和/>
第二步，基于预设的激活函数，对上述原始结果进行数值归一化处理，得到上述初始输出结果。
上述执行主体可以将原始结果和/>分别输入至预设的激活函数，例如以下S型函数(Sigmoid函数)：
分别得到取值范围为-1至1的函数值，并将函数值分别确定为一对初始输出结果和/>其中，e表示自然常数，C表示归一化常数。
步骤105，响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
在一些实施例中，上述执行主体可以响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。其中，预设的收敛条件可以是：偏差值小于等于预设阈值。这里，对于预设阈值的设定，不作限制。例如，预设阈值可以为10-3。
可选地，响应于确定上述偏差值满足预设的收敛条件，将上述初始音频掩蔽模型确定为更新完成的音频掩蔽模型。
在一些实施例中，上述执行主体可以响应于确定上述偏差值满足预设的收敛条件，将上述初始音频掩蔽模型确定为更新完成的音频掩蔽模型。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的音频掩蔽模型的确定方法，基于监督学习算法，可以得到用于掩蔽音频信号中的噪声及混响成分的音频掩蔽模型。从而，可以高效去混响，以及消除与直达声、混响同时存在的环境背景噪声。具体来说，去混响的效果较差且难以消除与直达声、混响同时存在的环境背景噪声的原因在于：WPE算法必须遵循若干严格假设，故其滤波器去混响的实际效果较差；基于WPE算法设计的滤波器针对的是与直达声相关的混响成分，但环境背景噪声与直达声无相关性，故难以被消除。基于此，本公开的一些实施例的音频掩蔽模型的确定方法，首先，获取音频样本。其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号。由此，为确定音频掩蔽模型，提供了数据支持。其次，提取上述音频样本的信号特征；将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果。然后，确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值。其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本。由此，可以确定输出结果与音频标签之间的差异值。从而，便于调整模型参数。最后，响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。由此，基于监督学习算法，可以得到用于掩蔽音频信号中的噪声及混响成分的音频掩蔽模型。从而，可以高效去混响，以及消除与直达声、混响同时存在的环境背景噪声。
图2是根据本公开的音频掩蔽方法的一些实施例的流程图。示出了根据本公开的音频掩蔽方法的一些实施例的流程200。该音频掩蔽方法，包括以下步骤：
步骤201，获取传声器的音频采集信号。
在一些实施例中，音频掩蔽方法的执行主体(例如，计算设备)可以通过有线连接或无线连接的方式获取传声器的音频采集信号。即，音频采集信号可以是指传声器采集的音频信号。
步骤202，提取上述音频采集信号的信号特征。
在一些实施例中，上述执行主体可以提取上述音频采集信号的信号特征。例如，信号特征可以包括：幅值调制谱、相对谱变换和感知线性预测、梅尔倒谱系数、γ(伽马)音调滤波器能量以及它们在音频采集信号相邻时间窗之间的变化量，为多维特征向量。实践中，上述执行主体可以通过预设的音频特征算法，提取上述音频采集信号的信号特征。例如，预设的音频特征算法可以包括但不限于：短时傅里叶变换、梅尔频率倒谱系数表示、线性预测编码系数、频谱质心。
步骤203，将上述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果。
在一些实施例中，上述执行主体可以将上述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果。其中，上述音频掩蔽模型是通过本公开一些实施例的音频掩蔽模型的确定方法生成的。
步骤204，根据上述音频采集信号和上述模型输出结果，生成目标音频信号。
在一些实施例中，上述执行主体可以根据上述音频采集信号和上述模型输出结果，生成目标音频信号。例如，上述执行主体可以通过模型输出结果所表示的无量纲向量，调节上述音频采集信号的幅值，或者同步调节上述音频采集信号的幅值以及相位，从而实现掩蔽上述音频采集信号中的噪声及混响成分的效果。
从图2可以看出，通过本公开的一些实施例的音频掩蔽方法，使用基于本公开上述一些实施例的音频掩蔽模型的确定方法生成的音频掩蔽模型，在例如会议室等封闭场景中，可以对传声器的音频采集信号高效去混响，以及消除同时存在的环境背景噪声，恢复近端用户语音的直达声成分(或同时保留部分早期混响成分，以提高语音可懂度)并传输至远端用户，从而提升通讯质量。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种音频掩蔽模型的确定装置的一些实施例，这些音频掩蔽模型的确定装置实施例与图1所示的那些方法实施例相对应，该音频掩蔽模型的确定装置具体可以应用于各种电子设备中。
如图3所示，一些实施例的音频掩蔽模型的确定装置300包括：获取单元301、提取单元302、特征输入单元303、确定单元304和更新单元305。其中，获取单元301，被配置成获取音频样本，其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号；提取单元302，被配置成提取上述音频样本的信号特征；特征输入单元303，被配置成将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果；确定单元304，被配置成确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值，其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本；更新单元305，被配置成响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
可以理解的是，该音频掩蔽模型的确定装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于音频掩蔽模型的确定装置300及其中包含的单元，在此不再赘述。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种音频掩蔽装置的一些实施例，这些音频掩蔽装置实施例与图2所示的那些方法实施例相对应，该音频掩蔽装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的音频掩蔽装置400包括：获取单元401、提取单元402、输入单元403和生成单元404。其中，获取单元401，被配置成获取传声器的音频采集信号；提取单元402，被配置成提取上述音频采集信号的信号特征；输入单元403，被配置成将上述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果，其中，上述音频掩蔽模型是通过本公开一些实施例的音频掩蔽模型的确定方法生成的；生成单元404，被配置成根据上述音频采集信号和上述模型输出结果，生成目标音频信号。
可以理解的是，该音频掩蔽装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于音频掩蔽装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)500的结构示意图。本公开的一些实施例中的电子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5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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，客户端、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：获取音频样本，其中，上述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，上述第二音频信号为上述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号；提取上述音频样本的信号特征；将上述信号特征输入至初始音频掩蔽模型中，得到初始输出结果；确定上述初始输出结果与上述音频样本对应的音频标签之间的偏差值，其中，上述音频标签是根据上述音频样本的信号信息以及第一音频信号样本的信号信息确定的，上述第一音频信号样本是由上述音频样本包括的每个音频信号中包括的第一音频信号组成的样本；响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
或使得该电子设备：获取传声器的音频采集信号；提取上述音频采集信号的信号特征；将上述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果，其中，上述音频掩蔽模型是通过本公开一些实施例的音频掩蔽模型的确定方法生成的；根据上述音频采集信号和上述模型输出结果，生成目标音频信号。
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一些实施例的操作的计算机程序代码，上述程序设计语言包括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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：获取单元、提取单元、特征输入单元、确定单元和更新单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，更新单元还可以被描述为“响应于确定上述偏差值不满足预设的收敛条件，对上述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型的单元”。
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。
以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (10)

