一種基于修正倒譜平滑技術(shù)改進(jìn)的維納濾波語(yǔ)音增強(qiáng)算法

李季碧，馬永保，夏　杰，劉金剛

(重慶郵電大學(xué) 信號(hào)與信息處理重慶市重點(diǎn)實(shí)驗(yàn)室，重慶400065)

?

一種基于修正倒譜平滑技術(shù)改進(jìn)的維納濾波語(yǔ)音增強(qiáng)算法

李季碧，馬永保，夏杰，劉金剛

(重慶郵電大學(xué) 信號(hào)與信息處理重慶市重點(diǎn)實(shí)驗(yàn)室，重慶400065)

摘要：傳統(tǒng)的倒譜平滑維納濾波算法在求取選擇性平滑范圍時(shí)，噪聲會(huì)對(duì)維納增益函數(shù)的倒譜產(chǎn)生影響，使估計(jì)出的選擇性平滑范圍不正確，進(jìn)而導(dǎo)致此傳統(tǒng)算法在平滑掉音樂(lè)噪聲的同時(shí)也影響了噪聲抑制效果。為此提出了一種基于修正倒譜平滑技術(shù)改進(jìn)的維納語(yǔ)音增強(qiáng)算法，該算法先用最大似然準(zhǔn)則估計(jì)出純凈語(yǔ)音的倒譜，然后在純凈語(yǔ)音倒譜中求取基頻和共振峰的位置，進(jìn)而得到選擇性平滑的范圍。該方法提高了選擇性倒譜平滑的準(zhǔn)確性，進(jìn)而改善了傳統(tǒng)倒譜平滑維納濾波語(yǔ)音增強(qiáng)算法的噪聲抑制效果。最后在不同的噪聲場(chǎng)景中對(duì)傳統(tǒng)算法和改進(jìn)算法進(jìn)行了仿真對(duì)比，表明該算法能夠在去除噪聲的同時(shí)更好地保留語(yǔ)音的特征結(jié)構(gòu)，較好地提高了帶噪語(yǔ)音的質(zhì)量。

關(guān)鍵詞：語(yǔ)音增強(qiáng)；維納濾波；音樂(lè)噪聲；增益函數(shù)；修正倒譜平滑

0前言

語(yǔ)音增強(qiáng)技術(shù)是語(yǔ)音處理系統(tǒng)重要的預(yù)處理環(huán)節(jié)，其目的是從受到噪聲干擾的語(yǔ)音信號(hào)中提取出純凈的原始語(yǔ)音信號(hào)，從而消除噪聲的干擾。語(yǔ)音增強(qiáng)技術(shù)廣泛應(yīng)用于通信系統(tǒng)、語(yǔ)音識(shí)別系統(tǒng)、助聽(tīng)器、可移動(dòng)設(shè)備等領(lǐng)域中，用于提高語(yǔ)音的質(zhì)量、增強(qiáng)系統(tǒng)的魯棒性。

