19、单通道语音分离的深度循环网络技术解析

单通道语音分离的深度循环网络技术解析

1. 源分离概述

源分离是一个较新的研究领域，旨在解决音频信号的“鸡尾酒会”问题，也就是分离使用单麦克风或多麦克风录制的单个信号。将语音从背景噪声中分离出来可称为语音增强或语音 - 背景分离；而将语音从另一个语音信号中分离出来则可称为语音分离、语音 - 语音分离，或简称为语音分离。这里聚焦于单通道语音和背景噪声的混合问题。

较新的语音 - 背景分离方法利用学习技术，从一组训练数据中学习语音和噪声的特征，并在测试时使用这些信息。最早使用训练数据的技术之一是非负矩阵分解（NMF）。在 NMF 中，可以分别从语音和噪声数据中训练字典，然后将它们组合成一个串联字典，用于测试。对测试数据进行矩阵分解后，就可以得到每个源的估计值。

近年来，深度学习模型在构建语音 - 背景分离系统方面取得了显著成功。深度学习被用作一种去噪自动编码器，将有噪声的数据作为输入，期望网络输出增强后的语音。为此，在训练时会提供干净的语音作为目标。

2. 问题描述

单通道语音 - 背景分离问题可简单描述为：给定观测到的混合信号 (y[n] = x[n] + u[n])，从中估计原始语音信号 (x[n])。由于这个问题的欠定性质，从 (y[n]) 估计 (x[n]) 并不容易。需要有 (x[n]) 和 (u[n]) 的训练数据，以便了解这些源的特征，并将它们从观测到的混合信号中分离出来。

在实际中，源信号也会有混响，即存在一个底层的干净信号，在混合信号中被观测到之前会通过一个滤波器。不过，这里不希望对信号进行去混响处理，只希望尽可能准确地获取源信号，而不关心源信号是否有混响。这是因为适度的混响对人类和机器的语音识别都没有