1.一种音频掩蔽模型的确定方法，包括：
获取音频样本，其中，所述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，所述第二音频信号为所述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号；
提取所述音频样本的信号特征；
将所述信号特征输入至初始音频掩蔽模型中，得到初始输出结果；
确定所述初始输出结果与所述音频样本对应的音频标签之间的偏差值，其中，所述音频标签是根据所述音频样本的信号信息以及第一音频信号样本的信号信息确定的，所述第一音频信号样本是由所述音频样本包括的每个音频信号中包括的第一音频信号组成的样本；
响应于确定所述偏差值不满足预设的收敛条件，对所述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述偏差值满足预设的收敛条件，将所述初始音频掩蔽模型确定为更新完成的音频掩蔽模型。
3.根据权利要求1所述的方法，其中，所述初始输出结果包括：多个第一子输出结果，一个第一子输出结果对应一个信号频率；以及
所述确定所述初始输出结果与所述音频样本对应的音频标签之间的偏差值，包括：
响应于确定所述初始音频掩蔽模型为第一类型的模型，对于所述初始输出结果包括的每个第一子输出结果，执行如下处理步骤：
确定所述第一子输出结果与所述音频标签包括的对应第一信号频率的第一子音频标签之间的第一子偏差值，其中，所述第一信号频率为所述第一子输出结果对应的信号频率，所述第一子音频标签为：所述第一音频信号样本在所述第一信号频率上的幅值与所述音频样本在所述第一信号频率上的幅值的比值；
根据所确定的各个第一子偏差值，生成所述初始输出结果与所述音频样本对应的音频标签之间的偏差值。
4.根据权利要求1所述的方法，其中，所述初始输出结果包括：多个子输出结果对，一个子输出结果对对应一个信号频率，每个子输出结果对包括：第二子输出结果和第三子输出结果；以及
所述确定所述初始输出结果与所述音频样本对应的音频标签之间的偏差值，包括：
响应于确定所述初始音频掩蔽模型为第二类型的模型，对于所述初始输出结果包括的每个子输出结果对，执行如下处理步骤：
确定所述子输出结果对包括的第二子输出结果与所述音频标签包括的对应第二信号频率的第二子音频标签之间的第二子偏差值，其中，所述第二信号频率为所述子输出结果对对应的信号频率，所述第二子音频标签为：所述第一音频信号样本在所述第二信号频率上的复域值与所述音频样本在所述第二信号频率上的复域值的比值的实部值；
确定所述子输出结果对包括的第三子输出结果与所述音频标签包括的对应所述第二信号频率的第三子音频标签之间的第三子偏差值，其中，所述第三子音频标签为：所述第一音频信号样本在所述第二信号频率上的复域值与所述音频样本在所述第二信号频率上的复域值的比值的虚部值；
根据所确定的各个第二子偏差值与各个第三子偏差值，生成初始输出结果与所述音频样本对应的音频标签之间的偏差值。
5.根据权利要求4所述的方法，其中，所述将所述信号特征输入至初始音频掩蔽模型中，得到初始输出结果，包括：
将所述信号特征输入至初始音频掩蔽模型中，得到原始结果；
基于预设的激活函数，对所述原始结果进行数值归一化处理，得到所述初始输出结果。
6.一种音频掩蔽方法，包括：
获取传声器的音频采集信号；
提取所述音频采集信号的信号特征；
将所述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果，其中，所述音频掩蔽模型是通过如权利要求1-5中任一所述的方法生成的；
根据所述音频采集信号和所述模型输出结果，生成目标音频信号。
7.一种音频掩蔽模型的确定装置，包括：
获取单元，被配置成获取音频样本，其中，所述音频样本包括的每个音频信号中包括：第一音频信号和第二音频信号，所述第二音频信号为所述第一音频信号分别经多种幅值增益及相位延迟处理后、通过线性组合得到的信号；
提取单元，被配置成提取所述音频样本的信号特征；
特征输入单元，被配置成将所述信号特征输入至初始音频掩蔽模型中，得到初始输出结果；
确定单元，被配置成确定所述初始输出结果与所述音频样本对应的音频标签之间的偏差值，其中，所述音频标签是根据所述音频样本的信号信息以及第一音频信号样本的信号信息确定的，所述第一音频信号样本是由所述音频样本包括的每个音频信号中包括的第一音频信号组成的样本；
更新单元，被配置成响应于确定所述偏差值不满足预设的收敛条件，对所述初始音频掩蔽模型的模型参数进行更新，以得到更新后的音频掩蔽模型。
8.一种音频掩蔽装置，包括：
获取单元，被配置成获取传声器的音频采集信号；
提取单元，被配置成提取所述音频采集信号的信号特征；
输入单元，被配置成将所述信号特征输入至预先确定的音频掩蔽模型中，得到模型输出结果，其中，所述音频掩蔽模型是通过如权利要求1-5中任一所述的方法生成的；
生成单元，被配置成根据所述音频采集信号和所述模型输出结果，生成目标音频信号。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202311199098.3A 2023-09-15 2023-09-15 音频掩蔽模型的确定方法、音频掩蔽方法 Pending CN117351978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311199098.3A CN117351978A (zh) 2023-09-15 2023-09-15 音频掩蔽模型的确定方法、音频掩蔽方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311199098.3A CN117351978A (zh) 2023-09-15 2023-09-15 音频掩蔽模型的确定方法、音频掩蔽方法