基于短時(shí)譜估計(jì)的語(yǔ)音增強(qiáng)算法具有復(fù)雜度低和易于實(shí)現(xiàn)的優(yōu)點(diǎn)，因此被廣泛應(yīng)用。頻域維納濾波技術(shù)[1]是一種典型的短時(shí)譜估計(jì)語(yǔ)音增強(qiáng)算法。此算法在平穩(wěn)的噪聲條件下可以有很好的噪聲抑制效果，但是在非平穩(wěn)噪聲的環(huán)境中，先驗(yàn)信噪比的錯(cuò)誤估計(jì)會(huì)使維納增益函數(shù)中出現(xiàn)很多異值點(diǎn)，導(dǎo)致在抑制了原有噪聲之外又產(chǎn)生了音樂(lè)噪聲[2]，為了抑制這種音樂(lè)噪聲，文獻(xiàn)[3]提出了一種增益函數(shù)加權(quán)修正的算法，但是此算法嚴(yán)重依賴(lài)對(duì)噪聲和先驗(yàn)信噪比正確的估計(jì)。文獻(xiàn)[4]提出了一種方法，它的基本思想是：搜索并去除在增強(qiáng)后語(yǔ)音頻譜中的一些尖峰。但是這種方法會(huì)因?yàn)樗阉鞯牟粶?zhǔn)確，影響到語(yǔ)音的頻譜，使增強(qiáng)后的語(yǔ)音失真。文獻(xiàn)[5]對(duì)增益函數(shù)的倒譜進(jìn)行了選擇性地平滑，此算法可以較好地去除異值點(diǎn)，從而抑制音樂(lè)噪聲。此算法是從增益函數(shù)的倒譜中提取語(yǔ)音的基因頻率，但是由于增益函數(shù)的倒譜中有噪聲倒譜的干擾，導(dǎo)致直接從增益函數(shù)的倒譜中提取基因周期和共振峰的位置不準(zhǔn)確，因此在平滑掉異值點(diǎn)的同時(shí)也影響其噪聲抑制效果。本文采用從最大似然方法估計(jì)出的純凈語(yǔ)音中求出基音頻率和共振峰的對(duì)應(yīng)的倒譜位置，該方法減小噪聲對(duì)求取基因周期和共振峰位置時(shí)的干擾，提高倒譜選擇性平滑的準(zhǔn)確性，能在傳統(tǒng)算法的基礎(chǔ)上更好地保留語(yǔ)音的頻譜結(jié)構(gòu)，從而提高噪聲抑制的效果。

1基于維納濾波的語(yǔ)音增強(qiáng)算法

(1)

(2)

(3)

(3)式中：ξ(k,i)是第i幀第k個(gè)頻點(diǎn)的先驗(yàn)信噪比；γ(k,i)為對(duì)應(yīng)頻點(diǎn)的后驗(yàn)信噪比[6]，其中，|Y(k,i)|2,λx(k,i)和λd(k,i)分別為帶噪語(yǔ)音信號(hào)、純凈語(yǔ)音信號(hào)、噪聲信號(hào)的功率譜。

為了得到(3)式中維納濾波的增益函數(shù)，需要估計(jì)出每一幀語(yǔ)音信號(hào)的先驗(yàn)信噪比ξ(k,i)，本文使用經(jīng)典的Ephraim和Malah提出的“判決引導(dǎo)法”[7]估計(jì)先驗(yàn)信噪比

ξ(k,i)=αξ(k,i-1)+(1-α)max[γ(k,i)-1,0]

(4)

2倒譜平滑技術(shù)

文獻(xiàn)[5]中提出了選擇性倒譜平滑算法。其主要思想為：在倒譜域中語(yǔ)音的信息主要體現(xiàn)在基音頻率和共振峰所在的系數(shù)，而其他倒譜系數(shù)基本不包含語(yǔ)音的信息，所以在增益函數(shù)的倒譜域中，將代表語(yǔ)音的基音頻率和共振峰的倒譜系數(shù)采取輕微地平滑，而在其他地方進(jìn)行較大程度地平滑，從而最大程度平滑掉增益函數(shù)中的異值點(diǎn)，減少非平穩(wěn)噪聲條件下出現(xiàn)的音樂(lè)噪聲，大致過(guò)程如下：

(5)

(5)式中，q表示倒譜的譜線(xiàn)。然后對(duì)增益函數(shù)進(jìn)行選擇性平滑

(6)

(6)式中，平滑因子β定義為

(7)

最后將平滑后的增益函數(shù)轉(zhuǎn)換到頻域，得到平滑后的維納增益函數(shù)Gceps(k,i)為

(8)

3修正的倒譜平滑技術(shù)

由于直接從增益函數(shù)的倒譜中提取基因周期和共振峰的位置不一定準(zhǔn)確，所以本文提出了修正的倒譜平滑技術(shù)，即從最大似然估計(jì)出的純凈語(yǔ)音中求出基音頻率和共振峰的對(duì)應(yīng)的倒譜位置，此修正方法減小了噪聲對(duì)求取基因周期和共振峰位置時(shí)的干擾，提高了倒譜選擇性平滑的準(zhǔn)確性。下面介紹修正的倒譜平滑技術(shù)。

