21、深度学习语音处理：单通道分离与鲁棒特征探索

深度学习语音处理：单通道分离与鲁棒特征探索

单通道语音分离实验成果

在单通道源分离问题上，循环网络，尤其是长短期记忆（LSTM）变体，相较于早期方法（如非负矩阵分解，NMF）极为有效。通过多种指标评估增强结果，发现分离质量有显著提升。其中，相位敏感损失函数在提高信号与失真比（SDR），特别是信号与干扰比（SIR）指标方面效果显著。在字错误率方面，相位敏感和幅度信号域损失产生的结果相近。

实验背景与结论

实验聚焦于从背景噪声中分离语音，背景噪声在现实客厅环境中录制，并模拟混合过程以实现客观测量。未来的研究方向应转向真实混合情况，并探索基于真实混合数据评估方法的途径。开发无需真实参考的评估指标也是值得期待的方向。当自动语音识别（ASR）准确率是最终目标时，可使用字错误率（WER）作为评估指标，但语音分离的目标并非局限于ASR，还包括提升人类通信的感知质量和可懂度，以及改善助听器等设备的分离效果。

不同网络架构的性能对比

网络架构	对噪声和失真的鲁棒性	对说话人归一化技术的依赖	性能特点
DNN	数据敏感，未见过的数据条件会严重影响性能	说话人归一化技术提升效果不显著	对于见过的数据条件，深层网络表现更好；浅层网络对未见过的数据条件相对更鲁棒
CNN	对噪