Publications (1)

Publication Number Publication Date
CN117351978A true CN117351978A (zh) 2024-01-05

Family

ID=89364117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311199098.3A Pending CN117351978A (zh) 2023-09-15 2023-09-15 音频掩蔽模型的确定方法、音频掩蔽方法

Country Status (1)

Country Link
CN (1) CN117351978A (zh)

Similar Documents

Publication Publication Date Title
CN112786069B (zh) 语音提取方法、装置和电子设备
CN111370019A (zh) 声源分离方法及装置、神经网络的模型训练方法及装置
WO2019119593A1 (zh) 语音增强方法及装置
CN111369968B (zh) 语音合成方法、装置、可读介质及电子设备
WO2022256577A1 (en) A method of speech enhancement and a mobile computing device implementing the method
CN116072108A (zh) 模型生成方法、语音识别方法、装置、介质及设备
CN113113038B (zh) 回声消除方法、装置及电子设备
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
CN111968657B (zh) 语音处理方法、装置、电子设备和计算机可读介质
CN112017685A (zh) 语音生成方法、装置、设备和计算机可读介质
CN111755021B (zh) 基于二元麦克风阵列的语音增强方法和装置
CN112634930B (zh) 多通道声音增强方法、装置及电子设备
CN114501281B (zh) 声音调整方法、装置、电子设备和计算机可读介质
CN117351978A (zh) 音频掩蔽模型的确定方法、音频掩蔽方法
CN118613866A (zh) 用于使用递归神经网络进行统一声学回声抑制的技术
CN113823312A (zh) 语音增强模型生成方法和装置、语音增强方法和装置
CN117316160B (zh) 无声语音识别方法、装置、电子设备和计算机可读介质
CN117334198B (zh) 语音信号处理方法、装置、电子设备和计算机可读介质
US20240282329A1 (en) Method and apparatus for separating audio signal, device, storage medium, and program
EP4350695A1 (en) Apparatus, methods and computer programs for audio signal enhancement using a dataset
CN118280334A (zh) 基于室内环境的主动降噪方法、装置、设备和可读介质
CN113257265A (zh) 语音信号去混响方法、装置和电子设备
CN118571268A (zh) 基于网络模型的自动调音方法、装置、设备和计算机介质
CN117202019A (zh) 混响音频生成方法、装置、设备、可读介质和k歌耳机

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