首先我們給出增益函數(shù)的倒譜與語(yǔ)音倒譜相對(duì)應(yīng)的關(guān)系。將維納增益函數(shù)寫(xiě)成(9)式所示的形式，然后對(duì)兩邊取對(duì)數(shù)可得(10)式，再分別取反傅里葉變換得到(11)式

(9)

(10)

IDFT{log(GW(k,i))}=IDFT{log(X(k,i))}-

IDFT{log(Y(k,i))}

(11)

(12)

(13)

(14)

(15)

首先，由于無(wú)話(huà)段沒(méi)有語(yǔ)音，不存在基音頻域和共振峰，因此需要用話(huà)音活動(dòng)檢測(cè)(voiceactivitydetection,VAD)[9]判決出語(yǔ)音的話(huà)音段和靜音段，從而去掉在靜音段求出的基音頻率和共振峰對(duì)應(yīng)的倒譜位置。本文所用的VAD算法流程如下。

(16)

(17)

(18)

(18)式中：qlow=|fs/f0,high|到qhigh=|fs/f0,low|表示語(yǔ)音的基音頻率在倒譜域中的位置范圍，其中fs是采樣率，f0,high，f0,low分別表示語(yǔ)音基音頻率的最小值和最大值，?*」表示向下取整。再用 (19)式求得基音頻率在倒譜中出現(xiàn)位置的范圍pitch

(19)

4)通過(guò)(20)式、(21)式、(22)式求出語(yǔ)音共振峰在倒譜中出現(xiàn)位置的范圍envelope。

(20)

(21)

(22)

(20)式中：fpeaks{*}表示在語(yǔ)音倒譜中找出最大值函數(shù)；windowH(q)是低通的窗函數(shù)，用來(lái)平滑語(yǔ)音的倒譜。(21)式中，H和len分別表示窗長(zhǎng)和幀長(zhǎng)。(22)式中，Δqpitch是一個(gè)小的邊界值。

4算法性能的仿真

本文對(duì)基于修正倒譜平滑技術(shù)改進(jìn)的維納濾波語(yǔ)音增強(qiáng)算法進(jìn)行仿真實(shí)現(xiàn)，然后與不經(jīng)過(guò)平滑處理的維納濾波增強(qiáng)算法和文獻(xiàn)[5]中的倒譜平滑的維納濾波增強(qiáng)算法對(duì)比。分別從頻域分段信噪比測(cè)度[11]、ITU-TP.862的感知語(yǔ)音質(zhì)量評(píng)估(perceptualevaluationofspeechquality,PESQ)測(cè)度[12]、CMU的pocketsphinx語(yǔ)音識(shí)別系統(tǒng)[13]的識(shí)別率測(cè)度方面對(duì)這3種語(yǔ)音增強(qiáng)算法做了對(duì)比。頻域分段信噪比的定義為

fwSNRseg=

本文中，求先驗(yàn)信噪比時(shí)要用到估計(jì)噪聲的功率譜，我們采用文獻(xiàn)[10]中基于MMSE的噪聲估計(jì)算法估計(jì)噪聲的功率譜，使用文獻(xiàn)[7]中提出的經(jīng)典的“判決引導(dǎo)”的先驗(yàn)信噪比算法計(jì)算先驗(yàn)信噪比。被測(cè)試的純凈語(yǔ)料是我們錄制的400個(gè)短句，然后將這400個(gè)短句分別加上來(lái)自NOISE92[14]噪聲庫(kù)中不同信噪比的4種代表性噪聲，它們分別是白噪聲、粉紅噪聲、工廠(chǎng)噪聲和babble噪聲，帶噪語(yǔ)音的信噪比分別為0 dB，5 dB，10 dB和15 dB。此外，仿真中用到的其他的一些重要參數(shù)如下：

1)頻域維納增益參數(shù)的相關(guān)參數(shù)：

len=512;fs=16 kHz;ξmin=-25 dB;α=0.94;

