韩灿灿，李志华，徐 睿

(河海大学能源与电气学院，江苏 南京 211100)

0 引 言

随着人工智能的不断发展，越来越多的实际问题开始离不开语音处理技术，而对于实际生活中存在的大量的语音数据，里面却掺杂了许多噪声，这在很大程度上影响着数据的处理效率和实际效果，同时也给实际工程应用带来了很大的影响或损失。因此找到一种有效的方法对含噪语音进行去噪显得格外重要。

人们提出了许多语音去噪或语音增强的方法，如维纳滤波[1]、基于最小均方误差(MMSE)的估计[2]和信号子空间方法[3]。其中大部分的研究着重于语音与噪声之间的统计差异性，主要表现为二阶统计差异，且这些方法的计算过程复杂，一旦数据量过大，它们的精度就会有很大的限制。还有学者提出了一种高阶统计信息去噪方法，利用再生核Hilbert空间中的函数逼近进行语音估计[4]，但内核函数是手动给定的，对于语音处理效果不佳。近年来，随着深度学习的兴起[5-7]，研究者们开始转变思路，将生成对抗网络(GAN)[8]技术应用于语音增强[9-12]，但也存在不易收敛、模型崩塌等问题，且所需的数据集中的含噪语音和纯净语音是按照时间对齐的平行数据对。在实际应用场景中，收集这些数据可能是一个艰苦的过程，即使可以收集，也需要进行自动时间对齐，否则会因为并行数据中的失调可能导致语音质量下降。为解决上述问题，一些学者[13-14]利用CycleGAN[15](即DiscoGAN[16]或DualGAN[17])的方法对语音进行不同领域间的转换并取得不错的效果。……