23、语音增强与口音转换技术：突破与创新

语音增强与口音转换技术：突破与创新

语音增强框架的性能评估

在语音增强领域，一种结合卷积网络和神经网络声码器的方法备受关注。该方法采用了联合架构，包含去噪网络和基于生成对抗网络（GAN）的语音增强方法。

在不同噪声类别的实验中，与OMLSA基线相比，使用α = 0和SI - SNR损失函数在四种噪声类别（如KITCHEN和BUS噪声类）中，PESQ分别提升了1.35、0.71、0.69和0.41，平均提升0.64分。

联合框架在多种指标上超越了传统的语音增强方法，如OMLSA、SEGAN和频谱掩码模型。不过，使用复杂网络的DCCRN - E在CBAK估计方面略优于该模型。

在损失函数的比较中，当用于LS时，SI - SNR损失函数比STFT损失函数略具优势。从评估结果来看，使用权重系数为0（SI - SNR和STFT损失函数联合）时，两种损失函数评估的差异分别为0.25、0.02（2%）、0.28和0.18，这明显体现了对信噪比的重视。

基于语音的损失函数LS和基于特征梅尔频谱的损失函数LM在模型训练中都能取得积极效果。值得注意的是，权重系数为0在联合训练中表现最佳。比较权重系数α为0、0.5和1的结果，LS损失函数权重越高，各项指标的提升越明显，这表明基于语音的损失函数与语音质量的相关性更强。

Voice Bank + DEMAND数据集的评估结果

在Voice Bank + DEMAND数据集上，对各模型增强语音的平均得分进行了计算和比较。使用SI - SNR损失函数的模型设置在之前的实验中表现出优越性能。

模型 </