幀與幀之前的疊加為50%。

2)倒譜平滑和修正的倒譜平滑參數(shù)：

f0,high=500 Hz;f0,low=200 Hz;Λthr=0.35;

Δqpitch=2。

3)語(yǔ)音識(shí)別系統(tǒng)參數(shù)：

識(shí)別系統(tǒng): Pocketsphinx-5[15]

聲學(xué)模型: cmusphinx-en-us-ptm-5.2[15]

語(yǔ)言模型: building by lmtool[16]

注意，這里的聲學(xué)模型是在純凈語(yǔ)音數(shù)據(jù)訓(xùn)練得到。

在用最大似然算法估計(jì)出的語(yǔ)音的倒譜中，我們用VAD算法找出有話(huà)段和無(wú)話(huà)段，只在有話(huà)段求基音頻率和共振峰對(duì)應(yīng)的倒譜位置。圖1是本文用的基于最大似然先驗(yàn)信噪比的VAD算法的仿真圖，圖中的帶噪語(yǔ)音由2段加了不同信噪比的語(yǔ)音拼接而成，其中前半段語(yǔ)音加了0 dB的babble噪聲，后一半語(yǔ)音加了15 dB的babble的噪聲。從圖1中可以看出，本文提出的VAD算法不僅能準(zhǔn)確地找到高信噪比帶babble噪聲語(yǔ)音的有聲段和無(wú)聲段，而且對(duì)帶0 dB的babble噪聲的語(yǔ)音也能取得較好的VAD結(jié)果，因此本文的VAD算法具有一定的魯棒性，可以準(zhǔn)確地刪除無(wú)話(huà)段沒(méi)有意義的基音頻率和共振峰。

然后我們分別用上述3種語(yǔ)音增強(qiáng)算法處理加了不同信噪比噪聲的400段帶噪語(yǔ)音，分別計(jì)算處理后語(yǔ)音的分段信噪比、PESQ，然后輸入到待測(cè)試的語(yǔ)音識(shí)別系統(tǒng)中測(cè)試識(shí)別率。

圖1　VAD結(jié)果圖Fig.1　Result of VAD

用3種語(yǔ)音增強(qiáng)算法處理過(guò)的語(yǔ)音的頻域分段信噪比的結(jié)果如圖2所示，圖2a、圖2b、圖2c、圖2d分別為白噪聲、粉紅噪聲、工廠(chǎng)噪聲、babble噪聲條件下，3種語(yǔ)音增強(qiáng)算法對(duì)語(yǔ)音處理過(guò)的頻域分段信噪比圖。從圖3中可以看出，倒譜平滑的維納濾波與本文改進(jìn)的算法比原始的維納濾波算法的頻譜分段信噪比高，尤其在低信噪比下比較明顯?；镜牡棺V平滑與本文修正的倒譜平滑的維納濾波算法相比，在白噪聲和粉紅噪聲條件下，表現(xiàn)出相近的效果，但是在工廠(chǎng)和babble非平穩(wěn)噪聲條件下，本文提出的方法有較高的分段信噪比，平均高0.61 dB。

圖2　頻域分段信噪比對(duì)比Fig.2　Comparison of frequency domain SEG-SNR

圖3是用3種算法處理過(guò)的語(yǔ)音的語(yǔ)譜圖的比較。其中，圖3a是帶0 dB信噪比工廠(chǎng)噪聲語(yǔ)音的語(yǔ)譜圖，圖3b、圖3c和圖3d分別為維納濾波、倒譜平滑維納濾波、修正的倒譜平滑維納濾波處理過(guò)的帶噪語(yǔ)音的語(yǔ)譜圖。從圖3中可以看出，相較于圖3b,圖3c和圖3d在去除了背景噪聲的同時(shí)，保留了更多的語(yǔ)音的諧波結(jié)構(gòu)，而圖3b則有語(yǔ)音的失真。而圖3d與圖3c相比，圖3d進(jìn)一步保留了較弱的語(yǔ)音段的語(yǔ)音的頻譜特征結(jié)構(gòu)，進(jìn)一步提高了語(yǔ)音的質(zhì)量。

