47、实时联合盲语音分离与去混响技术解析

实时联合盲语音分离与去混响技术解析

1. 引言

在音频信号处理领域，会议场景下的音频处理是极具挑战性的任务。在封闭空间中，利用麦克风采集的混合音频信号里提取所需语音信号并非易事。在多输入多输出（MIMO）声学系统中，语音混合信号不仅包含其他共存声源的干扰，还受到多径声学反射产生的混响回声影响。因此，盲源分离（BSS）和语音去混响技术成为恢复纯净声源信号的关键。

此前有基于盲信道识别（BCI）的两阶段方法，实现顺序的源分离和语音去混响。然而，该方法的主要缺陷在于，当存在多个声源同时发声时，BCI 阶段难以准确估计房间脉冲响应（IRs）。为解决这一问题，引入了说话人聚类系统来引导 BCI 阶段，使系统能直接利用麦克风混合信号完成识别任务，整体架构更适合实时应用。

该框架基于免费软件平台 NU - Tech 开发，借助 ASIO 接口与 PC 声卡高效管理音频流，并通过插件架构实现 C++ 代码的开发。在 8kHz 采样率的合成条件下进行的实验，证实了该架构在普通 PC 上的有效性和实时处理能力。

2. 问题描述

假设存在 M 个独立语音源和 N 个麦克风（M < N），它们之间的关系由一个 M × N 的 MIMO FIR 系统描述。对于第 n 个麦克风信号，可表示为：
[
x_n(k) = \sum_{n = 1}^{N} h_{nm}^T s_m(k, L_h) + b_n(k), \quad k = 1, 2, \ldots, K, \quad n = 1, 2, \ldots, N
]
其中，(h_{nm} = [h_{nm,0} \ h_{nm,1} \ \ldots \ h_{nm,