文章图片

文章图片

文章图片

文章图片
代表估计出的语音信号 ，

文章图片

文章图片
表示估计出的 Gain 大小 。至此 ， 我们的降噪问题就是需要去估计出一个准确的

文章图片

文章图片
。
特征表示
为了要实现低计算量的目的 ， 我们需要最大限度的去压缩模型大小 ， 这样必然导致在同等状况下 ， 压缩后模型的表现会更差 。为了弥补模型变小后带来的效果下降 ， 该研究从输入特征（Input Feature）入手 ， 选择更能代表语音特性的特征 ， 从而去区分语音和噪声 。当然特征大小（Feature Size）也需要严格控制 ， 共同保证低计算量的要求 。现在开源的单通道深度学习降噪算法中 ， 比较普遍的 Feature 是用信号的 Magnitude 和 Phase ， 或者直接用频域信号的 Complex Value 。这样的做法好处是可以保证模型能获得所有的频域信息 ， 没有任何信息丢失；但是缺点是这些频域信息对于语音信号和噪声信号的分离度不够 ， 而且输入的参数量偏大 。方法 [1] 中用到了 Pitch Correlation（基音相关性） ，

文章图片

文章图片

文章图片

文章图片
表示求信号的相关性 ，

文章图片

文章图片
表示 Pitch Correlation 。Pitch Correlation 能够突出语音信号的特性 ， 能在噪声中将语音信号分离出来 。Pitch Correlation 在平稳噪声上有着很好的表现 ， 但是一旦出现非平稳噪声 ， 由于 Pitch Correlation 只包含帧内信息 ， 这时候就无法区分分平稳噪声和语音了 。还有一种情况 ， 当 SNR（信噪比）比较小时 ， 时域的自相关性受噪声影响大 ， 容易导致其判断不准 ， 从而产生误差 。针对以上问题 ， 我们提出了谐波帧间互相关性（Harmonic-Correlation） ，

文章图片

文章图片
其中

文章图片

文章图片
之前

文章图片

文章图片
帧的 Magnitude 。对于

文章图片

文章图片
该研究分两步来讨论它的优势 。首先 ， 对频域 Magnitude（

文章图片

文章图片
）做自相关（Auto-Correlation）可以突出谐波特性（类似于 Spectral Sharpening 或者 Reverse Whitening） ， 对于语音信号中的谐波特性 ， 可以更容易的凸显出来 。其次 ， 把自相关换成和前

• 云泰光学仪器产值增长100％
• 爱立信起诉苹果公司5g专利费用纠纷电信企业再次起诉
• 线上新书发布！云上带你了解有关“冬奥”的那些事儿
• 云图计划预约奖励有哪些（云图计划预约奖励介绍）
• 少前云图计划新手适合什么卡池（少前云图计划新手抽卡指南）
• 九部门：严打平台企业超范围收集个人信息行为
• 云顶之弈龙族运营丧尸95阵容搭什么好（云顶之弈龙族运营丧尸95阵容搭配心得一览）
• 少女前线云图计划兑换码有哪些（少女前线云图计划最新礼包兑换码分享）
• 少前云图计划各职业有哪些角色值得培养（少前云图计划值得培养角色推荐）
• “集五福”玩出新高度，云宠宝的这波黑科技营销，直接天花板了！