圖3　三種增強(qiáng)算法的語(yǔ)譜圖比較Fig.3　Spectrogram of the enhanced speeches by three different algorithm

3種不同算法處理后語(yǔ)音的PESQ和語(yǔ)音識(shí)別系統(tǒng)的識(shí)別率的結(jié)果如表1所示，由于基本的維納濾波在非平穩(wěn)噪聲，如工廠(chǎng)和babble噪聲下會(huì)對(duì)帶噪語(yǔ)音過(guò)度抑制，導(dǎo)致出現(xiàn)語(yǔ)音失真和音樂(lè)噪聲，在表1中也表現(xiàn)出了比其他2種算法低的PESQ和識(shí)別率的提升，從主觀(guān)聽(tīng)覺(jué)方面，基本的維納濾波有明顯的音樂(lè)噪聲，而后2種算法無(wú)明顯的音樂(lè)噪聲。后2種算法在相對(duì)平穩(wěn)和非平穩(wěn)噪聲的情況下都表現(xiàn)出了不錯(cuò)的效果，其中PESQ大約分別比基本的維納濾波高了0.1和0.23左右，識(shí)別率分別大約分別高了10%和17%。其中，后2種算法相比，本文的算法表現(xiàn)出了略高的PESQ和識(shí)別率的提升。

5結(jié)論

本文基于倒譜平滑算法，提出了一種基于修正的倒譜平滑技術(shù)改進(jìn)的維納濾波語(yǔ)音增強(qiáng)算法，用于解決在非平穩(wěn)噪聲情況下，傳統(tǒng)基于倒譜平滑的維納濾波算法因估計(jì)選擇性平滑范圍不準(zhǔn)確，而導(dǎo)致的減少音樂(lè)噪聲的同時(shí)噪聲抑制效果也不佳的問(wèn)題。通過(guò)仿真實(shí)驗(yàn)測(cè)試，本算法比維納濾波和基本的倒譜平滑算法有更好頻域分段信噪比、PESQ和語(yǔ)音識(shí)別系統(tǒng)識(shí)別率得分，且主觀(guān)聽(tīng)覺(jué)上也無(wú)明顯的音樂(lè)噪聲。所以本文提出的基于修正倒譜平滑技術(shù)改進(jìn)的維納濾波語(yǔ)音增強(qiáng)算法在減少音樂(lè)噪聲的基礎(chǔ)上提高了噪聲抑制的效果。

表1　3種算法增強(qiáng)后語(yǔ)音的客觀(guān)測(cè)度比較

參考文獻(xiàn)：

[1]WIENER N. Extrapolation interpolation and smoothing of stationary time series[M]. Boston:Technology Press of the Massachusetts Institute of Technology,1950:1043-54.

[2]BEROUTI M,SCHWARTZ R,MAKHOUL J.Enhancement of speech corrupted by acoustic noise[C]//International Conference on Acoustics,Speech,and Signal Processing(ICASSP).London:IEEE Press,1979:208-211.

[3]MALAH D, COX R V, ACCARDI A J. Tracking speech-presence uncertainty to improve speech enhancement in non-stationary noise environments[C]// International Conference on Acoustics, Speech, and Signal Processing (ICASSP). Phoenix, AZ: IEEE Press, 1999: 789-792.

[4]GUSTAFSSON H, NORDHOLM S E, CLASON I. Spectral subtraction using reduced delay convolution and adaptive averaging[J]. IEEE Transactions on Speech, Audio, and Processing, 2001, 9(8):799-807.

[5]BREITHAUPT C, GERKMANN T, MARTIN R. Cepstral smoothing of spectral filter gains for speech enhancement without musical noise[J].IEEE Signal Processing Letters, 2007, 14(12):1036-1039.

[6]LOIZOU P C. Speech enhancement: theory and practice, second edition[M]. Florida: CRC press, 2013.

[7]EPHRAIM Y, MALAH D. Speech enhancement using a minimum mean-square error log-spectral amplitude estimator[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1985, 33(2): 443-445.

