ZengH的博客

本文将双信号变换LSTM网络(DTLN)应用于实时声学回声消除(AEC)任务。DTLN结合了短时傅里叶变换和堆叠网络方法中的学习特征表示，实现了时频和时域的鲁棒信息处理，其中还包括相位信息。该模型仅对真实和合成回声场景进行60小时的训练。训练设置包括多语种语音、数据增强、附加噪声和混响，以创建一个模型，该模型应该能很好地推广到各种各样的现实条件。DTLN方法在干净和有噪声的回声条件下实现了最先进的性能，可以有效地减少声学回声和附加噪声。

本文介绍了ICASSP 2021 AEC挑战赛的三级回声消除(AEC)和抑制框架。第一阶段采用分块频域自适应滤波，在不引入近端语音失真的情况下消除线性回声分量，并对远端参考信号与麦克风信号之间的时间延迟进行补偿。第二阶段提出一种与门控循环单元集成的深层复数UNet，以进一步抑制残余回声分量。在最后一阶段，训练一个极微小的深度复数U-Net来抑制第二阶段未完全抑制的非语音残差分量，这也可以在不显著增加计算复杂度的情况下进一步提高回声损失增强(ERLE)。

最近，个人智能音响和电信系统的使用增加，需要开发改进的声学回声消除(AEC)或声学回声抑制(AES)算法，以消除扬声器和近端麦克风之间的声学耦合引起的声学回声。虽然已经提出了基于线性自适应滤波器的算法[1]，但仅通过线性滤波方法无法完全消除声学回声;这是由于功率放大器的非线性响应和非线性声传递函数的不对中等因素造成的非线性回声。为了抑制这种非线性回声，提出了在线性自适应滤波后进行残余回声抑制(residual echo suppression, RES)[2-7]。

现实生活中的通信场景包括位于近端和远端两个说话者之间的对话。近端包括一个麦克风，捕捉近端信号播放远端信号的扬声器产生的回声以及背景噪声[1]。回声的存在会导致对话的清晰度和质量下降，因为远端说话者在说话时可以听到自己的声音，导致近端说话者则可能被屏蔽。传统的声学回声消除器(AEC)没有模拟回声路径中的非线性成分，在收敛和再收敛过程中，通常会引入真实回声信号和估计出的回声路径之间的不匹配[2]。这就要求必须用专用系统来抑制的残余回声（从这里看，本文中的残余回声应该指的是回声路径中所产生的非线性成分）。