18、基于全极点模型的RNN语音清晰度增强频谱倾斜估计

基于全极点模型的RNN语音清晰度增强频谱倾斜估计

1. 引言

随着移动通信设备的普及，现代通信作为一种多媒体通信方式在社会中得到广泛应用。在日常生活环境中，如地铁、路边、机场等，人们不可避免地会使用手机进行交流，这意味着在语音通信过程中会伴随着更多的噪音。因此，提高处于嘈杂环境中的手机用户的语音清晰度尤为重要。

根据语音通信系统的收发终端，通常可分为两种不同的场景：远端场景和近端场景。许多研究人员专注于远端场景的噪声消除，以去除嘈杂语音中的噪声。然而，即使在嘈杂环境中的听众接收到来自智能手机扬声器的清晰语音，该语音仍会被噪声掩盖，导致语音清晰度下降。近年来，为解决这一问题，提出了几种语音清晰度增强（IENH）方法，也称为近端聆听增强（NELE）。

一些IENH方法基于语音清晰度指数（SII）优化或频带能量重新分配。SII优化措施依赖于噪声，且往往会降低语音质量。当可用增益有限时，该技术的性能会明显下降，因此难以在实时语音通信中实现。频带能量重新分配措施在总信号能量约束下，根据噪声和信号频带能量之间的量化关系修改频带能量。它们在很大程度上提高了清晰度，但也降低了语音的自然度和主观聆听舒适度。

部分研究人员关注基于人类语音产生机制的IENH方法。在嘈杂场景中，说话者会在环境噪声的压力下本能地改变说话风格，这被称为伦巴德效应。先前的研究表明，伦巴德语音通常比在安静场景中产生的正常语音更清晰，这归因于一些特征的变化，如频谱倾斜的平坦化、语速的降低和发声强度的增加。其中，频谱倾斜被认为是提高清晰度的最重要因素。

2012年，Zorilâ提出了基于频谱整形和动态范围压缩（SSDRC）的IENH技术。SSDRC算法利用了伦巴德效应中频谱倾斜平坦化可显著提