[8]BREITHAUPT C, GERKMANN T, MARTIN R. Cepstral smoothing of spectral filter gains for speech enhancement without musical noise[J]. IEEE Signal Processing Letters, 2007, 14(12):1036-1039.

[9]LI Y, WANG T, CUI H, et al. Voice activity detection in nonstationary Noise[J]. IEEE Transactions on Speech, Audio, and Processing, 2000, 8(4):478-482.

[10] TRIBOLET J M, NOLL P, MCDERMOTT B, et al. A study of complexity and quality of speech waveform coders[C]// International Conference on Acoustics, Speech, and Signal Processing (ICASSP). Chicago: IEEE Press, 1978:586-590.

[11] RIX A W, BEERENDS J G, HOLLIER MP, et al. Perceptual evaluation of speech quality (PESQ)-a new method for speech quality assessment of telephone networks and codecs[C]// IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP).Salt Lake City, UT: IEEE Press, 2001: 749-752.

[12] CMU RESEARCH GROUP. Open source speech recognition toolkit[EB/OL].[2015-12-07]. http://cmusphinx.sourceforge.net.

[13] HENDRIKS R C, HEUSDENS R, JENSEN J. MMSE based noise PSD tracking with low complexity[C]// IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP). Dallas, TX: IEEE Press, 2010: 4266-4269.

[14] VARGA A, STEENEKEN H J M. Assessment for automatic speech recognition: II. NOISEX-92: A Database and an Experiment to Study the Effect of Additive Noise on Speech Recognition Systems[J]. Speech Communication, 1993, 12(93): 247-251.

[15] CMU RESEARCH GROUP.CMU sphinx download[EB/OL].[2015-12-7].http://sourceforge.net/projects/cmusphinx.[16] CMU RESEARCH GROUP. Language model tool download[EB/OL].[2015-12-07]. http://www.speech.cs.cmu.edu/tools/lmtool.html.

DOI：10.3979/j.issn.1673-825X.2016.04.004

收稿日期：2015-12-10

修訂日期：2016-04-01通訊作者：李季碧lijb@cqupt.edu.cn

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(61501072)；重慶市教委項(xiàng)目( KJ130504)

Foundation Items：The National Natural Science Foundation of China(61501072); The Science and Technology Research Project of Chongqing Municipal Education Commission of China(KJ130504)

中圖分類(lèi)號(hào)：TN912.35

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1673-825X(2016)04-0462-06

作者簡(jiǎn)介：

李季碧(1975-)，女，四川開(kāi)江人，講師，碩士，主要研究方向?yàn)橥ㄐ判盘?hào)處理。E-mail:lijb@cqupt.edu.cn。

馬永保(1989-)，男，甘肅武威人，碩士研究生。主要研究方向?yàn)檎Z(yǔ)音增強(qiáng)、語(yǔ)音識(shí)別。E-mail:yb_ma@outlook.com。

(編輯：張誠(chéng))

An improved Wiener filtering speech enhancement algorithm based on modified cepstrum smooth technology

LI Jibi，MA Yongbao，XIA Jie，LIU Jingang

(Chongqing Key Laboratory of Signal and Information Processing,Chongqing University of Posts and Telecommunications,Chongqing 400065, P. R. China)

Abstract:Because the noise will influence cepstrum of the gain functions when using traditional cepstrum smooth technology, it reduces the performance of noise reduction while suppressing music noise. To solve this problem, we propose a modified cepstrum smooth technology to improve Wiener filter speech enhancement algorithm. In the proposed scheme, we compute the range of selective smooth by using the estimation of clean speech cepstrum which is obtained by maximum likelihood criterion. The proposed method modifies the accuracy of selective smoothing，therefore it improves the noise reduction performance of the traditional cepstrum smooth Wiener filter speech enhancement algorithm. Finally, we simulate the proposed algorithm and compare it with traditional algorithm in different noise scenario. The simulation results show that the proposed algorithm can well reduce the noise and reserve the speech feature structure, so it has a better quality improvement of the noisy speech than traditional algorithm.

Keywords：speech enhancement; Wiener filter; music noise; gain functions; modified cepstrum smooth