30、基于深度学习的受噪声影响语音质量评估

基于深度学习的受噪声影响语音质量评估

1. 语音特征提取

在评估语音质量时，噪声会对评估结果产生显著影响。为了减少噪声干扰，专注于有语音活动的部分，我们采用语音活动检测（VAD）技术来分离语音信号中的静音部分，仅考虑语音信号的有声成分进行特征提取。

• VAD技术 ：使用设计的加权频谱质心（WS）VAD，它从语音信号的每个帧（15 - 30 ms）中提取频谱质心特征，然后与动态阈值进行比较，以分离静音和有声成分。在不同的非平稳噪声下，WS VAD表现出色。
• 特征提取 ：为了开发基于深度神经网络（DNN）的语音质量模型（SQM），需要从语音样本中提取有意义的信息。这里提取了两种特征：线性预测倒谱系数（LSF）和多分辨率听觉模型（MRAM）。
  • LSF特征 ：LSF对语音的频谱信息进行编码，它从线性预测系数（LPC）计算得出。只需较少的系数就能有效捕捉共振峰结构，且插值效果更好。经过WS VAD处理后，使用帧长为16 ms的有声成分计算10维（10 - D）的LSF特征，仅使用均值来获取该特征，因为均值足以表示语音样本的频谱信息或频谱包络。
  • MRAM特征 ：MRAM构建语音样本的时频分辨率。同样经过WS VAD处理后，使用帧长为16 ms的有声成分，通过以下步骤计算68 - D的MRAM特征：
    1. 使用小波包分解将语音能量分解为不同的临界带能量（CBE）。
    2. 结合外耳和中耳权重，将绝对听力阈值纳入C