基于理想组合掩蔽的监督性语音增强算法

为了解决传统的语音增强算法只对语音幅值谱进行估计，而让语音相位谱保持不变的问题，提出了基于相位谱估计的监督性语音分离算法。首先，对传统的相位补偿理论进行分析，提出了一种同时考虑语音

在实际的语音通信系统中，语音信号总是不可避免的受到噪声的干扰。这些噪声的存在不仅极大地损害了语音的可懂性，还对原始语音的数学模型造成破坏，使得语音质量下降。因此，为了得到纯净语音，一些语音增强算法相继提出。从信号处理的角度来看，许多方法提出估计噪音的功率谱或者理想维纳滤波器, 比如谱减法、维纳滤波法、最小均方误差估计法和子空间法等[1]。但传统的单通道语音增强算法都聚集在语音幅度谱的估计，而忽略了相位谱估计。这是因为有研究表明，人耳对信号相位信息并不敏感[2]。但是，最近一些研究显示，相位信息对于提高语音的感知质量具有重要的作用[3]。文献[4]提出一种非接触语音检测增强算法，通过对语音信号振幅谱保持不变，通过相位谱来对信号进行重构增强。这种方法虽然能够对背景噪声起到一定的抑制作用，但对语音的整体结构没有较好的还原。文献[5]提出了一种改进的相位谱补偿算法。该算法对相位补偿函数进行改进，通过语音存在概率算法估计噪声功率谱密度，取得了较好的增强效果。本文对传统的相位补偿算法进行分析，提出了一种同时考虑幅值和相位信息的分离目标， 即理想组合掩码(Ideal Compositional Mask, ICM)， 并应用到监督性语音分离算法中。

2. 相位补偿理论 2.1. 传统相位谱补偿算法[6] 假设( )x t 为纯净语音，( )v t 为加性噪声，且( )x t 与( )v t 相互独立，则加噪语音可表示为 ( )( )( )y tx tv t=+ (1) 经过短时傅里叶变换变换到频域，可表示为 ()( ) ()(), exp2πmY n ky m w nmjkm N∞=−∞=−−∑ (2) 其中，k 表示频率，n 表示帧数，N 表示离散傅里叶变换长度，( )w n 为分帧窗函数，一般为汉宁窗。

信号经过傅里叶变换，都可通过幅值谱和相位谱表示。

(), Y n k 可表示为位极坐标形式，即 ()()()(), , exp, Y n kY n kj Y n k=∠ (3) 其中， (), Y n k表示短时幅值谱， (), Y n k∠表示短时相位谱。在传统的相位补偿算法中[7]，定义一个相位谱补偿函数，其表达式为